用投影寻踪降维方法估测冬小麦叶绿素密度

为综合更多有效信息来提高冬小麦叶绿素密度的估测精度,应用投影寻踪降维方法对条锈病胁迫下冬小麦冠层光谱进行降维,生成一维向量,然后采用支持向量机回归方法对其叶绿素密度进行估测,并与高光谱植被指数估测结果进行了比较。结果表明,以小麦冠层一阶微分光谱与叶绿素密度相关性较高的波段(400~500nm、720~770nm和840~870nm)进行投影寻踪降维得到的最优一维向量为自变量,利用支持向量机回归方法构建的冠层叶绿素密度估测模型的精度最高,决定系数为0.867,均方根误差与相对误差均最小,分别为1.135μg·cm-2和13.6%。说明利用投影寻踪降维技术对条锈病胁迫下冬小麦冠层光谱进行降维处理,可以保留有效信息,提高冬小麦叶绿素密度估测精度。     

小波特征与传统光谱特征估测冬小麦条锈病病情严重度的对比研究

为探讨通过小波特征监测小麦条锈病发病程度的可行性,利用连续小波变换提取的小麦冠层光谱350~1 300 nm范围内的9个小波特征和传统光谱特征（植被指数、一阶微分变换特征和连续统特征）,借助偏最小二乘回归（PLSR）建立反演模型,分别将传统光谱特征（SFs）、小波特征（WFs）及传统光谱特征与小波特征结合(SFs & WFs）作为模型的输入,对小麦条锈病病情进行反演。结果表明：（1）小波特征与条锈病严重度的相关性比传统光谱特征强;（2）基于小波特征的模型估测精度（R为0.837）优于基于传统光谱特征的模型估测精度（R为0.824）;（3）传统光谱特征与小波特征结合的模型精度最高,R为0.876,RMSE仅为0.096,因而传统光谱特征与小波特征相结合能够更好地对小麦条锈病病情严重度进行估测。     

基于光谱指数的冬小麦冠层叶绿素含量估算模型研究

为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合,同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果,通过分析350~2 500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系,建立冬小麦冠层叶绿素含量估算模型。结果表明,选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71,标准误差均小于1.842。利用独立试验资料进行检验,表现最好的是RSI(FD_(689),FD_(609))和SASI(R_(491),R_(666))L=0.01,预测精度高达98.2%,模型精确度和可靠性较高。     

基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究

为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。     

基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算

为探讨基于Dualex植物多酚-叶绿素仪和高光谱遥感技术反演小麦叶绿素含量的可行性,利用Dualex植物多酚-叶绿素仪,测定不同生育时期冬小麦叶片叶绿素含量(Chl),同时进行叶片光谱测定,以对Chl敏感的1个一阶导数波段、3个三边参数和3个植被指数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建估测模型,并利用验证样本对各生育时期估测模型进行精度检验,同时与传统的单因素模型进行了比较。结果表明,冬小麦反射光谱曲线在不同生育时期有所不同,且随着叶绿素含量的增加,可见光波段的光谱反射率不断降低;在以一阶导数光谱敏感波段、三边参数以及植被指数构建的冬小麦Chl单因素估算模型中,基于各生育时期显著相关的植被指数构建的模型精度最优;以7个参数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建的模型在各生育时期均表现出较好的拟合性及预测精度,尤其利用SVR建立的模型建模决定系数在0.8以上,预测决定系数在0.7以上,是进行冬小麦叶片Chl估测的最优模型。     

基于优化光谱指数的新疆春小麦冠层叶绿素含量估算

为筛选可用于干旱半干旱区春小麦冠层叶绿素含量估算的高光谱植被指数,2017年通过测定春小麦关键生育时期冠层的田间高光谱与叶绿素含量,利用光谱指数波段优化算法分别计算400～1 300 nm光谱波段中不同波段两两组合的比值光谱指数(ration spectral index,RSI)、归一化光谱指数(normalized difference spectral index,NDSI)、叶绿素指数(chlorophyll index,CI)、简化光谱指数(CI/NDSI,NPDI),并将这些参数及其他17个不同高光谱植被指数分别与实测冠层叶绿素含量进行Pearson相关分析,通过变量重要性准则筛选最优光谱参数,使用偏最小二乘回归法建立冠层叶绿素含量的预测模型。结果表明:(1)RSIs、NDSIs、CIs和NPDIs与冠层叶绿素含量的相关性都优于前人研究中定义的17种高光谱植被指数,并且冠层叶绿素含量与NDSI(R_(849),R_(850))、RSI(R_(849),R_(850)),CI(R_(849),R_(850))和NPDI(R_(849),R_(850))表现出强相关性。(2)用此4个优化光谱指数分别建模时,以CI(R_(849),R_(850))、 CI(R_(539),R_(553))、 CI(R_(540),R_(553))、 CI(R_(536),R_(553))为自变量的X-3模型预测精度最高(r~2=0.74,RMSE=0.272 mg·g~(-1))。(3)结合4个优化光谱指数构建的组合模型预测精度,其r~2=0.83,RMSE=0.187 mg·g~(-1)。     

