基于无人机遥感与植被指数的冬小麦覆盖度提取方法

基于开源飞控Pixhawk开发了一套集成稳定云台、位置与姿态系统(Position and orientation system,POS)数据采集模块的无人机多光谱遥感图像采集系统,同步采集520~920 nm范围内的红、绿和近红外波段信息。以冬小麦为例,分别在越冬期、拔节期、挑旗期和抽穗期进行飞行实验,飞行高度55 m,多光谱影像地面分辨率2.2 cm。采用监督分类与植被指数统计直方图相结合的方式,提出了一种田间尺度小麦覆盖度快速提取的方法,给出归一化植被指数(Normalized difference vegetation index,NDVI)、土壤调节植被指数(Soil-adjusted vegetation index,SAVI)及修正土壤调节植被指数(Modified soil-adjusted vegetation index,MSAVI)对应的植被像元与土壤像元的分类阈值,分别为0.475 6、0.705 6和0.635 0。同时利用基于同步采集的地面分辨率可达0.8 cm的高清可见光遥感图像提取了相应时期的冬小麦覆盖度参考值。结果表明,基于无人机多光谱遥感技术及植被指数法可以较好地提取冬小麦越冬期、拔节期、挑旗期和抽穗期的植被覆盖度信息。与SAVI、MSAVI相比,基于NDVI分类阈值的提取效果最好,绝对误差最小。     

基于时间序列MODIS的农作物类型空间制图方法

为快速获取大范围种植结构复杂区域的作物种植面积,以MODIS数据为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、宽动态植被指数(Wide dynamic range vegetation index,WDRVI)、地表水分指数(Land surface water index,LSWI)、归一化雪被指数(Normalized difference snow index,NDSI)5种特征,结合同步的实地调查样本点,采用支持向量机算法(Support vector machines,SVM)提取黑龙江省主要农作物的种植面积。研究表明,在待选特征中NDVI、EVI与LSWI指数组合取得了最高的分类精度,总体分类精度为74.18%,Kappa系数为0.60;支持向量机算法与最大似然算法、随机森林算法相比,分类精度更优。该方法为在大区域中提取农作物种植面积提供了参考价值。     

无人机多光谱数据可靠性分析与冬小麦产量估算研究

无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R²)、均方根误差(RMSE)分别为0.69、428.91 kg/hm²,验证...     

基于NDVI-NSSI空间与HSV变换的成熟期农作物遥感识别

成熟期农作物的识别在农作物种植面积估算、农业生产及产量统计方面具有重要作用。为提供一种简便的成熟期农作物遥感识别方法，利用Sentinel-2A数据，以安徽省滁州市凤阳县为研究区，通过归一化植被指数(Normalized difference vegetation index, NDVI)与归一化光谱分离指数(Normalized spectral separation index, NSSI)构成的空间，提取光合植被、非光合植被、裸土的纯端元，由像元三分模型，得到非光合植被覆盖度及成熟期农作物的空间分布。为进一步提取研究区内具有相同成熟期的冬小麦与油菜，利用油菜开花期Sentinel-2A数据，由Hue saturation value(HSV)图像变换方法，分别提取出成熟期冬小麦与油菜。与地面观测数据和辅助数据相比，提取的成熟区冬小麦、油菜的总体精度为95.34%,Kappa系数为0.904,高于支持向量机方法(总体精度91.66%,Kappa系数为0.813)与决策树方法(总体精度92.39%,Kappa系数为0.838)的提取精度。结果表明，NDVI-NSSI空间与HSV变换相...     

基于地面高光谱遥感的大豆产量估算模型研究

为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数：比值指数（Ratio index,RI）、差值指数（Difference index,DI）、归一化光谱指数（Normalized difference vegetation index,NDVI）、土壤调整光谱指数（Soil-adjusted iegetation index,SAVI）、三角光谱指数（Triangular vegetation index,TVI）、改进红边归一光谱指数（Modified normalized difference index,mNDI）和改进红边比值光谱指数（Modified simple ratio,mSR）,使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和反向神经网络（Back propagation neural network,BPNN）构建大豆产量估算模型并进行验证。结果表明,各生育期（全花期（R2）、全荚期（R4）和鼓粒期（R6））计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。     

