基于无人机影像的采煤沉陷区玉米生物量反演与分析

为了探索运用无人机多光谱遥感技术监测高潜水位矿区采煤扰动下原有生态系统破坏及地表耕地损毁程度的方法,以高潜水位矿区开采沉陷导致地面积水所引起的农作物渍害影响为例,基于无人机多光谱影像,在传统植被指数的基础上引入红边波段进行扩展,优选了22种植被指数,结合田间同步实测生物量数据,采用经验模型法分别构建了一元回归、基于最小二乘法的多元逐步回归(Multivariable linear regression,MLR)、反向传播神经网络(Back propagation neural networks,BPNN)的生物量反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。最后,基于最佳模型进行研究区玉米生物量的空间分布反演和分析,结果显示,所选的植被指数均与生物量显著相关,其中,BP神经网络模型的估算精度最高,其决定系数R2为0.83,比其他模型增加了0.10~0.17,预测均方根误差RMSE为178.72 g/m2,比其他模型减少了29.65~60.23 g/m2,估测精度EA可达到79.4%,比其他模型提高了3.3%~7.1%。这说明红边波段更适于采煤沉陷区作物生物量的估算,引入红边波段构建生物量反演模型,可以显著提高采煤沉陷影响下玉米生物量无人机遥感反演模型的精度。研究结果表明:采煤沉陷盆地内玉米生物量主要分布于592~1 050 g/m2,其面积占研究区的74.4%,地表生物量低于352 g/m2的作物面积达到14.1%,玉米整体长势受采煤扰动影响较为严重,玉米生物量呈现从沉陷盆地边缘往中心逐渐降低的趋势。本文研究为同类型其他高潜水位矿区土地损毁监测与评价、土地复垦与生态修复等提供基础数据与理论支撑。     

基于无人机多光谱影像的矮林芳樟叶片含水率与叶水势反演

叶片含水率和叶水势反映植物组织中水分的状态,是衡量植物水分供应和水分利用效率的重要指标。为探究基于不同高度下无人机多光谱影像反演叶片含水率和叶水势模型的差异,本研究在3个飞行高度处理F30、F60、F100 (30、60、100m)下采集多光谱影像数据,通过使用6种光谱反射率+经验植被指数的组合与地面实测数据进行相关性分析,获得不同飞行高度下的光谱反射率+经验植被指数组合与叶片含水率和叶水势的反演模型及其决定系数,以决定系数为依据分别构建支持向量机（SVM）、随机森林（RF）和径向基神经网络（RBFNN）模型,分析不同飞行高度无人机多光谱影像反演芳樟叶片含水率和叶水势的精度。结果发现：3个飞行高度下,基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30处理对叶片含水率与叶水势反演效果均优于F60和F100处理。F30处理对叶片含水率反演的敏感光谱反射率+植被指数组合为红光波段反射率（R）、红边1波段反射率（RE1）、红边2波段反射率（RE2）、近红外波段反射率（NIR）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）。RF模型训练集的R2、RMSE、MRE分别为0.845、0.548%、0.712%;测试集的R2、RMSE、MRE分别为0.832、0.683%、0897%。对叶水势反演的敏感光谱反射率+植被指数组合为R、RE2、NIR、EVI、SAVI、花青素反射指数（ARI）。RF模型训练集的R2、RMSE、MRE分别为0.814、0.073MPa、3.550%;测试集的R2、RMSE、MRE分别为0.806、0.095MPa、4.250%。研究结果表明飞行高度30m与RF方法分别为反演叶片含水率和叶水势的最优光谱获取高度与最优模型构建方法。本研究可为基于无人机平台的矮林芳樟水分监测提供技术支持,并可为筛选无人机多光谱波段与经验植被指数、实现植物长势参数快速估测提供应用参考。     