不同土壤质地小麦叶片叶绿素的高光谱响应及估测模型

为给小麦生长过程中叶绿素的实时监测和氮肥调控提供参考,设置3种不同土壤质地(沙土、壤土和粘土)、5种不同施氮水平(0、120、225、330和435kg·hm-2)和3个河南省主栽小麦品种(矮抗58、周麦22和郑麦366),同步测定小麦主要生育时期冠层光谱反射率和叶绿素(Chla+b)含量,系统分析了3种土壤质地条件下小麦Chla+b含量与350~1 050nm波段范围内冠层光谱参数的相关关系。结果表明,3种土壤质地下小麦叶绿素的冠层光谱响应趋势基本一致。光谱指数REPIG和mND705对叶片Chla+b含量的监测效果较好,建模决定系数分别为0.76和0.75。利用独立样本数据对用于建模的此二光谱参数进行检验,其预测效果表现较为稳定,预测决定系数分别为0.87和0.85,均方根偏差分别为0.46和0.48。说明利用光谱指数REPIG和mND705为自变量建立的估测模型可以较好地预测当地生产条件下小麦叶片叶绿素,同时为氮肥施用及调控提供技术依据。     

多光谱与热红外数据融合在冬小麦产量估测中的应用

为了解多光谱与热红外数据融合对冬小麦产量估测精度的影响,以30个黄淮麦区冬小麦品种为材料,利用三种灌溉处理（处理1、处理2和处理3灌水量分别为240、190和145 mm）下冬小麦拔节期、挑旗期、抽穗期与灌浆期的无人机多光谱和热红外动态数据,构造了多个光谱指数,以支持向量机构建冬小麦产量估测模型,并验证其精度。结果表明,植被指数与籽粒产量的相关性受溉水量影响,处理1下植被指数与籽粒产量均呈正相关,处理2下植被指数除土壤调整植被指数（SAVI）和转化叶绿素吸收反射指数（TCARI）外均与籽粒产量呈正相关,处理3下植被指数与籽粒产量均呈负相关。通过多光谱和热红外数据融合构建的冬小麦产量估测模型的预测精度比仅使用多光谱数据构建的模型提高8%。不同灌溉条件下,通过多光谱与热红外数据融合构建的模型的预测精度存在差异,在处理1、处理2和处理3下拔节期、挑旗期、抽穗期和灌浆期验证决定系数（R）最高值分别为0.63、0.68和0.56,均方根误差（RMSE）最低值分别为0.60、0.24和0.41 t·hm^-2,且在三种灌溉条件下灌浆期预测效果均最佳。因此,利用无人机光谱对小麦品种产量估测时应将多光谱与热红外数据融合,用支持向量机（SVM）算法构建产量估测模型,且模型在灌浆期具有较高预测  精度。     

基于SVM的县域冬小麦种植面积遥感提取

冬小麦种植面积的精确提取,对于农业部门进行冬小麦生长监测与产量估测有着重要的支撑作用。本研究在对Landsat-8卫星15 m×15 m空间分辨率遥感影像进行预处理的基础上,基于最佳波段指数(OIF),采用支持向量机(SVM)算法中四种核函数进行影像分类,并比较分类精度,选择精度最高的核函数作为SVM最优核函数对盐城市大丰区冬小麦种植面积进行提取,与最大似然法、最小距离法的结果进行对比。结果表明,四种核函数中,Linear核函数分类精度最高,达到98.56%。将Linear核函数作为SVM最优核函数对大丰区冬小麦种植面积进行提取,提取到的种植面积为71 834.4 hm~2,提取精度、分类精度和Kappa系数分别为91.25%、98.56%和0.98。基于SVM的冬小麦面积提取效果明显好于传统监督分类方法,说明使用支持向量机与影像光谱特征进行影像分类能够准确提取县域冬小麦种植面积。     

基于支持向量机模型的冬小麦全蚀病为害等级遥感监测

为了解利用高光谱遥感技术对小麦全蚀病进行有效监测的可行性,对感染不同发病等级全蚀病的冬小麦冠层光谱反射率数据进行采集分析,选取监测敏感波段,在Matlab和Libsvm工具箱支持下,利用支持向量机分类方法构建小麦全蚀病病害等级预测模型。结果表明,在不同程度小麦全蚀病的为害下,小麦冠层光谱反射率存在明显变化。通过对数据分析,选择700~900nm波段作为敏感波段进行训练建立模型的结果最好;经检验,基于此波段构建的预测模型预测值与实际值相关系数可达0.943,均方根达0.63,因此生产上可利用波段光谱特征对小麦全蚀病进行监测。     

基于Sentinel-2影像和机器学习算法的冬小麦秸秆覆盖度遥感估算

为探究大范围小麦秸秆覆盖度(CRC)估测方法，以冬小麦秸秆为研究对象，基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合，利用灰色关联-随机森林(GRA-RF)敏感特征提取方法，结合高斯过程(GPR)、套索(LASSO)、岭回归(RR)和偏最小二乘(PLSR)等多种机器学习算法，开展小麦CRC估算的最优模型研究。结果表明，基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度，LASSO算法总体对小麦CRC的估测效果最佳，并且针对不同的光谱特征组合表现出差异化的结果。其中，以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优(r²=0.65,RMSE=9.25%),以波段与纹理两者组合特征估算的CRC精度次之(r²=0.63,RMSE=9.31%),仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征；相比于单一特征，光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度...     