基于多光谱卫星模拟波段反射率的冬小麦水分状况评估

为及时掌握作物水分利用状况、评估作物水分亏缺和提高作物水分利用效率，在2012—2016年期间进行了不同水分处理的冬小麦田间试验，获取了冬小麦主要生育期冠层光谱和叶片含水量等数据。利用冬小麦冠层光谱以及Quickbird、IKONOS、GF-2、GF-1、Landsat8、HJ-1A/B、GF-4和MODIS卫星传感器光谱响应函数模拟卫星多波段反射率，参照归一化植被指数(Normalized vegetation index, NDVI)、比值植被指数(Ratio vegetation index, RVI)和差值植被指数(Difference vegetation index, DVI)的形式，将各卫星波段反射率两两组合，系统分析构建的植被指数与叶片含水量的相关性，探讨不同空间分辨率(2.44、4、8、30、50、250m)波段组合及植被指数对作物水分状况和灌溉活动的响应能力。结果表明，NDVI、RVI和DVI 3种指数对作物水分敏感区域的分布类似；8个卫星的近红外波段与叶片含水量的相关系数为正，其余几个波段与叶片含水量的相关系数为负；NDVI(GF-1绿波段,GF-2绿波段)、RVI(GF-1绿波段,GF-2绿波段)和DVI(GF-2蓝波段,GF-4蓝波段)与叶片含水量相关性较好，决定系数R2分别为0.776、0.774和0.886，以DVI形式构建的植被指数对叶片含水量的估算效果最好。本研究可为区域作物水分状况评估以及作物灌溉活动监测提供技术和方法支持。     

基于4波段作物光谱测量仪的小麦分蘖数预测

使用4波段(550 nm、650 nm、766 nm和850 nm)便携式作物反射光谱测量仪对泰农18型冬小麦分蘖状态进行自动监测与建模,通过分析植被指数与分蘖数的相关关系实现了对分蘖数的建模预测。首先利用仪器获得小麦冠层在4个波段的反射信号,计算对应波段的作物冠层反射率,经校正后计算得到OSAVI、MSAVI、SAVI、EVI2、TVI、NDGI、NDVI、RVI和DVI 9种多波段组合的植被指数。然后分析以上9种植被指数与小麦分蘖数之间的相关关系,确定了可用于该类型小麦分蘖状态监测和评价的植被指数类型。2013—2014年在山东省淄博市和桓台县开展了田间试验,计算了不同氮素水平下泰农18型小麦返青期和起身期分蘖数以及其两个生育期分蘖数与9种植被指数之间的相关系数,OSAVI(650,850)指数与返青期茎蘖数相关系数最高,决定系数最高为0.85,均方根误差为118.93;EVI2(650,850)指数与起身期茎蘖数相关系数最高,决定系数最高为0.84,均方根误差为73.04;以上试验结果表明,在冬小麦返青期和起身期利用OSAVI(650,850)和EVI2(650,850)两种植被指数可以快速预测小麦分蘖状态,可为田间精细管理提供科学依据。     

海南岛橡胶林叶面积指数遥感估算模型比较研究

叶面积指数（LAI）是描述植被生长状况和冠层结构的一个重要参数,快速获取大面积植被与作物LAI对于生态系统科学研究、农林业生产指导具有十分重要的理论和实践意义。本研究选取海南岛典型热带作物——橡胶树为研究对象,构建基于卫星遥感植被指数的橡胶林LAI估算模型并分析其变化规律。结果表明,相较于归一化植被指数（NDVI）、绿色归一化植被指数（GNDVI）、比值植被指数（RVI）和宽动态范围植被指数（WDRVI）四个指数,增强植被指数（EVI）、土壤调节植被指数（SAVI）、差值植被指数（DVI）和改良土壤调节植被指数（MSAVI）四个指数同LAI之间的相关性较高。构建的基于不同植被指数的橡胶林LAI估算模型（一元线性、指数和对数模型）中,基于EVI指数的橡胶林LAI一元线性估算模型效果最佳,其决定系数R²为0.69。经验证,该模型估算的橡胶林LAI精度较高,观测和模拟的橡胶林LAI线性拟合R²为0.67,均方根误差RMSE为0.16,平均相对误差RE为-0.25%,但在橡胶林LAI中值区存在低估现象,同时在LAI高值区和低值区存在一定的高估现象。从空间分布来看,海南岛橡胶林LAI高值区（4.40~6.23）主要分布在海南岛西部儋州、白沙等市县,LAI中值区（3.80~4.40）主要分布在海南岛中部澄迈、屯昌、琼中等市县,LAI低值区（2.69~3.80）主要分布在海南岛东部和南部的定安、琼海、万宁、乐东、三亚等市县。总之,构建的基于EVI指数的橡胶林LAI一元线性估算模型精度较高,克服了NDVI、GNDVI、RVI等植被指数容易出现指数饱和问题,具有较好的科学性和良好的推广应用价值。     

