基于无人机遥感的冬小麦追肥推荐模型建立

为提高小麦氮素精准、高效的管理能力,实现实时、便捷、精准的变量施肥.本文在无人机遥感进行冬小麦氮素营养诊断的基础上,依据光谱诊断施肥模型,建立冬小麦返青期、拔节期和抽穗期等关键生育期追肥推荐模型.研究结果表明:无人机影像获得的DVI与冬小麦关键生育时期氮素参数植株氮浓度相关性最好(R2=0.8698);冬小麦返青期、拔节期和抽穗期氮素诊断临界DVI值分别为0.594、0.784和0.807;冬小麦最高产量为11364.3 kg/hm2,最佳产量为11230.9 kg/hm2,总施氮量为272.9 kg/hm2,最佳经济施肥量264.1 kg/hm2,基于光谱诊断的追肥推荐模型分别为返青期y=-39.69x+23.58、拔节期y=-129.97x+101.95、抽穗期y=-159.79x+128.93.诊断指标的建立为冬小麦基于光谱诊断的追肥模型奠定了基础,临界DVI值的确定为诊断冬小麦关键生育期是否补充氮肥提供依据,氮肥效应曲线建立和光谱诊断施肥模型选择实现了定量化的追肥推荐.     

基于新型植被指数的冬小麦LAI高光谱反演

【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。     

基于多源遥感的冬小麦叶面积指数监测研究

在江苏省泰兴市利用多源Landsat/TM遥感影像提取植被指数NDVI,并对不同时期的冬小麦叶面积指数(LAI)进行了监测研究.结果显示:拔节期NDVI与LAI的相关性较好,线性拟合模型的决定系数达0.7659;利用拔节期线性拟合模型对开花期的LAI进行预测,预测值与实测值较为一致,RMSE为0.426.表明利用拔节期LAI监测模型推测开花期的LAI数据信息是可行的,有利于区域冬小麦的LAI分级图的快速制作.该方法可为大面积冬小麦长势信息的及时、快速获取提供技术支持.     

水旱地冬小麦植株氮素含量的高光谱监测

作物氮素状况是评价作物长势的关键指标之一,利用高光谱技术对水旱地植株氮素含量进行监测具有重要的实践意义。通过研究闻喜县水旱地小麦植株氮含量与叶面积指数(LAI)的定量关系,探索建立以LAI为中间变量的水旱地冬小麦氮素含量的监测模型的可行性。结果表明,水旱地冬小麦不同生育时期LAI特征波段不同,LAI与植被指数FDDVI,FDNDVI和FDMSAVI的相关性均好;冬小麦LAI与植株氮素含量在拔节期、抽穗期和灌浆期3个主要的生育时期均达到较好的相关性;水地冬小麦以FDNDVI(770,688 nm)为自变量建立的植株氮素含量监测模型最优,R2=0.849 9,RE=0.220 8,RMSE=0.060 2,RE和RMSE最小,预测性最好;旱地冬小麦以FDDVI(771,685 nm)为自变量建立的植株氮素含量监测模型最优,R2=0.802 9,RMSE=0.032 6,RE=0.17。研究结果可为实现水旱地冬小麦氮素的准确、快速、大面积的监测提供新的途径。     

不同灌溉条件下冬小麦叶面积指数的高光谱监测

LAI是作物长势监测的一个重要指标,实时、无损和准确地估测冬小麦LAI具有重要的实践意义。通过对冬小麦进行不同的灌溉处理试验,研究LAI与冠层光谱反射率的关系,计算350～2 450 nm不同波段组合的原始光谱指数和导数光谱指数,筛选最优波段组合光谱指数,并建立LAI的监测模型。结果表明,冬小麦LAI与冠层光谱反射率和不同波段组合光谱指数相关性较好;冬小麦LAI监测的最优光谱指数为DVI(435,447),以此为自变量建立的指数模型y=10.669e~(-701.9x)表现最优,模型最稳定。     

基于冠层反射光谱的冬小麦干物质积累量的估测研究

[目的]分析了小麦光谱特征与干物质积累量的相关关系。[方法]通过对冬小麦不同品种的干物质积累量、叶面积等参数和冬小麦冠层光谱反射率、光谱一阶微分和光谱比值植被指数(RVI)的相关分析,确立了冬小麦干物质积累量的敏感波段,并建立了预测模型。[结果]开花期350~700 nm和1 420~1 520 nm冠层光谱反射率和灌浆期350~1 750 nm冠层光谱反射率分别与干物质积累量显著相关;比值植被指数RVI(560,1220)与干物质积累量的相关性较好;确立的冬小麦干物质积累量预测模型为:干物质积累量=-186.94×RVI(560,1220)-2 242.2(R2=0.713 8),说明通过遥感手段监测冬小麦的群体质量是可行的。[结论]该研究为高光谱遥感技术在监测小麦的群体质量的应用提供参考依据。     

