基于MIMICS模型的麦田地表土壤含水量反演研究

为尝试联合应用光学与微波遥感数据反演小麦覆盖区土壤含水量的可行性,收集了2014年3月28日RADARSAT-2微波数据和2014年3月24日Landsat8光学数据,同时开展了地面同步试验,测量了49个点的地面数据.首先根据地面实测数据优化了光学遥感反演地表小麦含水量模型,然后利用MIMICS 模型和AIEM模型模拟研究区后向散射系数生成训练数据集,再以Matlab为平台建立BP神经网络、SVM(Support Vector Machine)、MEA-BP (Mind Evolutionary Algorithm-Back Propagation)神经网络、LS-SVM(least squares support vector machine)方法模型,构建小麦覆盖区地表土壤含水量反演模型,最后利用地面实测数据对反演模型进行了精度验证.结果表明,以LS-SVM方法构建的小麦覆盖区地表土壤含水量反演模型的精度最好,其RSME为0.010,相对误差为6.57％.说明联合应用光学与微波遥感数据,并结合简化MIMICS模型构建小麦覆盖区地表土壤含水量反演模型,其反演精度较高且具有可行性.     

利用无人机数字图像监测不同棉花品种叶面积指数

叶面积指数是表征作物光合作用能力大小的重要参数。本文利用无人机数码相机获取9个棉花品种全生育期冠层数字图像，基于归一化绿－红差值指数Normalized green-red difference index，NGRDI、 可见光大气阻抗植被指数（Visible atmospherically  resistant  index，VARI）、过绿指数（Excess green index，ExG）、过绿减过红植被指数（Excess green minus excess red index，ExGR）和绿叶植被指数（Green leaf index，GLI）5种常用的可见光颜色指数，通过多阈值分割，提取小区中心部位植被覆盖指数，研究不同植被覆盖指数反映棉花叶面积指数的差异。通过设置相机不同曝光时间筛选出在自动曝光下表现较稳定的基于颜色指数的植被覆盖指数GLI、NGRDI与ExG。然后研究了棉花叶面积指数以及基于GLI、NGRDI与ExG的植被覆盖指数变化规律，以及两者的相关性。结果表明：叶面积指数随播种后时间的增加先增大后减小，花铃期叶面积指数达到峰值；基于 ExG、GLI、NGRDI 的3种植被覆盖指数在生育期内都呈现开口向下的二次曲线；叶面积指数与基于NGRDI、ExG的植被覆盖指数呈显著线性相关，尤其是在吐絮期前，决定系数（R2）分别为0.913、0.912，基于NGRDI的估测效果显著好于ExG。利用基于NGRDI的植被覆盖指数预测试验田叶面积指数并形成分布图。因此，利用无人机搭载普通数码相机获取棉田叶面积指数是可行的，该方法可为指导生产管理提供参考。     

基于Prosail模型和Landsat 8数据的小麦冠层含水量反演比较

为对比分析Prosail模型和Landsat 8数据在植被含水量反演中的效果,以冠层等效水厚度为植被含水量指标,首先基于地面实测植被参数和Landsat 8波谱响应函数,得到基于Prosail模型的宽波段反射率,并基于模拟宽波段数据和TM8卫星数据构建归一化植被指数（NDVI）、增强型植被指数（EVI）及两种归一化差值水分指数（NDWI）,评价每种指数与小麦冠层含水量的相关性,再基于模拟植被数据、TM8植被数据和小麦冠层含水量,开展植被水分含量的建模和验证分析。结果表明,基于Prosail模型模拟得到的NDWI5和基于Landsat 8构建的NDWI5在小麦冠层含水量反演中的精度均优于NDVI、EVI和NDWI7,且二者的反演精度较为一致,可为地面实测数据过少的区域植被冠层含水量遥感反演提供一种新的思路。     