基于VTCI和分位数回归模型的冬小麦单产估测方法

条件植被温度指数(VTCI)是一种综合了归一化植被指数(NDVI)与地表温度(LST)的遥感干旱监测方法,在关中平原的近实时干旱监测中具有其适用性。分位数回归能全面反映因变量的条件分布在不同分位数处的特征,回归结果稳健可靠。为了进一步研究VTCI干旱监测结果与小麦单产之间的关系及提高冬小麦单产估测精度,构建了不同分位数τ(0.1,0.3,0.5,0.7,0.9)下关中平原各市2008—2014年的冬小麦主要生育期VTCI与单产之间的线性回归模型,并基于中位数(τ=0.5)回归模型对研究区域的冬小麦单产进行了估测。结果表明,分位数回归模型比较全面地反映了不同分位数下冬小麦单产分布与VTCI之间的相关程度,弥补了最小二乘估产模型回归结果单一、易受异常值影响等的不足。中位数回归模型的单产估测结果与实际单产之间的相对误差和均方根误差的最小值及平均值均低于最小二乘回归模型,估测精度较高。此外,中位数单产估测模型获取的冬小麦估产结果在年际变化规律与空间分布特征上与实际产量均较相符,说明分位数回归在研究VTCI与产量之间的关系及冬小麦单产估测中具有其适用性与可靠性。     

基于无人机多光谱遥感的矮林芳樟叶片精油产量反演

芳樟(Cinnamomum camphora(Linn.)Presl)精油在林业经济发展中具有巨大市场潜力,多光谱遥感产量预测是高效反演芳樟精油产量的新方式。本研究以矮林芳樟收获期精油产量为研究对象,利用无人机多光谱遥感技术,筛选敏感植被指数作为输入变量,以地面同步观测的精油产量作为输出变量,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向传播神经网络(Back propagation neural network, BPNN)3种机器学习方法构建矮林芳樟精油产量预测模型。结果表明,修改型土壤调节植被指数(MSAVI)、优化土壤调节植被指数(OSAVI)、重归一化植被指数(RDVI)、土壤调整植被指数(SAVI)和非线性植被指数(NLI)对矮林芳樟精油产量呈现较高敏感性,其相关系数R分别为0.765 1、0.813 1、0.771 1、0.779 4、0.818 3。SVM、RF、BPNN 3种机器学习方法构建的矮林芳樟精油产量预测模型训练集的决定系数R²分别为0.723、0.853、0...     

Estimating yield of sorghum using root zone water balance model and spectral characteristics of crop in a dryland Alfisol

This study investigated the relationship between sorghum grain yield for a range of soil depths, with the seasonal crop water stress index based on relative evapotranspiration deficits and spectral vegetation indices. A root zone water balance model was used to evaluate seasonal soil water fluctuations and actual evapotranspiration within a toposequence; soil depth varied between 30 and 75 cm and available water capacity ranged from 6.9 to 12.6% (v/v, %). An empirical model was used to determine root growth. Runoff was estimated from rainfall data using the curve number techniques of the Soil Conservation Services, combined with a soil water-accounting procedure. The high r² values between modeled and observed values of soil water in the root zone (r² > 0.70, significant at P < 0.001) and runoff (r² = 0.95, significant at P < 0.001) indicated good agreement between the model output and observed values. Canopy reflectance was measured during the entire crop growth period and the following spectral indices were calculated: simple ratio, normalized difference vegetation index (NDVI), green NDVI, perpendicular vegetation index, soil adjusted vegetation index (SAVI) and modified SAVI (MSAVI). All the vegetation indices, except for the perpendicular vegetation index, measured from booting to anthesis stage, were positively correlated with leaf area index (LAI) and yield. The correlation coefficient for spectral indices with dry biomass was relatively less than for LAI and yield. Modified SAVI recorded from booting to milk-grain stage gave the highest average correlation coefficient with grain yield. Additive and multiplicative forms of water-production functions, as well as water stress index calculated from water budget model, were used to predict crop yield. A multiple regression was carried out with yield, for the years 2001–2003, as the dependent variable and MSAVI, from the booting to the milk-grain stage of crop and relative yield values, calculated using both additive and multiplicative water production functions as well as water stress index, as the independent variables. The multiplicative model and MSAVI, recorded during the heading stage of crop growth, gave the highest coefficient of determination (r² = 0.682, significant at P < 0.001). The multiple regression equation was tested for yield data recorded during 2004; the deviation between observed and estimated yields varied from −6.2 to 9.4%. The water budget model, along with spectral vegetation indices, gave satisfactory estimates of sorghum grain yields and appears to be a useful tool to estimate yield as a function of soil depth and available water.     

