棉花叶面积指数冠层反射率光谱响应及其反演

【目的】研究棉花冠层光谱对不同叶面积指数（LAI）的响应，建立棉花LAI光谱反演模型。【方法】利用2003～2004年采集的棉花光谱与LAI的246组数据，分析LAI与冠层反射率光谱和反射率一阶微分光谱间的定量关系。【结果】当LAI大于2.5后不同LAI棉花群体光谱反射率在可见光波段趋于饱和；LAI与可见光波段和短波红外波段（水分吸收带除外）光谱反射率呈显著负相关，与近红外波段高光谱反射率呈显著正相关；LAI与棉花反射率一阶微分光谱主要在蓝边（523～531 nm）、黄边（570～576 nm）、红边（700～755 nm）形成3个相关系数高台区，均达极显著水平，其中红边区的相关性最高。棉花红边位置固定，分别在718 nm和723 nm，且以 723 nm处对LAI更敏感。在反演棉花LAI的高光谱参数中VI (660、800)、VI (550、800)、VI (500、800)、VI (670、800)、Sdy (570～573 nm)、SDr (714～755 nm)、D723、Dr 估算LAI相对误差低于30%，RSME小于0.6，其中VI (600、800)、VI(550、800)两个参数估算水平最高，相对误差分别为21.7%与21.0%，RMSE分别为0.416与0.419；利用SDr与SDr/SDb分别对LAI大于1.0 与小于1.0 的棉花群体反演，能显著提高LAI的估算水平。【结论】应用高光谱分析方法能够提取棉花冠层特征光谱信息，构建LAI高光谱反演参数，建立估算模型，并且利用包含不同光谱参数的分段模型可以进一步提高LAI反演精度。     

大豆叶面积的高光谱模型

以ASD FieldSpec-Vnir光谱仪实测不同生长季大豆的冠层反射率,同期采集对应大豆LAI,然后逐波段分析冠层光谱反射率、导数光谱与大豆LAI的相关关系;并采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI确定性系数随波长的变化趋势,建立了以近红外与可见光波段冠层光谱反射率的比值植被指数RVI与大豆LAI的高光谱遥感估算模型。结果表明,冠层光谱反射率在350￣680nm、760￣1050nm波谱区与大豆LAI相关性较大,而在红边区680￣760nm的相关性变化较大;导数光谱在红边区与大豆LAI相关程度高。通RVI方式建立的遥感估算模型能较为准确估算大豆LAI,通过对红外与蓝波段建立的RVI指数与大豆LAI的回归模型,表明其预测大豆LAI的能力较好,有进一步研究的必要;通过对比发现,神经网络模型可以大大提升高光谱反演大豆LAI的水平,模型的确定系数R2为0.9661,而总均方根误差RMSE仅为0.446m2.m-2。     

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。     

小波分析在大豆叶绿素含量高光谱反演中的应用

实测了不同水肥耦合作用下,大豆冠层高光谱反射率与叶绿素含量数据,并对光谱反射率、微分光谱与叶绿素含量进行了相关分析;采用叶绿素A与叶绿素B诊断波段构建了特定植被指数,对叶绿素A、叶绿素B进行了回归分析;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对叶绿素含量进行估算。经分析发现,叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致——在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R2>0.73);小波能量系数回归模型可以进一步提高大豆叶绿素含量的估算水平,以一个特定小波能量系数作为自变量的回归模型,叶绿素A其确定性系数R2为0.76,叶绿素B为0.78;以4变量与9变量回归分析结果表明:叶绿素A实测值与预测值的线性回归确定性系数R2分别大于0.85、0.89;叶绿素B实测值与预测值的线性回归确定性系数R2分别为0.86、0.90。     