基于无人机图像的小麦主要生育时期LAI估算

LAI是表征作物生长状况的重要指标之一。为了快速无损监测小麦LAI，设置了3个密度和4个氮肥水平以形成不同的小麦生长群体，利用无人机搭载的RGB相机获取田间图像，并同步取样测定LAI。在小麦越冬期、返青期、拔节期、开花期和灌浆期选取R、G、B构建的9种颜色特征指数，与实测的LAI进行相关性分析。结果表明，在小麦生长前期（越冬期、返青期），颜色指数与LAI的相关性均较弱，而到了生育后期（拔节期、开花期、灌浆期），所有颜色指数与LAI的相关性均达到了极显著水平。选出常用的指数、线性、对数、多项式和幂函数等模型中R2最大的作为最终的估算模型，用以估算拔节期、开花期、灌浆期这三个时期的小麦LAI。通过实测的LAI对估算模型的验证，模型可靠且准确率较高。上述结果为作物田间LAI快速测量提供了新的手段。     

基于波段组合优化光谱指数的冬小麦LAI估算

叶面积指数（LAI）是表示植被利用光能状况和冠层结构的一个综合指数,与作物产量密切相关。高光谱遥感数据具有连续、高光谱分辨率等特点,为估算农作物生理生化参数和冠层结构参数提供了重要手段。为挖掘高光谱数据估算LAI的最优波段组合以及提高估算精度,以冬小麦作为研究对象,野外实测不同生长阶段（起身、拔节、开花阶段）的冠层高光谱数据,并对其进行不同数学变换处理,包括原始光谱、一阶导数光谱和连续统去除。利用3种不同预处理的冠层高光谱数据构建30种常用植被指数和4种优化光谱指数,比较常用植被指数与优化光谱指数对冬小麦LAI的响应,建立估算冬小麦LAI的单变量和多变量回归模型,对其进行精度验证,并筛选出最优估算模型。结果表明,随着生育期的推进,可见光波段范围内,冬小麦冠层光谱反射率较低、吸收较强,LAI对连续统去除光谱的影响较大,呈负相关;近红外波段范围内不同生育期间的差异较大,随着LAI的增大,冠层光谱的红边位置出现了“红移”现象;基于一阶导数的优化植被指数（NDSI和RSI）与LAI相关系数达到0.8;从估算模型来看,基于一阶导数的RSI_{（627 nm, 774 nm）}单变...     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。     

冬小麦生育前期LAI 高光谱反演研究

【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。     

对水稻微分光谱和植被指数的探讨

通过不同供氮水平的田间试验，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度、叶面积指数及供氮水平之间有一定的相关性；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平之间存在相关性。这些表明，用微分光谱技术与植被指数方法监测水稻的田间供氮水平和长势似乎是可行的。     

水稻拔节期群体茎蘖结构与叶面积指数及产量关系的研究

以中粳稻广陵香粳和中籼稻汕优63为材料，采用不同的肥料运筹和插栽密度等措施，研究水稻拔节期茎蘖结构与叶面积指数(LAI)及产量的关系。结果表明：水稻抽穗期适宜的LAI，拔节至抽穗期叶面积生长速率大于N-n期至拔节期，有利于形成高产叶面积动态类型；拔节期茎蘖数结构与拔节期、抽穗期LAI关系密切，拔节期适宜的茎蘖结构有利于抽穗期适宜LAI的形成。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

花生红边特征及其叶面积指数的高光谱估算模型

选用大花生品种丰花1号作为试验材料,设置5个氮素水平的小区试验。在不同发育期同步测定花生冠层的光谱反射率及其叶面积指数,利用花生冠层的光谱反射率数据提取红边参数,分析其变化规律及花生叶面积指数与红边参数的相关性。估算结果表明：花生冠层红边一阶微分光谱呈“双峰”现象,红边位置位于707～724 nm之间,在花生生长旺盛期间出现“红边平台”,结荚期以后有明显的“蓝移”现象;叶面积指数与冠层光谱红边参数之间在结荚期-饱果初期显著相关,但开花期相关性不显著,利用结荚期-饱果期的红边参数可以估算花生的叶面积指数,最后建立了结荚期-饱果期和整个生育期的花生叶面积指数的估算模型。     

基于遥感技术的不同施氮水平下小麦条锈病病情反演研究

为构建不同施氮条件下,小麦条锈病病情光谱反演模型,设置了在不同氮素水平条件下接种小麦条锈病,将菌情指数与植被指数、一阶微分参数进行回归分析,构建抽穗期、开花期、灌浆期、乳熟期共5个模型。为了评估施氮量对病情反演模型的影响,在模型中加入氮素因子,模型病情反演预测效果表明,抽穗期模型加入氮素因子后预测效果有所提高,抽穗期的模型1-1(R2=0.392 8,P=0.005 4)、1-2(R2=0.449 8,P=0.011 3)、2-2(R2=0.573 3,P=0.001 7)预测效果较好且较稳定,开花期、灌浆期、乳熟期模型预测效果不理想。本研究结果表明,可以利用植被指数、一阶微分参数较好反演抽穗期小麦条锈病病情,加入氮素因子后预测效果有所提高,说明氮素因子对病情反演有影响。     

