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。     

基于光谱植被指数的冬小麦叶绿素含量反演

植物功能叶的SPAD值与其氮素和叶绿素有较强的相关性,研究功能叶SPAD与其冠层光谱的关系,对实现植株叶绿素含量快速、无损检测具有重要意义。本文通过对冬小麦生育期的冠层原始光谱进行一阶导数变换,研究其功能叶片SPAD值与冠层光谱的相关性,对监测冬小麦叶绿素含量的敏感波段进行了提取,并建立了叶绿素含量与冠层反射光谱的定量关系。结果表明,基于小麦冠层原始光谱反射率、冠层光谱导数反射率与SPAD的相关系数曲线,提取的各形式下冬小麦叶绿素含量的敏感波段分别为500、690、760和470、630、723nm;并构建了冬小麦叶绿素含量的预测模型,以FDNDVI(630,723)预测模型较好,其R2可达0.9485,模型验证参数R2、MRE和RMSE分别为0.8099、0.0294和1.805,拟合效果较好,表明该模型能有效地对冬小麦叶绿素含量进行预测。该研究结果可为冬小麦长势监测提供一定的理论参考。     

不同生育期冬小麦叶面积指数高光谱遥感估算模型

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。     

北京地区冬小麦不同生育期植株氮营养高光谱诊断

[目的]基于冬小麦不同生育期数据,探讨不同生育期何种氮素可以更好的反应冬小麦氮素营养状况,为冬小麦氮素营养精准探测提供新的技术方法。[方法]该文利用2014-2015年北京市昌平区小汤山国家精准农业示范研究基地的冬小麦冠层反射光谱数据和相应植株氮含量及氮累积量数据,开展了不同生育期植株氮素营养高光谱诊断研究并用留一交叉法进行了模型验证。分析了不同生育期植株氮素状况和原始光谱特征、红边参数、常用植被指数之间的相关性,在此基础上构建不同生育期的氮素营养诊断模型并比较分析何种氮素状况可以很好的监测作物氮素营养状况。[结果]最佳植株氮素营养诊断模型随着生育期的变化而变化。拔节期和挑旗期mSR705、开花期REPgauss、灌浆期MTCI为自变量构建的植株氮含量模型可以很好的诊断氮素状况,其中mSR705构建的植株氮含量模型可以较好的监测不同生育期氮素状况,建模的R2分别为0.33、0.73、0.51和0.36;拔节期NBH、挑旗期和开花期MTCI、灌浆期VOGb为自变量构建的植株氮累积量模型可以很好的诊断氮素状况,其中VOGb构建的植株氮累积量诊断模型可以较好的监测不同生育期氮素状况,建模的R2分别为0.70、0.78、0.80和0.63;植株氮累积量诊断模型的精度优于植株氮含量诊断模型的精度,这不仅和叶绿素吸收有关,还与植株生物量有关。[结论]不同生育期氮素营养诊断模型与冬小麦生育期紧密相关,生长阶段氮累积量模型将优先用于估算氮素状况诊断。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

基于高光谱和HJ-1 CCD的水旱地冬小麦叶绿素含量反演

叶绿素作为绿色植物光合作用的必要组成成分,其含量的高低可反映作物的长势状况。实时监测植物叶片叶绿素含量的动态变化是监测植物长势的重要环节。以山西省闻喜县冬小麦为研究对象,基于高光谱技术和实测数据,对研究区冬小麦拔节期的叶绿素含量进行定量估算,并在此基础上利用卫星遥感数据对冬小麦的叶绿素含量进行反演,以达到仅应用卫星遥感数据估测叶绿素含量的目的。结果表明,水旱地冬小麦叶绿素含量敏感波段在可见光区域不同,在近红外区域一致;水旱地分别以DVI和NDVI为变量所构建的预测模型效果最佳,R2值均达到0.9以上,均方根误差分别为0.470 0和0.458 7;对叶绿素含量反演值与实测值对比分析,水地反演值与实测值大致吻合,而旱地反演值则偏高;采用均方根误差(RMSE)法,检验反演值和实际值的符合度,水地RMSE为0.926,旱地RMSE为1.540。     