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。     

基于ACRM模型与敏感波段的农作物LAI与LCC反演

【目的】面向现代农业生产和管理的数据需求，基于ACRM 冠层反射率模型，探索适 于冬小麦叶面积指数（LAI）和叶片叶绿素含量（LCC）反演的波段选择方案。【方法】文章 考虑高光谱数据降维和CR 模型模拟误差，选出覆盖蓝、绿、红与近红外的5 个波段（波段 选择方案B1），开展LAI 与LCC 同步反演。然后分别选择LAI 和LCC 的敏感波段，开展对 应参数的反演试验。【结果】（1）基于B1，能够在多数田块实现较为准确的LAI 与LCC 同 步反演（LAI 反演值与实测值间决定系数（R2）为0.860 4，均方根误差（RMSE）为0.963； LCC 反演的R2 为0.814 1，RMSE 为0.069）。（2）仅利用LAI 或LCC 敏感波段反演结果的R2 与RMSE 同时略有升高，但与基于B1 的反演结果相比，无明显差异。【结论】通过该研究与 利用相同数据的前期研究对比发现，旨在高光谱数据降维与限制CR 模型模拟误差的波段选 择，对LAI 反演精度改进作用较为显著。相较而言，仅选用单一目标参数（LAI 或LCC）的 敏感波段，对反演精度改进并不明显。由此，一方面证实了常规反演方法与面向对象反演法 不强调选用单一目标参数敏感波段的合理性；另一方面，并不否定多阶段目标决策（MSDT） 反演法以及一些相关研究提出的，仅采用单一目标参数敏感波段来开展反演的合理性。     

估算水稻叶面积指数的调节型归一化植被指数

【目的】叶面积指数（LAI）是描述植物冠层结构、群落生长分析和陆地生态系统研究的重要参数,提高叶面积指数的估算精度是遥感工作者的重要研究方向之一。【方法】通过不同氮素营养水平的水稻小区实验,利用2004年中稻高光谱反射率数据,模拟中等分辨率成像光谱仪（MODIS）前四个通道,提出包含蓝、绿、红和近红外四个谱段的调节型归一化植被指数ANDVI（adjusted-normalized difference vegetation index）。对ANDVI和归一化植被指数NDVI（normalized difference vegetation index）、增强型植被指数EVI（enhanced vegetation index）、绿波比值指数GRI（green ratio index）、红边比值指数RRI（red-edge ratio index）等5个光谱植被指数与水稻LAI的相关关系进行了分析。利用2004年晚稻试验数据,对与LAI相关关系较好的ANDVI进行验证。【结果】ANDVI指数模型预测效果最好,均方根误差为1.771,估算精度达到63.1%。【结论】说明ANDVI具有进行在大面积范围内监测水稻LAI的能力。     

玉米光合有效辐射分量高光谱估算的初步研究

 【目的】光合有效辐射分量（FPAR）是各种生产力模型、作物估产模型等的重要参数,本文将对高光谱估算FPAR效果作初步探讨分析,为提高FPAR估算及遥感产品验证精度和各种生态模型模拟精度提供科学支持。【方法】本文基于地面实测玉米数据,详细分析了光合有效辐射分量与光谱反射率及其一阶导数之间的相关关系及FPAR估算机理,并利用反射率、一阶导数、植被指数方法研究了玉米冠层FPAR估算效果。【结果】玉米FPAR与整个可见光波段反射率相关性都相对较好,明显好于近红外波段;FPAR与一阶导数的相关关系曲线波动较反射率大,仅520、570、670、805、950和1 010 nm几个波长处一阶导数与FPAR相关性较好。FPAR与典型单波段反射率和一阶导数具有较好拟合关系,确定性系数分别高达0.791和0.882。总的来说,一阶导数法和植被指数法估算FPAR效果较反射率法好些,其中一阶导数的多波段逐步回归分析取得最优的估算效果,R2高达0.944。除红、绿和常用的近红外波段外,375nm附近紫色波段和950nm附近的近红外波段用于估算FPAR也可以得到较理想的结果,特别是水分强吸收的波段具有较好的提高FPAR估算精度的潜力。【结论】一阶导数法和植被指数法估算FPAR效果稍好,充分挖掘高光谱数据估算FPAR潜力,选择最佳波段能够较好得提高FPAR估算精度。     

棉花冠层叶片叶绿素含量与高光谱参数的相关性

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。     

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。     

新疆北疆棉花多元复合遥感估产模型研究

[目的]揭示棉花产量与棉花叶面积指数( LAI)、归一化植被指数(NDVI)相关关系,辨识新疆北疆棉花遥感估产最佳时相,建立棉花产量与LAI及NDVI间的多元复合遥感估产模型,为大面积棉花生产管理和估产提供理论参考.[方法]以TM影像为数据源,结合实地调查的棉花LAI、NDVI和产量等数据,对影像数据进行校正,最后用统计学方法分析棉花指数与产量数据间关系和建模.[结果]棉花LAI在各生育期呈先升后降的趋势,花铃期最高,均值为3.69;棉花NDVI在各生育期基本处于稳定的较高水平,棉花生长旺盛,长势较好;棉花蕾期和花铃期LAI与产量呈极显著正相关,花铃期相关系数最高,达到0.75;新疆北疆棉花最佳估产时相为花铃期,最优估产模型为Y=17.76 LAI - 123.05 NDVI +232.15.[结论]利用LAI和NDVI建立多元复合估产模型能有效提高棉花的估产精度.     

