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。     

基于机器学习的春小麦叶片水分含量高光谱估算

为了比较不同机器学习算法在干旱半干旱区春小麦叶片水分含量（leaf water content,LWC）遥感监测中的应用效果及筛选最佳波段组合,在田间尺度上,以春小麦冠层高光谱数据为基础,采用两波段组合形式,计算15种光谱参数（比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI和12种水分植被指数）,通过对抽穗期叶片含水量与光谱参数拟合效果进行对比与分析,分别构建了基于机器学习［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）］和光谱参数的春小麦LWC反演模型,并对模型精度进行验证,以确定有效波段组合。结果表明,小麦抽穗期LWC与冠层高光谱反射率（R_784～950）、12种水分植被指数均显著相关（P＜0.01）;波段组合形式有效地优化了两波段指数的波段组合,在800～1 000 nm区间光谱参数（RVI_1046,1057、NDVI_1272,1279、DVI_1272,1279）的波段组合计算明显提升了其对LWC的敏感性;在不同的机器学习算法中,基于两波段组合光谱参数的KNN算法所见模型对LWC的预测效果（r=0.64,RMSE=2.35,RPD=2.01）优于ANN、SVR两种算法。这说明两波段光谱指数和KNN算法在春小麦叶片水分含量的高光谱遥感估算中具有一定的优势。     

模拟多光谱卫星传感器数据的冬小麦白粉病遥感监测

为了解利用遥感技术快速大范围监测小麦白粉病病害情况的可行性,以Landsat5TM波段响应函数为基础,将地面实测冠层高光谱数据模拟为TM多光谱数据,从而分析卫星传感器多光谱波段对病害的响应情况,并构建多光谱指数(PMSI)估测白粉病严重度。在此基础上,采用2010年星-地配套数据对PMSI估测精度进行验证。结果表明,PMSI能够较准确地反映冬小麦白粉病发生的程度,获得较理想的病情严重度反演精度(r2=0.475,RMSE=0.129)。因此采用多光谱卫星遥感影像在小麦大面积种植区域进行病害监测具有应用潜力。     

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。     

不同播期冬小麦茎叶碳氮比的光谱监测

为了探讨利用冠层光谱监测不同播期下小麦植株碳氮比的可行性,基于不同播期和不同施氮水平下的两年田间试验,对冬小麦茎叶碳氮比与冠层光谱的关系进行了研究。结果表明,不同播期下冬小麦茎叶碳氮比随生育时期的推进均呈"高-低-高"的动态变化;各个波段综合原始反射率和一阶微分与碳氮比均有显著相关性;NDVI、RDVI、EVI、SAVI等植被指数对茎叶碳氮比均有较好的拟合效果,其中NDVI受播期的影响较小,可用于建立各播期冬小麦茎叶碳氮比监测模型。检验结果显示,冬小麦各播期茎叶碳氮比监测模型的预测精度为0.678 2~0.963 6,相对误差0.095 5~0.323 9,均方根误差1.864 6~5.714 2,说明利用冠层光谱可以实现对不同播期条件下冬小麦茎叶碳氮比较为准确的监测。     

基于高光谱遥感的水稻冠层吸收光合有效辐射的估算研究

 利用高光谱遥感数据,对光谱反射率、一阶微分光谱及二阶微分光谱与吸收光合有效辐射（APAR）进行相关分析,并利用反射率、微分光谱、植被指数法研究了水稻冠层APAR的估算效果。结果表明,高光谱反射率、一阶微分光谱及二阶微分光谱的最优波段与APAR的相关性均极显著,一阶微分光谱能够更好的估算APAR,它与APAR在769 nm处的拟合决定系数为05218;5种植被指数所选的最优波段组合拟合方程的决定系数在0.67以上,其中以复归一化差值植被指数（758, 781）估算效果最好,决定系数达0.7585。     

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。     

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%。     

基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算

为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(PCA)对叶绿素敏感的可见光波段(390～780 nm)一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证。结果表明,小麦冠层叶绿素含量与一阶导数光谱在751 nm处的相关性最高(r=0.71),特征参数中红边蓝边归一化(SDr-SDb)/(SDr+SDb)与叶绿素含量的相关性最高(r=0.66),植被指数(VI)中修正归一化差异指数(mND705)相关性最高(r=0.74)。在输入变量相同的情况下,基于随机森林(RF)回归的预测模型均优于偏最小二乘回归(PLSR)模型,其中PCA-VI-RF模型的各精度指标均达到最优(r²=0.94,RMSE=1.05,RPD=3.70),是冬小麦冠层叶绿素...     

