首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 17 毫秒
1.
基于Landsat TM影像的冬小麦拔节期主要长势参数遥感监测   总被引:6,自引:1,他引:5  
[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.  相似文献   

2.
为了分析高分一号卫星(GF-1)影像在冬小麦长势监测中的有效性和适宜性,以建湖县冬小麦为研究对象,选取12个植被指数作为遥感监测指标,运用回归分析法探讨遥感监测指标与地面实测冬小麦长势参数的关系,并以回归模型的决定系数(R~2)作为反演精度的评价指标。研究发现,叶面积指数(LAI)、密度和生物量的反演精度较高,其中LAI的反演精度在拔节期最高[监测指标:红蓝色归一化植被指数(RBNDVI),R~2:0.689 4],密度的反演精度在拔节期最高[监测指标:优化的土壤调节植被指数(OSAVI),R~2:0.543 8],生物量的反演精度在孕穗期最高[监测指标:归一化植被指数(NDVI),R~2:0.448 6],说明GF-1影像适合在拔节期进行冬小麦LAI、密度的监测,在孕穗期进行生物量监测。土壤含水量、株高和叶绿素含量(SPAD值)的反演精度较差,最佳回归模型的R~2皆低于0.360 0,说明所选的12个遥感监测指标不适合反演这3个长势参数。除乳熟期外,其他4个生育期中都是LAI的反演精度最高,可见GF-1影像的遥感监测指标与LAI的相关性最好,反演精度最高。本研究结果说明,在进行冬小麦长势监测时,不同的生育期需要采用不同的监测指标,同时GF-1影像则更适合在拔节期和孕穗期进行冬小麦的长势监测。本研究结果在一定程度上为GF-1影像在农情遥感监测中的应用提供了科学依据。  相似文献   

3.
水旱地冬小麦植株氮素含量的高光谱监测   总被引:4,自引:3,他引:1  
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。  相似文献   

4.
为利用遥感技术快速、无损伤监测不同播期冬小麦LAI,通过大田和室内试验,对5个不同播期处理的冬小麦LAI进行了测定,并在此基础上建立了基于反射光谱的不同播期冬小麦LAI监测模型。结果表明,在4个播期处理和一个所有播期组合下所建立的LAI监测光谱模型中,以播期3条件下的PVI(1460,460)和LAI相关性最好,决定系数可达0.8296,播期3是监测冬小麦LAI的最适播期,依此所建立的冬小麦LAI监测光谱模型是可行的。同时,所有播期组合的LAI与PVI(1460,460)也有较高的相关性,说明在此基础上所建立的模型具有较好的普适度,这为冬小麦品质的大尺度遥感监测和小麦生产的宏观管理调控提供理论依据。  相似文献   

5.
基于SPOT-5影像的冬小麦拔节期生物量及氮积累量监测   总被引:8,自引:0,他引:8  
王备战  冯晓  温暖  郑涛  杨武德 《中国农业科学》2012,45(15):3049-3057
【目的】建立基于SPOT-5遥感信息的冬小麦拔节期地上部生物量和氮积累量的遥感监测模型,为利用SPOT-5影像进行大面积小麦生产力预测和氮素调控提供依据。【方法】分析冬小麦拔节期地上部生物量和氮积累量与同期SPOT-5光谱参数之间的定量关系,筛选出适宜的光谱参数,建立并评价冬小麦拔节期地上部生物量和氮积累量的遥感监测模型。【结果】绿光、红光和近红外波段反射率与冬小麦拔节期地上部生物量和氮积累量的相关系数均达到极显著水平。其中,近红外波段反射率对地上部生物量反应最敏感,绿光波段反射率则对地上部氮积累量反应最敏感。利用归一化植被指数(NDVI)为变量建立地上部生物量指数函数遥感监测模型表现最优,决定系数(R2)达到0.696**,均方根误差(RMSE)达到258.92 kg•hm-2。利用近红外和绿光波段反射率的比值为变量建立地上部氮积累量线性函数遥感监测模型表现最优,R2达到0.717**,RMSE达到19.24 kg•hm-2。依据上述模型,制作了研究区冬小麦拔节期地上部生物量和氮积累量遥感监测专题图。【结论】SPOT-5影像在冬小麦拔节期小麦长势监测中能够获得较高精度,具有广泛的应用前景。  相似文献   

6.
基于随机森林算法的冬小麦叶面积指数遥感反演研究   总被引:10,自引:1,他引:9  
【目的】通过利用随机森林算法(random forest,RF)反演冬小麦叶面积指数(leaf area index,LAI),及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析(correlation coefficient,r)和袋外数据(out-of-bag data,OOB)重要性分析与随机森林算法(random forest,RF)相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数(R~2)分别为0.805、0.899,均方根误差(RMSE)分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R~2为0.761,RMSE为0.320,数值范围(1.02—6.41)与地面实测(1.29—6.81)亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。  相似文献   

7.
基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据,分析返青期、拔节期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性,并构建基于等效TM数据的植被指数,建立不同生育时期的冬小麦叶面积指数(LAI)的高光谱遥感估算模型。结果表明:(1)返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好,在400~720 nm波长范围内呈负相关,在720~900 nm之间呈正相关,开花期的冬小麦LAI与冠层光谱相关性较差;(2)返青期、拔节期冬小麦LAI与光谱一阶微分显著相关,分别在480~540 nm、550~580 nm形成波峰、波谷,在670~760 nm范围内形成"平台",相关系数达到0.8以上,但抽穗期、开花期LAI与光谱一阶微分的相关性较差;(3)在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中,分别使用m SRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳,最优模型分别为y=0.053e4.962x,y=0.409x0.828,y=18.687x3.061,对应的r2分别为0.589、0.648、0.694,开花期不适宜使用等效植被指数建立遥感监测模型。  相似文献   

8.
基于无人机图像的小麦主要生育时期LAI估算   总被引:1,自引:1,他引:0  
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。  相似文献   

9.
利用MODIS数据提取了7种不同植被指数(LST/VI)作为遥感参数,将其与地面实测含水量进行相关性分析,探索不同植被指数与土壤、植株含水量的关系,旨在为山西省冬小麦农田含水量监测提供科学依据。结果表明:与植被供水指数相比,LST/DVI和LST/RDVI在拔节期进行冬小麦干旱监测较好;而在抽穗期LST/PVI、LST/SAVI可代替LST/NDVI来监测冬小麦干旱;成熟期利用LST/PVI进行干旱监测,其效果明显好于LST/NDVI。  相似文献   

10.
【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数(LAI)是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号