综合近红外-红波段-短波红外三波段光谱特征空间的小麦冠层含水量反演

为提高返青期-拔节期-开花期-灌浆期不同覆盖条件下小麦冠层含水量的遥感反演精度，综合分析基于Nir-Red和Nir-Swir光谱特征空间开展作物含水量监测的优势与局限，利用垂直干旱指数（perpendicular drought index，PDI）和短波红外垂直失水指数（shortwave infrared perpendicular water stress index，SPSI）的比值形式，构建了一种基于近红外-红波段-短波红外（Nir-Red-Swir）三波段光谱特征空间的垂直植被水分指数（three-band perpendicular vegetation water index，TPVWI）。结果表明，在不同生育时期，TPVWI与小麦冠层含水量（vegetation water content，VWC)均具有显著相关关系（P<0.01），且对植被含水量的敏感性优于PDI、作物水分监测指数（plant water index，PWI）、SPSI和NDVI 4种植被指数，且在反映小区域内小麦冠层含水量的时空趋势上有较好的表征能力。对比地面实测数据，利用TPVWI建立的作物含水量估测模型的预测精度较高，r与RMSE分别为0.763和2.296%，说明利用综合Nir-Red-Swir三波段光谱空间特征的植被水分指数在监测不同覆盖条件下的作物含水量具有一定的可行性，可丰富当前作物冠层含水量遥感监测的理论方法。     

EPIC模型对华北平原冬小麦与夏玉米生长和产量模拟的适用性评价

为验证EPIC模型应用于华北地区农业生产的适用性,利用禹城生态试验站的试验观测数据对该模型参数进行了修订,构建了适合华北平原的模型参数数据库,并分别验证了2003-2005年冬小麦、2004年夏玉米的叶面积指数、生物量和产量模拟的精度与适用性。结果表明,EPIC模型对禹城站冬小麦和夏玉米叶面积指数和地上部生物量的模拟值和实测值随时间的变化趋势大体一致,决定系数均高于0.81;EPIC模型对禹城站2004、2005年冬小麦产量的模拟误差分别为1.61%和-2.56%,对2004夏玉米产量的模拟误差为-2.60%。因此,该模型模拟产量的绝对误差低于2.60%,适用于华北平原冬小麦和夏玉米的产量评估。     

基于连续小波变换定量反演冬小麦叶片含水量研究

为了解连续小波转换对利用冬小麦冠层高光谱数据反演叶片含水量精度的提高效果,以河北省衡水市安平县为研究区,基于野外高光谱数据,提取、筛选其光谱特征敏感波段,应用光谱指数、连续小波变换进行光谱处理,并采用偏最小二乘法构建冬小麦叶片含水量的定量反演模型。结果表明,连续小波变换可明显凸显冬小麦冠层光谱特征,提升其对叶片含水量的敏感性。在连续小波变换下,基于1尺度构建的冬小麦叶片含水量的反演模型为最优模型,模型的决定系数(r~2)和RMSE分别为0.756和0.994%,独立样本验证时r~2和RMSE分别为0.766和1.713%,说明反演模型的拟合效果和预测精度均较高。因此,利用连续小波变换可将冠层光谱信息进行二次分配,能有效将有益信息与噪声信息进行分离,提升光谱信息对冬小麦叶片水含量的敏感性,增强冬小麦叶片水含量的预测能力与稳定性。     

基于成像高光谱仪的大豆叶面积指数反演研究

高光谱遥感能连续获取地物光谱图像,这一技术能大大提高估算叶面积指数的水平。利用无人机搭载成像高光谱仪获取作物光谱信息反演叶面积指数对精准农业生产与管理意义重大。通过灰色关联度排序、赤池信息量准则和偏最小二乘法(GRA-PLS-AIC)选择了三角植被指数(TVI)、比值植被指数(RVI)、红边植被指数(NDVI705)、归一化植被指数(NDVI)和重归一化植被指数(RDVI)5种植被指数,结合田间实测的叶面积指数数据,采用经验模型构建多指数反演模型。通过无人机为平台同步搭载数码相机和成像高光谱仪,在山东省嘉祥县一带获取了大豆生殖生长期内的遥感影像,同时利用LAI-2200C植物冠层分析仪进行叶面积指数测定,将获取到的遥感影像和地面实测数据进行叶面积指数的反演。结果表明:在大豆生殖生长期内建多指数模型,建模结果的预测值和实测值的R~2和RMSE分别为0.701和0.672,验证结果的R~2和RMSE分别为0.695和0.534,预测模型有比较高的精度和可靠性,利用该模型来反演LAI是准确的,生成的大豆LAI分布图能反映当地当时大豆的真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和成像高光谱仪组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,构建的多指数模型适用于大豆生殖生长期。     

