利用叶片反射光谱预测大豆合交98-1667干物重模型

通过对不同波长光谱反射率的分析,确立大豆地上部干物重的敏感波段,计算出相应的植被指数,并建立植被指数与大豆地上部干物质量预测模型.结果表明:在可见光波段范围内,合交98-1667选取510 nm和680 nm 2个波段的光谱反射率与地上部干物重的相关性呈极显著;在近红外区域,选取800 nm、900 nm和1005 nm 3个波段,其中800 nm和900 nm的光谱反射率与合交98-1667地上部干物重的相关性均呈极显著,波长为1005 nm时呈显著相关.4种植被指数经过比较RVI相关性最好.通过RVI植被指数建立模型,Y= 4.0216×RVI2 (900,680)-99.106×RVI(900,680) + 625.36,能较为准确预测大豆地上部干物重.     

花生冠层APAR和FAPAR高光谱遥感估测模型研究

为了快速、无损监测花生生长发育，建立整个生育期内花生冠层吸收性光合有效辐射（APAR）和光合有 效辐射吸收系数（FAPAR）的高光谱遥感估测模型，本试验利用高光谱遥感技术，测定沈阳地区5种不同生态类型的 花生冠层光谱数据，同期获取APAR、FAPAR；并对原始光谱数据进行logρ、1/ρ、ρ′变换，构建6种植被指数，分别与 APAR和FAPAR进行Pearson相关分析，并建立估测模型，对模型进行检验与评价。研究结果表明：4种变换形式的 光谱数据中最优波段与APAR 和FAPAR 均达极显著相关（r≥0.3969，P<0.01），以ρ′在759nm 波段处与APAR（r= 0.7574）和FAPAR（r=0.6276）的相关性最好，ρ′759nm处的高光谱参数与APAR、FAPAR建立的估测方程y = 797.3846 e271.4883x（R=0.5512，P<0.01；RE=0.1213）和y =0.756e85.21x（R=0.4204，P<0.01，RE=0.0788）拟合系数最高、预测精度较 好，估测效果很好。比值植被指数（RVI）、差值植被指数（DVI）、归一化植被指数（NDVI）、复归一化差值植被指数 （RDVI）、垂直植被指数（PVI）和修改土壤调整植被指数（MSAVI）这6种植被指数的最优波段与APAR的相关性优 于与FAPAR的相关性，MSAVI[723,761]与APAR所建立的对数函数y = 1554ln（x）+ 1631（R=0.7566，P<0.01；RE= 0.0870）和RDVI[731,764]与FAPAR建立的多项式函数y = 1.027x2 + 0.713x + 0.729（R=0.6194，P<0.01；RE=0.0699） 的模拟值和实测值均达到了极显著、预测精度较高，MSAVI对APAR和RDVI对FAPAR估测效果很好。一阶微分光 谱和植被指数可以较好地估测花生冠层APAR和FAPAR。     

夏玉米冠层反射光谱与植株水分状况的关系

通过不同夏玉米品种生育期内冠层叶片含水率与不同波段组成的比值指数(RVI)和归一化植被指数(NDVI)进行线性、指数、对数、幂函数以及多项式回归分析,研究不同品种夏玉米的冠层叶片和植株水分状况与反射光谱之间的相关关系。结果表明,冠层叶片和植株含水率与460～670nm范围内波段反射率均成负相关,与730～1260nm范围内波段反射率均成正相关。其中冠层叶片含水率与460、500、600、650、670nm范围内波段反射率均呈显著相关,而植株含水率与460、500、600、650、670、780、800、850、900、950、1050nm范围内波段反射率相关性也较高。冠层叶片含水率与归一化植被指数(NDVI)相关性均达到极显著水平,与比值指数(RVI)相关性中只有RVI(950,550)、RVI(850,730)、RVI(800,730)和RVI(780,730)4个波段呈极显著正相关。RVI与叶片含水率相关性以RVI(850,730)最优,NDVI与叶片含水率相关性以NDVI(1050,550)最优。植株含水率也与RVI和NDVI呈正相关,相关性均较好,但NDVI优于RVI。RVI与植株含水率相关性以RVI(800,500)最优,决定系数为0.8490;NDVI与植株含水率相关性以NDVI(780,650)最优,决定系数为0.8645。     