基于Landsat TM影像的冬小麦拔节期主要长势参数遥感监测

[目的]强化冬小麦长势遥感监测机制,为田间生产管理提供信息支撑.[方法]以2007-2009年试验实测数据为基础,以Landsat TM影像为数据源,分析试验样点拨节期冬小麦主要长势参数与品质、产量以及卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦拔节期叶面积指数(LAI)、生物量、SPAD值和叶片氮含量(LNC)的模型.[结果]冬小麦拔节期,选用中红外波段的反射率(B5)、归一化植被指数(NDVI)、DSW5和绿波段的反射率(B2)等遥感变量分别反演冬小麦的SPAD值、生物量、LAI和LNC是可行的;SPAD值,生物量、LAI和LNC遥感监测模型的精度较高,以此为基础,制作出了具有实际农学意义的冬小麦拔节期不同等级SPAD值、生物量,LAI和LNC遥感监测专题图,实现了主要长势参数空间分布量化表达.[结论]研究结果可为广大农学家、农业部门决策者和田问管理人员提供及时的农情信息.     

高光谱遥感数据估算蓖麻初级生产力主要参数研究

以蓖麻在不同氮、磷施用水平下的大田实验为基础,研究了高光谱遥感在估测蓖麻初级生产力主要参数中的应用。结果表明,随着施肥水平的提高,蓖麻叶面积指数（LAI）和生物量增大,导致冠层光谱特征发生相应变化,近红外波段（700~900 nm）的反射率显著增大。350~900 nm波段特别是700~900 nm波段的蓖麻冠层光谱反射率值在花果盛期最大,种子成熟期次之,苗期最低,与蓖麻LAI变化一致,可以用来监测蓖麻的长势和营养状态。构建的高光谱植被指数NDVI、RVI与LAI和ABM回归模型确定系数均较高,分别达到了0.6115、0.6363、0.7102和0.6148,可以用来估测不同物候期蓖麻的叶面积指数和地上部分生物量。     

基于小波变换的带状套作玉米叶面积指数光谱估测

【目的】为构建带状套作种植下玉米全生育期叶面积指数光谱估测模型。【方法】基于玉米-大豆带状套作种植模式下的大田玉米氮素试验,测定带状套作玉米不同生育时期的冠层光谱反射率及叶面积指数,比较多种植被指数及小波系数与叶面积指数之间的关系,构建并筛选出最佳叶面积指数估测模型。【结果】带状套作玉米叶面积指数随施氮水平增加而增加,且在各生育时期下差异显著;冠层反射光谱曲线的"绿峰"位置(550 nm)及高反射率平台(760～1 000 nm)反射率在不同施氮水平上差异显著。叶面积指数与冠层光谱反射率在波长范围(400～725 nm、742～1 000 nm)内显著相关(P0.05);叶面积指数与植被指数及小波系数相关性均达到极显著水平(P0.01),其中与自由组合比值植被指数RVI(762,747)相关性最好,相关系数为0.900 4。通过估测模型的构建及筛选,构建了基于db3(750,10)下的小波系数作为光谱变量x的带状套作玉米全生育期叶面积指数估测模型y=-5.84x2+8.417 8x+2.231 1(R2=0.85,RMSE=0.49,RE=19.43%)。【结论】不同施氮水平下玉米冠层光谱和叶面积指数存在差异性,利用高光谱遥感技术可以实现带状套作玉米叶面积指数的实时监测。     

基于高光谱的阿克苏市枣叶面积指数估算模型

[目的]通过将原始光谱数据经过不同的数据变换方式,分析其与枣冠层LAI的相关关系,建立基于高光谱的阿克苏市枣冠层LAI的估测模型,为快速、精确、无损伤、大范围的适时、动态监测植被LAI提供有效途径.[方法]基于原始光谱数据的不同数据变换方式,采用相关性分析和逐步回归分析方法.[结果]不同数据变换后的冠层光谱反射率与枣LAI具有较好的相关性,微分变换后的相关性较原始相关性有所提升.所建模型经过精度评价发现,原始光谱数据经倒数一阶微分变换后估测模型拟合度和预测精度都最高,一阶微分、对数一阶微分、归一化一阶微分次之.[结论]不同数据变换方式后的光谱数据与塔里木盆地枣LAI有显著的相关性,可以用微分、对数微分、归一化微分、倒数微分变换后的数据建立较理想的塔里木盆地枣LAI的估测模型.     

基于高光谱植被指数的冬小麦产量监测

为了研究利用不同生育时期的植被指数监测冬小麦产量,以2 a不同肥料处理的冬小麦为研究对象,分析不同生育时期植被指数与冬小麦产量的关系,构建冬小麦产量的光谱植被指数监测模型。结果表明,植被指数能有效监测冬小麦产量,其中,孕穗期和抽穗期植被指数的监测效果较好,孕穗期的校正均方根误差(RMSEC)和决定系数(R_C~2)分别为1 131.42和0.78,抽穗期的RMSEC和R_C~2分别为1 015.59和0.77,拔节期的监测效果次之,灌浆期和成熟期的监测效果较差;但从作物生产角度考虑,拔节期监测冬小麦产量具有更重要的现实意义。研究表明,利用拔节期植被指数能够实现冬小麦产量的早期估测。