植被覆盖度对冬小麦冠层光谱的影响及定量化估产研究

为避免土壤背景对冠层光谱的干扰,提高冬小麦定量化估产精度,以河北廊坊中低产田条件下的冬小麦为研究对象,利用ASD Field Spec高光谱仪定点获取冬小麦冠层光谱信息,分析了田间植被覆盖度和冠层NDVI在生育期内的变化,并利用植被覆盖度对冠层NDVI进行了校正。结果表明,通过三基色即RGB、色度和亮度可将数字图像中冬小麦和土壤背景进行分割,从而获得单位面积上冬小麦的覆盖百分比。而通过覆盖度校正后的植被指数即CNDVI能够更具针对性地反映植株冠层氮素信息。在本试验条件下利用灌浆中期的CNDVI与产量进行一元回归或利用全生育期的CNDVI与产量进行多元回归均取得了较好的效果,决定系数分别为0.849和0.853。由于多元回归模型考虑了不同时期的CNDVI的变化,因此模型具有更强的可靠性和稳定性,较适合于冬小麦定量化估产。     

基于APSIM的油用亚麻叶面积指数模型构建

为准确模拟油用亚麻叶面积指数,构建油用亚麻生长模型,本文研究环境效应和作物遗传特性对叶面积指数的作用,分别利用2012-2013年定西试验区不同密度、2012-2013年榆中试验区不同施氮、磷量试验测量数据构建模型,采用潜在叶片数、叶片尺寸和种植密度构建潜在叶面积指数;研究同化作用、水分和氮素胁迫的限制构建实际叶面积指数;研究熟化、光竞争、水分胁迫等引起的衰老叶面积指数,从而构建基于APSIM(农业生产系统模型)的油用亚麻叶面积指数模型。利用2014年定西和榆中的实际测量数据对模型进行校正。模型检验结果表明,该模型能够较准确地模拟油用亚麻叶面积指数,RMSE最小值0.043,最大值0.672,决定系数R2取值范围0.56~0.98,模型拟合效果良好。同时,研究结果表明,定西试验站合理密植7.5×106粒·hm-2,可获最大叶面积指数(盛花期)3.92,榆中试验区最佳施氮量75kg·hm-2、施磷(P2O5)量75kg·hm-2在盛花期获得最大叶面积指数4.486。     

基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算

为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。     

联合主成分分析与最小二乘支持向量机估测冬小麦叶面积指数

利用单一植被指数估测叶面积指数存在高光谱遥感丰富的波段信息易丢失和外界因素干扰大的缺点,但若将波段信息全部引入模型又会增加建模难度。为解决利用多波段信息估测叶面积指数的问题,利用主成分分析法(PCA)对光谱数据进行降维,之后将提取的主成分与最小二乘支持向量机(LS-SVM)模型相结合,构建冬小麦叶面积指数的高光谱估测模型,并与以4类植被指数作为LS-SVM输入参数建立的模型进行比较。结果表明,以主成分作为LS-SVM模型的输入参数建立的模型精度最高,模型检验集R2为0.71,检验集RMSE为0.56,估测结果较使用植被指数作为输入参数建立的模型精度高,稳定性好。该方法可为利用多波段信息进行大范围冬小麦叶面积指数的无损测定提供参考。     