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。     

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。     

遥感光谱指标和神经网络结合的冬小麦地上部生物量估测

为探讨基于神经网络对小麦地上部生物量（aboveground biomass,AGB）进行遥感估测的可行性,在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验,在对冬小麦近红外波段反射率（near-infrared band reflectance,REF_nir）、红光波段反射率（red band reflectance,REF_red）、归一化差值植被指数（normalized difference vegetation index,NDVI）、差值植被指数（difference vegetation index,DVI）、比值植被指数（ratio vegetation index,RVI）、土壤调节植被指数（soil adjusted vegetation index,SAVI）和优化土壤调节植被指数（optimized soil adjusted vegetation index,OSAVI）等7个遥感光谱指标与冬小麦生长指标（LAI和AGB）进行相关性分析基础上,构建基于BP神经网络的冬小麦AGB估测模型,并与多元线性回归估测模型进行精度比较。结果表明,冬小麦拔节期REF_red、NDVI、RVI、SAVI、OSAVI和LAI与AGB之间存在较好相关性,其中LAI与AGB的相关性最高（相关系数为0.782）,SAVI与AGB的相关性最低(相关系数为0.647)。利用BP神经网络建立的冬小麦AGB估测模型AGB_BP的决定系数（r）为0.918,均方根误差（root mean square error,RMSE）为582.9 kg·hm^-2,平均相对误差（average relative error,ARE）为18.4%。利用多元线性回归分析建立的冬小麦AGB估测模型AGB_RA的r为0.784,RMSE为871.1 kg·hm^-2, ARE为32.6%。利用冬小麦抽穗期AGB实测数据再对模型AGB_BP和AGB_RA进行验证,其RMSE分别为1 140.4和1 676.7 kg·hm^-2, ARE分别为20.5%和33.1%。由此可以看出,冬小麦估测模型AGB_BP精度优于模型AGB_RA,说明利用多个遥感光谱指标结合LAI建模可以有效提高冬小麦AGB的估测精度。     

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。     

基于三波段光谱指数的春小麦叶片水分含量估算

为探讨利用三波段植被指数（three-band index, 3BI）对春小麦叶片水分含量（leaf water content, LWC）估算的可行性,在田间尺度上,利用ASD-FieldSpec-3光谱仪测定春小麦抽穗期冠层光谱反射率,采用任意波段组合方法,分别建立两波段植被指数（two-band index, 2BI）包括比值植被指数（RVI）、归一化植被指数（NDVI）、差值植被指数（DVI）及3BI,并对单波段反射率、两波段植被指数和三波段植被指数与春小麦抽穗期LWC之间进行相关性分析,筛选稳定的光谱参数,基于人工神经网络（artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（support vector regression, SVR）等3种机器学习算法,建立有效波段组合运算的抽穗期春小麦LWC估算模型,并利用独立样本对模型精度进行检验和评价。结果表明,单波段反射率、2BI和3BI与春小麦抽穗期LWC之间的相关性均达极显著水平（P＜0.01）,而相关系数差异较大,绝对值分别为0.23、0.62、0.94,说明组合波段展现了光谱隐含信息,避免有效光谱信息的丢失;估算模型中,春小麦抽穗期以KNN算法和最佳3BI组合变量（3BI-5_{(1075, 1095, 1085)}、3BI-6_{(1100, 400, 1097)}）构建的模型拟合度最高（r²=0.83）,均方根误差最小（RMSE=2.14%）,相对偏差百分比超出了2.0以上（RPD=2.31）,说明该模型具有一定的预测能力。由此可见,通过任意波段组合,可明显提高3BI与春小麦LWC的关联度,且基于K近邻算法构建的模型具有较好的稳定性和估算能力。     

玉米LAI和FPAR的高光谱遥感预测模型研究

运用高光谱探测技术,获取不同密度下两个不同品种春玉米冠层不同时期的光谱特征反射参数,对高光谱原始反射率、反射率对数、反射率一阶导数、反射率二阶导数以及DVI、RVI、NDVI、SAVI 4种植被指数与玉米的LAI和FPAR进行相关分析,并建立两者之间的预测方程,通过对模型检验选出最佳预测模型。研究表明,一阶导数和4种植被指数都能很好地预测LAI和FPAR,其中,对LAI预测最好的是利用光谱一阶导数建立的指数函数模型,对FPAR预测最好的是利用NDVI建立的二次多项式模型。851 nm处的一阶导数对玉米的整个时期变化都比较敏感,LAI的最佳预测模型在玉米的整个时期都具有较好的预测性;855、758 nm波段组合的NDVI对FPAR的变化比较敏感,但当FPAR较大时,模型对其预测能力降低。