基于倾斜遥感观测的小麦白粉病胁迫下叶绿素含量监测

为了探讨多角度遥感在白粉病胁迫下监测小麦叶绿素含量的适宜角度,以易感白粉病品种偃展4110和中感白粉病品种国麦301为试验材料,获取三种不同生长环境(病圃田、接种田和自然感病田)下抽穗至灌浆期小麦冠层多角度反射光谱及叶绿素含量,分析不同时期叶绿素含量变化及其与多角度反射率的关系,建立白粉病胁迫下小麦叶绿素含量监测模型。结果表明,由红边波段构建的光谱参数对白粉病胁迫下叶绿素含量变化反应敏感。优化筛选出的植被指数与叶绿素含量之间的相关性在前向角度观测时优于垂直角度观测,而垂直观测角度好于后向角度观测,整体上以前向20°最佳。植被指数中,光谱参数RES(红边对称度)表现较好,在前向20°下的监测精度达0.725。因此,在前向20℃观察条件下可用RES对白粉病危害后小麦冠层叶绿素含量变化进行有效监测。     

基于近地高光谱信息的小麦条锈病病情指数反演

为探究小麦条锈病病情状况与冠层光谱的关系,通过田间人工接种条锈病菌,在不同生育期测定各个种植小区的冠层光谱、病情指数,对测定的光谱进行了连续统去除,提取光谱吸收深度、吸收峰总面积、吸收峰左端面积、对称度等吸收特征参数,计算光谱敏感度值,以病害区光谱吸收特征参数和光谱敏感度两个指标定量分析了小麦病害随生育期推进的变化程度,并且以不同生育期的光谱敏感度值和全生育期吸收特征参数为自变量建立回归模型,精确反演了小麦全生育期的病情指数。结果表明,以光谱敏感度值为自变量的组合模型预测值拟合度为0.97,以光谱吸收特征参数为自变量的模型预测值拟合度为0.95,均达到显著水平。     

陇南、陇东和关中地区小麦条锈病远程预警系统

为有效预测预报小麦条锈病,采用跨平台动态网页语言JAVA和数据库管理系统MySQL,以近30年积累资料构建的模型为基础,结合专家经验,建立了陇东、陇南和关中地区小麦条锈病远程预警系统(http://wrs.nwsuaf.edu.cn)。本系统由条锈病预测、信息管理、用户登录和后台管理4个模块组成,可以实现小麦条锈病流行程度的长、中、短期预测,以及病害造成的损失预测和病害防治的关键时期预测。利用平凉、天水和宝鸡2000-2013年间的相关资料对该系统进行了检验,其长、中、短期预测准确率分别为85.7%、92.6%和92.6%,可实现小麦条锈病准确远程预测和数据管理。     

基于模拟光谱数据的冬小麦播期遥感监测最佳时相研究

为利用高时空分辨率的航天数据对区域冬小麦播期实现尽早监测,对冬小麦播期的不同遥感监测时相精度进行了分析。首先利用耦合作物模型和辐射传输模型模拟不同播期冬小麦从播种至返青的冠层光谱反射率,分析不同播期的冠层光谱响应差异,选取对不同播种日期敏感的波段。然后,根据敏感波段的冠层光谱,选择训练样本并计算不同播期之间的J-M距离,初步判断出光谱可分性较好的时相。最后,对不同的播期进一步进行判别分析,判定未知类别样本的所属类别。根据正确分类的精度,在华北平原北部选择播期监测的最佳时相为12月中旬,精度达到89.5%。     

基于多源遥感数据和机器学习算法的冬小麦产量预测研究

为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F₇代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型。结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量。相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数（r²）为0.74,平均均方根误差（RMSE）为517.78 kg·hm_-2。相对于决策树（DT）、随机森林（RF）、支持向量机（SVM）三种传统机器学习算法,岭回归（RR）算法预测产量的精度最高,平均r²为0.73,平均RMSE为516.1 kg·hm_-2。与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r²高达0.77,RMSE也较低。SVM 、RF、DT、RR四种机器学习算法和RGB、ASD、UAV、UGV四个传感器构成的算法-传感器集成方法的预测精度提升,r²为0.79,RMSE降至469.98 kg·hm_-2。因此,利用Stacking集成方法将不同算法、传感器进行结合,能够有效地提高冬小麦产量预测精度。