基于遥感信息和WOFOST模型参数同化的冬小麦单产估算方法研究

为探讨遥感信息和作物生长模型在作物估产方面的优势互补特性,选取河北省藁城市冬小麦作为研究对象,采集多个关键生育时期的生理生化、农田环境、气象等数据,并获取准同步的环境减灾小卫星HJ-CCD影像数据,采用植被指数反演冬小麦叶面积指数（LAI）,基于扩展傅里叶振幅灵敏度检验法(EFAST)对WOFOST作物模型的26个初始参数进行全局敏感性分析,筛选敏感性参数,调整WOFOST模型的核心参数,利用查找表优化算法构建基于WOFOST模型和遥感LAI数据同化的区域尺度冬小麦单产预测模型,并定量预测区域冬小麦单产水平。结果表明,增强型植被指数（EVI）是遥感反演LAI的最佳植被指数(开花期建模r=0.913,RMSE=0.410,灌浆期建模r=0.798,RMSE=0.470),预测能力最强(开花期r=0.858,RMSE=0.531,灌浆期r=0.861,RMSE=0.428);筛选出6个待优化参数,即TSUM1、SLATB1、SLATB2、SPAN、EFFTB3和TMPF4;产量预测精度r=0.914,RMSE=253.67 kg·hm_-2,找到了待优化参数的最佳取值,最终完成了单产模拟。     

Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index

Accurate estimation of biomass is necessary for evaluating crop growth and predicting crop yield.Biomass is also a key trait in increasing grain yield by crop breeding.The aims of this study were(i)to identify the best vegetation indices for estimating maize biomass,(ii)to investigate the relationship between biomass and leaf area index(LAI)at several growth stages,and(iii)to evaluate a biomass model using measured vegetation indices or simulated vegetation indices of Sentinel 2A and LAI using a deep neural network(DNN)algorithm.The results showed that biomass was associated with all vegetation indices.The three-band water index(TBWI)was the best vegetation index for estimating biomass and the corresponding R2,RMSE,and RRMSE were 0.76,2.84 t ha−1,and 38.22%respectively.LAI was highly correlated with biomass(R2=0.89,RMSE=2.27 t ha−1,and RRMSE=30.55%).Estimated biomass based on 15 hyperspectral vegetation indices was in a high agreement with measured biomass using the DNN algorithm(R2=0.83,RMSE=1.96 t ha−1,and RRMSE=26.43%).Biomass estimation accuracy was further increased when LAI was combined with the 15 vegetation indices(R2=0.91,RMSE=1.49 t ha−1,and RRMSE=20.05%).Relationships between the hyperspectral vegetation indices and biomass differed from relationships between simulated Sentinel 2A vegetation indices and biomass.Biomass estimation from the hyperspectral vegetation indices was more accurate than that from the simulated Sentinel 2A vegetation indices(R2=0.87,RMSE=1.84 t ha−1,and RRMSE=24.76%).The DNN algorithm was effective in improving the estimation accuracy of biomass.It provides a guideline for estimating biomass of maize using remote sensing technology and the DNN algorithm in this region.     

冬小麦白粉病冠层光谱特征解析与病情指数反演

为探讨利用高光谱技术快速无损地监测小麦白粉病灾情的方法,通过人工田间诱发白粉病,在灌浆期对不同发病等级(病情指数)的冬小麦进行冠层高光谱测定,对原始光谱数据进行一阶微分处理,筛选最佳光谱特征参量和植被指数,构建冬小麦白粉病病情指数反演模型。结果表明,在冠层尺度,小麦白粉病"红边"位置均在730nm左右(±1nm);经验证,5种模型中三角植被指数(TVI)模型估算精度最好,r2和RMSE分别达到了0.700和0.112,与精度最低的优化土壤调节植被指数(OSAVI)模型相比,r2提高了0.071,RMSE降低了0.013。小麦白粉病"红边"蓝移现象并不明显;五种模型r2都达到了0.6以上,说明高光谱技术都能够有效地对冬小麦白粉病病情指数进行无损、快速、精确的反演,其中TVI的反演精度最佳。     