基于高光谱特征波长的冬小麦水分含量估测模型

【目的】以高光谱技术为核心,结合理化数据,建立快速、无损的冬小麦冠层水分含量估算模型,为利用高光谱技术进行小麦水分含量的无损检测提供参考。【方法】测定两种冬小麦的叶片、植株含水量,采集其光谱数据作SG平滑、一阶导数和二阶导数处理,分析其相关关系,构建冬小麦叶片和植株含水量的多种估算模型,进行精度评价。【结果】不同光谱数据处理中一阶导数变换能够显著增加与小麦含水量的相关性,叶片含水量在456 nm波长处达到了最大负相关,相关系数为0.87,植株含水量在457 nm波长处达到了最大负相关,相关系数为0.890 9;偏最小二乘回归构建的水分含量估测模型拟合精度优于线性和多元回归模型,线性模型采用R₆₅₀、SG₁₉₄₄、R′₄₅₆、R″₆₈₁构建的模型估测叶片含水量较好,估测植株含水量R₆₆₄、SG₆₆₃、R′₄₅₇、R″ ₆₈₁精度较高; 多元线性回归和偏最小二乘回归都是采用一阶导数变换构建的模型拟合精度最高,叶片和植株水分含量估测模型的外部检验R²分别达到0.803 2、0.867 0、0.854 0、0.885 6。【结论】小麦原始光谱一阶导数变换后能够显著提高与水分含量的相关性,利用PLSR方法构建的小麦水分含量估测模型拟合精度最高。     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【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（R²）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R²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。     

Hyperspectral Estimation of Corn Fraction of Photosynthetically Active Radiation

Fraction of absorbed photosynthetically active radiation （FPAR） is one of the important variables in many vegetation productivity and biomass estimation models. Therefore, it is significant to retrieve FPAR accurately for the improvement of model precision. On the basis of the field experiment, this article analyzed the correlations between corn canopy FPAR and spectral reflectance, and reflectance derivative. Discussion about the mechanism of FPAR estimation with different empirical models is based upon corn canopy reflectance, reflectance derivative, NDVI （normalized difference vegetation index） and RVI （ratio vegetation index）. The reflectance of visible bands showed much better correlations with FPAR than near-infrared bands. The correlation between FPAR and reflectance derivative varied more frequently and greatly than that between FPAR and reflectance, and with preferable correlation only around 520, 570, 670, 805, 950, and 1 010 nm. Reflectance and reflectance derivative both had intimate correlation with FPAR at some typical single band, with the maximum R^2 of 0.791 and 0.882, respectively. In a word, reflectance derivative and vegetation index were much effective in the estimation of corn FPAR than reflectance, and the stepwise regression of multibands with reflectance derivative showed the best regression with R^2 of 0.944. Reflectance at 375 and 950 nm with absorption characteristics caused by water showed prodigious potential for FPAR precisely estimating model establishment. On the whole, vegetation index and reflectance derivative had good relationships with FPAR, and could be used for FAPR estimation. It would be effective for choosing right bands and excavating the hyperspectral data to improve FPAR estimating precision.     

不同算法红边位置监测小麦冠层氮素营养指标的比较

【目的】红边位置常被用于监测作物叶片氮素营养状况。本文旨在通过不同算法提取红边位置,分析并比较不同算法提取的红边位置对氮素营养监测模型的准确性和可靠性差异,确定监测小麦叶片氮素营养的最佳红边位置算法及定量模型。【方法】基于不同施氮水平、播种密度、品种类型和生育时期的小麦田间试验,系统分析不同算法的红边位置(一阶微分、倒高斯法、多项式拟合法、四点内插法、拉格朗日法、线性外推法)与冠层叶片氮素营养指标的定量关系,比较不同算法红边位置对氮素营养监测的准确性和可靠性。【结果】线性外推法为计算小麦红边位置的最佳算法,并建立了基于线性外推法的小麦冠层叶片氮素营养定量监测模型。【结论】研究结果为小麦冠层叶片氮素营养指标的可靠监测提供了有效途径。