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。     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题，在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上，计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析，选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量，建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明，WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...     

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。     

缺素对小麦冠层反射光谱的影响

为给小麦缺素症早期诊断提供依据，以太湖地区典型稻麦轮作区的长期定位施肥实验为研究对象，分析了氮磷钾单一营养元素缺乏和两种或两种以上元素同时缺乏时的小麦叶绿素含量（SPAD值）及冠层反射光谱特性的变化规律。结果表明，缺素造成了叶片叶绿素含量的下降。缺氮使小麦冠层光谱反射率在可见光波段（460～710nm）和1480～1650nm波段增加，在近红外波段（760～1220nm）下降，红光波段对胁迫表现最为敏感．其次为黄光波段和1480nm左右的水分吸收波段；缺磷降低了近红外波段反射率，对可见光波段反射率的影响则受生育阶段和其他肥料互作的影响；缺钾处理对冠层反射光谱的影响较小，差异不显著。氮胁迫对可见光波段的影响程度显著高于磷胁迫，近红外波段两者持平。光谱对养分胁迫的响应程度随生育进程的推进而逐渐减小。缺素均使冠层光谱的红边位置向短波方向移动即发生蓝移，位移大小依元素缺乏种类及数量而定，最大位移可达10nm左右。     

基于连续小波变换耦合CARS算法的冬小麦冠层叶片含水量估算

为实现干旱地区冬小麦冠层叶片含水量的快速测定，以陕西省乾县为研究区，基于野外冬小麦冠层高光谱数据和实测叶片含水量，对原始光谱进行连续小波变换（continuous wavelet transform，CWT）后得到的小波能量系数与实测含水量进行相关性分析；并通过竞争性自适应重加权采样（competitive adaptive reweighted sampling，CARS）过滤冗余变量，筛选与叶片含水量相关性较好的波长变量，作为优选变量集；通过粒子群算法(particle swarm optimization,PSO)对BP神经网络模型进行优化，构建冠层叶片含水量预测模型并进行分析。结果表明，从尺度1到尺度10，小波系数与冬小麦叶片含水量整体相关性先升后降，中等分解尺度在光谱波段去除噪声、提高相关性方面最佳；基于CARS优选变量集所建的两种模型中，BP-PSO模型预测能力明显优于普通BP神经网络模型，其决定系数可达0.82，均方根误差为0.86%，相对误差为0.82%。这说明CWT-CARS-BP-PSO耦合算法在提升相关性、过滤冗余波段、提高模型预测精度方面效果显著，可用于冬小麦叶片含水量预测。     

基于连续投影算法和光谱变换的冬小麦生物量高光谱遥感估算

为探索基于全波段冠层高光谱以及变换光谱的冬小麦地上部生物量的遥感估算方法，以2016、2017年冬小麦田间试验为基础，通过对冠层光谱和地上部生物量的相关性分析，筛选拔节期、抽穗期的冬小麦冠层光谱、一阶导数光谱、对数变换光谱和连续统去除光谱对地上部生物量的敏感波段，并结合偏最小二乘法(PLS)分别建立拔节期和抽穗期基于SPA算法的冬小麦地上部生物量估测模型，再与基于任意两波段组合的最佳归一化光谱指数、比值光谱指数、差值光谱指数和已报道光谱指数的冬小麦地上部生物量估测模型进行比较。结果表明：(1)SPA算法较好地利用了全波段冠层光谱信息，并显著降低了光谱维度，不同变换光谱的地上部生物量敏感波段个数在4~14之间；(2)拔节期和抽穗期冠层光谱与地上部生物量的相关性高于开花期和灌浆期，各生育时期一阶导数光谱与地上部生物量之间的相关性优于连续统去除光谱、对数变换光谱和光谱指数；(3) 利用抽穗期一阶导数光谱敏感波段建立的预测模型和验证模型达到了较高的精度，其预测模型的决定系数和均方根误差分别为0.78和0.87 t·hm^-2，验证模型的决定系数和均方根误差分别为 0.84和0.69 t·hm^-2，预测相对偏差为2.74。这说明，抽穗期是估算地上部生物量的最佳生育时期，且基于冠层一阶导数变换光谱，结合连续投影算法和偏最小二乘回归方法所构建抽穗期地上部生物量估算模型具有最优的精度和预测能力，可用于地上部生物量的定量估算。