基于高光谱遥感的玉米全氮含量估测模型

采用高光谱近地遥感技术,获取不同氮素水平下的玉米冠层高光谱数据,通过相关性、线性和非线性的分析方法,探讨玉米整个生育期中各营养器官的全氮含量与多种高光谱参数的相关关系,建立全氮含量的定量估测模型,并利用第2年的数据进行精度检验。结果表明:玉米冠层高光谱数据经过微分、倒数、对数处理后与玉米全氮含量的相关性均有所提高,所选波段基本在可见光波段范围内变化,其中微分处理可以显著提高数据间相关性;在10种植被指数中,玉米叶片全氮含量与植被指数RDVI(811,743)、DVI(811,754)、MSAVI(811,754)相关性都达0.92**以上,玉米叶鞘、茎秆全氮含量分别与RDVI(952,751)、RVI(948,692)相关性达到最大r=0.7867**,r=0.8444**(n=360);植被指数RVI、NDVI与玉米各营养器官叶鞘茎的全氮含量相关性普遍较好,相关系数都在0.75**以上,适合建立玉米植株全氮含量的高光谱估测模型;经过精度检验后,选择均方根误差RMSE小,拟合优度R2大,观测值与预测值的决定系数r2大的回归方程作为估测模型,得出以DVI(811,754)为自变量,估算玉米叶片全氮含量的指数模型y=2.3035e3.6854x(R2=0.859,RMSE=0.0504,r2=0.8772);以RVI(952,743)为自变量,估算玉米鞘全氮含量的二次模型y=1.5964x2-3.5464x+2.8995(R2=0.758,RMSE=0.0261,r2=0.8005);以410nm处的二阶微分为自变量,模拟玉米茎秆全氮含量的二次模型y=7454.8x2+55.335x+0.6496(R2=0.78,RMSE=0.1376,r2=0.8287)。     

冬小麦叶片氮含量遥感估算方法对比研究

精确、快速估算冬小麦叶片氮含量,对冬小麦长势监测及田间管理指导具有重要的研究意义。为精确反演冬小麦叶片氮含量（leaf nitrogen content , LNC）,该文利用遥感方法,依托不同氮处理水平冬小麦试验,基于获取的高光谱遥感数据和LNC地面实测数据,对比分析光谱指数与随机森林算法（random forest , RF）反演冬小麦叶片氮含量的精度和稳健性。结果表明,以敏感波段496 nm、604 nm为自变量,利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高,模型的建模精度为R2=0.922,RMSE=0.290,验证精度为R2=0.873,RMSE=0.397,并且相对分析误差RPD值为2.22,表明将敏感波段与随机森林算法组合构建的反演模型能较好反演对冬小麦LNC。     

冬小麦叶片氮含量的时空分布及光谱监测研究

叶片氮素含量与作物生长密切相关,为明确对氮素响应敏感的叶片位置,比较冠层光谱和叶片光谱预测叶片氮含量的精度,研究基于氮素运筹试验,测定叶片氮含量以及冠层、叶位光谱反射率,分析氮含量与反射率的响应关系。结果表明,冬小麦叶片氮含量随施氮量增加而增加,随生育进程而降低,其中,顶3叶变化幅度最大;孕穗期,各施氮处理含氮量大小趋势基本为顶2叶顶1叶顶3叶,其余时期为顶1叶顶2叶顶3叶,顶2叶对氮素响应也较为敏感;叶片光谱预测不同叶位叶片氮含量PLS模型效果均优于冠层光谱,R2最大达0.810,RMSE为0.242。研究以期为冬小麦氮素研究提供一定的理论依据。     

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。