基于无人机多光谱遥感的夏玉米叶面积指数估算方法

无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下，利用无人机多光谱植被指数估算夏玉米LAI的可行性，本研究基于无人机多光谱遥感系统，结合同时期实地采集的夏玉米LAI，选择5种植被指数，包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI），作为模型输入参数，使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型，并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明，在充分灌溉条件下，植被指数的多元线性回归模型可以较好地估算LAI（R² = 0.83）；在水分胁迫条件下，植被指数的随机森林回归模型可以较好地估算LAI（R² = 0.74~0.87），水分胁迫因素对该模型影响较小，且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术，使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。     

基于无人机多光谱遥感的马尾松林叶面积指数估测

快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义。以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用线性模型（LR）、多元逐步回归模型（MSR）、随机森林模型（RF）、支持向量机模型（SVM）和人工神经网络模型（BP）构建不同空间分辨率下的马尾松林LAI估测模型,以决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）和总体精度（TA）来评价估测模型精度,从而确定最佳空间分辨率和最佳模型。结果表明,不同空间分辨率下LAI与植被指数均呈极显著相关（p<0.01）;多变量模型（MSR、RF、SVM、BP）的调整R2平均值高于LR模型;随着空间分辨率的增加,不同模型的R2整体上呈先增大后减小的趋势;当空间分辨率为0.5m时,利用植被指数建立的RF模型为马尾松林LAI的最佳估测模型,RF模型的调整R2为0.766,模型估测的R2、RMSE、RPD和TA分别为0.554、0.421、1.523和81.95%。本研究可为无人机多光谱遥感反演森林LAI表型参数的空间分辨率和模型选择提供理论参考。     

基于多时相植被指数的云南高原山地冬小麦识别与研究

粮食安全是最根本的民生问题，云、雾等自然因素是影响遥感种植监测的主要因素之一，因此获取精准、高效的耕地种植监测信息的对保障当地粮农安全、粮食估产及面积估算具有重要意义。在利用多时相植被指数（VI）合成模型的构建、农作物特征与耕地信息的可分离性两方面对高原山地农作物耕地面积提取的研究少。本研究基于哨兵2（Sentinel-2）数据，构建了多时相植被指数合成模型，估算了2020-2021年归一化植被指数（NDVI）、增强植被指数（EVI）和红绿叶绿素植被指数（RECI）三种植被指数的提取结果，研究了预测模型与高原山地农作物的相关性，探讨了不同植被指数模型对农作物识别精度。结果表明：①多时相NDVI模型相较EVI、RECI对冬小麦面积提取精度更高，与云南高原山地冬小麦相关性最强，用户精度约为93.28%；②利用三期NDVI组合与两期NDVI组合均可对冬小麦精准提取，但三期NDVI草型提取精度更高。因此，本研究利用多时相NDVI指数模型对冬小麦种植面积的精准预测，证明了该模型可有效适用于云南高原山地冬小麦，并为当地冬小麦面积的预测提供了数据支撑。     

基于平稳小波变换的冬小麦覆盖度高光谱监测

在2010与2011年度冬小麦生长季,通过大田小区试验,实测了冬小麦冠层的高光谱反射率与覆盖度。分析了不同覆盖度下的冬小麦冠层光谱特征以及不同生育期冬小麦冠层光谱反射率与覆盖度的相关性,建立了基于归一化植被指数(NDVI)与比值植被指数(RVI)、小波能量系数的不同生育期冬小麦覆盖度估算模型。结果表明:覆盖度越大,冬小麦光谱反射率在可见光波段越小,在近红外波段越大。在可见光波段,光谱反射率与覆盖度负相关,在"红边"处,由负相关变成正相关。在返青期、拔节期,NDVI估算效果好(R2为0.835 9、0.805 7);在抽穗期、灌浆期,RVI估算效果好(R2为0.803 1、0.829 4)。在返青期、拔节期、抽穗期、灌浆期,以高频、低频小波能量系数为自变量的冬小麦覆盖度估算模型的R2分别达到0.911 2、0.895 4、0.880 2、0.927 5。     

基于时间序列MODIS NDVI的冬小麦产量预测方法

选择我国河北、河南、山东3省作为研究区,在250 m空间分辨率的冬小麦种植区和1 km的冬小麦像元纯度图的基础上,分析了2000—2009年MODIS NDVI抽穗期峰值与单产的时间序列变化关系。采用Becker-Reshef等提出的去噪声修正后的冬小麦抽穗期NDVI峰值与单产进行回归分析建立冬小麦产量预测模型,并分析冬小麦预测精度的影响因素。最后,利用2010年地级市尺度的统计单产对所建立的预测模型进行精度验证,模型的平均估产误差约为7.49%。结果表明,基于冬小麦抽穗期NDVI峰值的产量预测方法在中国冬小麦主产区具有一定的应用潜力。