冬小麦叶面积指数的品种差异性与高光谱估算研究

为给小麦叶面积指数（LAI）的高光谱估算提供技术支持,基于2年大田试验,以4个河南主推品种为材料,对小麦LAI和冠层光谱变化特点、估算模型及其品种间的差异等进行了系统分析。结果表明,在生育期内不同冬小麦品种冠层光谱反射率的变化与LAI变化有差异;在相同LAI下,不同冬小麦品种的光谱曲线存在差异。利用400~900 nm范围内冠层光谱反射率的任意两波段组合的比值光谱指数（RSI）、归一化差值光谱指数（NDSI）和差值光谱指数（DSI）所建立的单品种模型以及不同品种综合模型的决定系数（r）均达到0.84以上,单品种模型的r和调整r分别较综合模型高出3.1%~4.8%和2.0%~4.2%。利用独立于建模样本以外的数据对上述模型进行检验,单品种模型预测的r较综合模型提高了0.6%~11.0%,而均方根误差降低了10.0%~37.0%。因此,在利用高光谱遥感技术估算冬小麦LAI时,可以通过建立单品种模型来提高估算精度。     

基于无人机多光谱遥感的冬小麦叶片含水量反演

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares,PLS)、极限学习机(extreme learning machine,ELM)和粒子群算法(particle swarm optimization,PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其R²和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%~75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为变量的PSO-ELM模型可实现对冬小麦叶片水分含量的精准预测。     

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PROSAIL模型和无人机高光谱数据的冬小麦LAI反演

为及时准确高效监测小麦叶面积指数（leaf area index,LAI）,获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598~0.717和0.577~0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。     

Assessing broadband vegetation indices and QuickBird data in estimating leaf area index of corn and potato canopies

Leaf area index (LAI) is a key biophysical variable that can be used to derive agronomic information for field management and yield prediction. In the context of applying broadband and high spatial resolution satellite sensor data to agricultural applications at the field scale, an improved method was developed to evaluate commonly used broadband vegetation indices (VIs) for the estimation of LAI with VI–LAI relationships. The evaluation was based on direct measurement of corn and potato canopies and on QuickBird multispectral images acquired in three growing seasons. The selected VIs were correlated strongly with LAI but with different efficiencies for LAI estimation as a result of the differences in the stabilities, the sensitivities, and the dynamic ranges. Analysis of error propagation showed that LAI noise inherent in each VI–LAI function generally increased with increasing LAI and the efficiency of most VIs was low at high LAI levels. Among selected VIs, the modified soil-adjusted vegetation index (MSAVI) was the best LAI estimator with the largest dynamic range and the highest sensitivity and overall efficiency for both crops. QuickBird image-estimated LAI with MSAVI–LAI relationships agreed well with ground-measured LAI with the root-mean-square-error of 0.63 and 0.79 for corn and potato canopies, respectively. LAI estimated from the high spatial resolution pixel data exhibited spatial variability similar to the ground plot measurements. For field scale agricultural applications, MSAVI–LAI relationships are easy-to-apply and reasonably accurate for estimating LAI.     

基于无人机影像的小麦株高与LAI预测研究

为快速、准确地估测不同生育时期小麦品种（系）株高与叶面积指数（LAI）表型性状，基于各生育时期小麦品种（系）数字正射影像（digital orthophoto map，DOM）和数字表面模型（digital surface model，DSM），分别构建不同生育时期株高估测模型和光谱指数LAI估测模型。借助一元线性回归、多元逐步回归（SMLR）和偏最小二乘回归（PLSR）分析方法，并采用决定系数（r）、均方根误差（RMSE）和归一化均方根误差（nRMSE）综合性评价指标，筛选出小麦不同生育时期最优的株高和LAI估测模型。结果表明，（1）全生育期株高估测效果最好，模型预测值与实测值高度拟合（r、RMSE、nRMSE分别为0.87、5.90 cm、9.29%）；在各生育时期中，灌浆期模型预测精度较好，成熟期预测精度最差，r分别为0.79和0.69。（2）所选的18种光谱指数与LAI相关性均较好，其中BGRI、RGBVI、NRI和NGRDI的相关系数达到极显著水平，且各时期三种回归估测模型均表现出较高的稳定性和拟合效果，其中SMLR回归模型对各生育时期LAI预测精度最好，其拔节期、孕穗期、扬花期、灌浆期和成熟期的预测集r分别为0.68、0.57、0.61、0.68和0.53。这说明，基于无人机获取的不同生育时期小麦DSM影像提取株高，并运用18种光谱指数构建LAI估测模型方法是可行的。