基于无人机遥感的玉米水分利用效率与生物量监测

玉米生物量及水分利用效率是反映作物长势和作物品质的重要指标。为实现农业精准管理,本文以不同水分处理的青贮玉米为研究对象,探讨无人机多光谱遥感平台结合作物生长模型估测青贮玉米生物量及水分利用效率的可行性。首先,将基于高时空分辨率无人机多光谱图像估测的关键作物参数蒸腾系数kt输入到简单的水分效率模型中,来拟合不同水分胁迫处理下玉米水分利用效率WUE和标准化水分利用效率WP*;然后,采用拟合的WUE、WP*估算相同水分和不同水分状况下的玉米生物量,并进行验证;基于高时空分辨的无人机多光谱遥感图像获取了大田尺度上的WUE、WP*和生物量的空间分布图。结果表明,基于无人机多光谱、气象和土壤水分数据计算的实际蒸腾量∑Tc,adj和∑ktkswkst（ksw、kst为环境胁迫因子）与玉米生物量具有极显著（P<0.001）的相关性,不同水分处理下WUE的决定系数R2均不小于0.92,WP*的R2均不小于0.93。在同一水分胁迫下,使用拟合的WUE和WP*对生物量的估测精度几乎相同,玉米V-R4生育期估测精度较高,WUE的RMSE为126g/m2,WP*的RMSE为91.7g/m2,一致性指数d均为0.98,但在R5-R6生育期内精度不高。在不同水分胁迫下,使用WUE和WP*估测生物量时,WUE容易受到水分胁迫影响,精度较低（RMSE为306g/m2,d=0.93）,而WP*的精度较高（RMSE为195g/m2,d=0.97）。研究表明,将无人机遥感平台与作物生长模型相结合能够很好地估测大田玉米生物量及水分利用效率。     

剔除土壤背景的冬小麦根域土壤含水率遥感反演方法

为剔除无人机多光谱图像中的土壤背景、提高作物根域土壤含水率反演精度,以不同水分处理的拔节期冬小麦为研究对象,利用无人机多光谱相机分别在09:00、11:00、13:00、15:00和17:00等5个时刻获取高分辨率多光谱图像,采用改进的植被指数阈值法快速确定植被像元与土壤像元的分类阈值,通过阈值划分剔除土壤背景,并根据阈值变化研究土壤背景对冬小麦冠层反射率的影响,建立了剔除土壤背景前后基于植被指数的土壤含水率反演模型。结果表明,应用改进的植被指数阈值法可有效剔除多光谱图像中的土壤背景,其中基于植被指数RDVI的剔除精度最高,总体精度在91.32%以上;土壤背景对冬小麦冠层近红外波段的反射率影响较大,红边波段次之,而对可见光波段的反射率影响较小;剔除土壤背景前后的植被指数与土壤含水率均呈线性关系,剔除土壤背景对反演土壤含水率的精度有显著提高,其中NGRDI反演深度10~20cm的冬小麦根域土壤含水率效果最好,建模集R2和RMSE分别为0.739和2.0%,验证集R2和RMSE分别为0.787和2.1%。     

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。     

基于多时相无人机遥感植被指数的夏玉米产量估算

为建立夏玉米无人机遥感估产模型,正确评价规模化农业经营管理和用水效率,以内蒙古自治区规模化种植的夏玉米为研究对象,设置了5个不同水分处理的实验区域,每个实验区域布置了3个样区,利用自主研发的多旋翼无人机多光谱遥感平台,对夏玉米进行多时相的遥感监测。采用牛顿-梯形积分和最小二乘法,构建了基于多种植被指数和多种生育期对应的夏玉米实测产量的6种线性模型,并采用阈值滤波法减少土壤噪声对模型精度的影响。结果显示,不同生育期的玉米估产模型精度存在显著差异。单一生育期中,精度由高到低依次为:抽雄期、吐丝期、蜡熟期、拔节期,最优植被指数为EVI2(决定系数R^2=0.72,均方根误差RMSE为485.46 kg/hm^2);多生育期的最优植被指数为GNDVI(R^2=0.89,RMSE为299.35 kg/hm^2)。经过土壤滤波后,拔节期和多生育期的R^2提升显著,其中基于植被指数GNDVI、MASVI2、EVI2的多生育期估产模型的决定系数R2提升到0.87以上。多生育期的无人机遥感估产优于单生育期,最优估产植被指数为GNDVI,阈值滤波法可以有效提升估产精度,优化后基于植被指数的无人机遥感估产模型可以快速有效诊断和评估作物长势和产量。     

基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R²提高约0.021,支持向量机回归模型R²提高约0.015,随机森林回归模型R²提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R²、RMSE分别为0.459、1 822.746 kg/hm²,支持向量机回归模型估测精度最高时的R²、RMSE分别为0.540、1 676.520 kg/hm²,随机森林回归模型估测精度最高时的R²、RMSE分别为0.560、1 633.896 kg/hm²,本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。     

基于高光谱数据的玉米叶面积指数和生物量评估

利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平。本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数（LAI）和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,比较分析两类高光谱数据在玉米表型性状参数上的监测能力。结果表明,野生型玉米材料的冠层光谱反射率在近红外波段随着种植密度的增大而增大;同一种植密度下的野生型玉米材料的光谱反射率在可见光和近红外波段均为最低。在可见光波段550 nm的波峰处,4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高4.52%~19.9%,在近红外波段870 nm的波峰处,4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高23.64%~57.05%。基于21个高光谱植被指数构建的模型对LAI的估算效果最好,测试集决定系数R²为0.70,均方根误差RMSE为0.92,相对均方根误差rRMSE为15.94%。敏感波段反射率（839~893 nm和1336~1348 nm）对玉米单株地上部生物量估算效果最佳,测试集R²为0.71,RMSE为12.31 g,rRMSE为15.89%。综上,田间非成像高光谱和无人机成像高光谱在玉米LAI及生物量估算方面具有较好的一致性,能够快速有效地提取地块尺度玉米农学参数信息,本研究可为高光谱技术在小区尺度的精准农业管理应用提供参考。     

玉米冠层LAI反演中UAV影像镜面反射去除方法

针对玉米叶片反射太阳光时因镜面反射导致获得的无人机影像反射率中存在与冠层结构无关的镜面反射部分,从而影响玉米冠层LAI的反演精度问题,本研究利用小波变换对无人机影像不同波段的阈值设置,在不影响漫反射的前提下削弱镜面反射成分,尽量只保留与冠层结构有关的反射率成分。以2018年7月15日和7月26日获取的河北农业大学辛集试验站多光谱无人机影像为数据源,构建了NDVI、GNDVI、SAVI和EVI 4个植被指数,并分别与ln(LAI)构建玉米冠层的单变量反演模型,利用决定系数和均方根误差进行LAI反演精度评价。精度评价结果表明,在7月15日玉米植株较稀疏时,去除镜面反射后,4个植被指数反演LAI与实测LAI的决定系数分别从0. 719 0、0. 559 8、0. 624 1、0. 598 5上升至0. 763 3、0. 694 0、0. 649 7、0. 619 4,均方根误差分别从0. 224 4、0. 252 6、0. 221 4、0. 224 5下降到0. 188 0、0. 195 8、0. 191 8、0. 198 7,说明去除镜面反射可以提高LAI的反演精度。在7月26日玉米植株相对茂密时,去除镜面反射后,4个指数构建模型对应的决定系数也同样提高,但在这种情况下,NDVI和GNDVI容易发生饱和,用阈值法降低反射率反而会加剧饱和现象,使这2个指数不能充分反映LAI的变化。SAVI和EVI因为加入了冠层背景调整因子,植被指数的变化得到放大,二者在去除镜面反射后与ln(LAI)拟合模型的决定系数都达到0. 6以上,因此,在植被覆盖较茂密时,SAVI指数和EVI指数更适合用于LAI反演。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI(783,705)构建的单变量模型为最优反演模型,其决定系数为0.534 2,均方根误差为0.288 5。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于无人机多光谱遥感的芳樟矮林SPAD反演

为实现利用多光谱技术开展芳樟叶绿素相对含量(SPAD)监测，及时快速诊断芳樟矮林生长状况，为田间管理决策提供信息支持，以红壤区芳樟矮林为研究对象，利用无人机多光谱遥感影像，提取波段反射率，筛选植被指数，分别以波段反射率和植被指数为模型输入量，采用偏最小二乘回归、支持向量回归、反向传播(Back propagation, BP)神经网络和径向基函数(Radial basis function, RBF)神经网络4种方法构建芳樟矮林SPAD反演模型，并对比不同输入量、不同模型模拟结果的反演精度。研究结果表明：对比两种不同的输入量，在同一模型反演的精度相差不大；其中，基于偏最小二乘回归法，以植被指数为模型自变量估测芳樟矮林SPAD效果略优；基于支持向量回归、BP神经网络和RBF神经网络，以波段反射率为模型自变量估测芳樟矮林SPAD效果略优；对比4种建模方法，不同方法建模预测精度不同，与偏最小二乘回归、支持向量回归和BP神经网络相比，基于RBF神经网络反演芳樟SPAD的精度最高，以波段反射率和植被指数为模型输入量的测试集为例，其决定系数R²分别为0.788、0.751,均...     

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演方法

叶面积指数是描述玉米冠层结构的重要参数之一,决定玉米冠层的光合作用、呼吸作用、蒸腾和碳循环等生物物理过程,因此精确反演叶面积指数对玉米长势监测具有重要意义。本文以河北省保定市的涿州市、高碑店市、定兴县为研究区,利用Sentinel-2遥感影像和LAI-2000地面同步实测数据进行玉米冠层叶面积指数反演,使用归一化差异光谱指数和比值型光谱指数两类指数,构建了单变量和多变量玉米冠层叶面积指数反演模型,通过决定系数(R~2)和均方根误差(RMSE)筛选出最佳模型。研究结果表明,由NDSI_((783,705))构建的单变量模型为最优反演模型,其决定系数为0.5342,均方根误差为0.2885。因此,基于Sentinel-2遥感影像利用植被指数反演玉米冠层叶面积指数的方法可作为判断玉米长势状况的初步判断依据。     

基于光谱红边位置提取算法的番茄叶片叶绿素含量估测

为了快速、准确估测番茄叶片叶绿素含量,分析了不同营养水平下的番茄叶片光谱红边参数变化规律,发现红边位置最能表征番茄叶绿素状况,统计分析了6种算法提取的光谱红边位置的差异性,并为每种算法分别建立了5种估测模型,验证结果表明每种红边位置提取算法所对应的最佳模型为线性四点内插法的指数曲线模型和其他红边位置算法的对数曲线模型。其中线性外推法模型精度最高,校正集决定系数R2c为0.618 6,验证集决定系数R2v达到0.771 1,验证集均方根误差RMSEv为8.359 6,可以有效诊断番茄叶绿素含量。线性四点内插法根据670、700、740、780 nm 4个波段的叶片反射率计算红边位置,运算简单,模型精度较高,R2c为0.621 7,R2v达到0.766 6,RMSEv为8.568 2,可以作为开发番茄叶绿素含量监测仪器的依据。     

基于Hyperion高光谱影像的冬小麦地上干生物量反演

在黄淮海粮食主产区选择河北省衡水市深州市为试验区,以冬小麦地上干生物量为研究对象,以作物冠层高光谱和EO-1 Hyperion高光谱卫星数据为主要数据源,在分析冠层高光谱构建的窄波段植被指数(N-VIs)与实测冬小麦地上干生物量间相关性基础上,提出了利用拟合精度R2极大值区域重心确定冬小麦干生物量敏感的光谱波段中心的方法,并运用该方法确定了冬小麦生物量敏感波段中心。在此基础上,以敏感波段中心筛选结果为指导,利用窄波段植被指数及相关波段开展Hyperion高光谱卫星遥感区域冬小麦干生物量遥感反演和精度验证。最终,按精度最高原则优选区域冬小麦地上生物量反演结果。其中,研究采用了冬小麦孕穗期Hyperion数据,涉及的植被指数包括窄波段归一化植被指数(N-NDVI)、窄波段差值植被指数(N-DVI)和窄波段比值植被指数(N-RVI)。结果表明,通过与实测冬小麦地上干生物量对比,利用冠层高光谱冬小麦地上干生物量反演敏感波段筛选结果及其相应波段构建的Hyperion窄波段植被指数进行孕穗期作物干生物量估算取得了较好结果,其精度由大到小为:NNDVI、N-RVI、N-DVI。其中,以波段B18(波长528.57 nm)、波段B82(波长962.91 nm)构建的Hyperion N-NDVI估算区域冬小麦地上干生物量精度最高,相对误差(RE)和归一化均方根误差(NRMSE)分别为12.65%和13.78%。     

基于Hyperion高光谱遥感影像的冬小麦地上干生物量反演

在中国黄淮海粮食主产区选择河北省衡水深州市为试验区,以冬小麦地上干生物量为研究对象,以作物冠层高光谱和EO-1 Hyperion高光谱卫星数据为主要数据源,在分析冠层高光谱构建的窄波段植被指数(N-VIs)与实测冬小麦地上干生物量间相关性基础上,提出了利用拟合精度R~2极大值区域重心确定冬小麦干生物量敏感的光谱波段中心的方法,并运用该方法确定了冬小麦生物量敏感波段中心。在此基础上,以敏感波段中心筛选结果为指导,利用窄波段植被指数及相关波段开展Hyperion高光谱卫星遥感区域冬小麦干生物量遥感反演和精度验证。最终,按精度最高原则优选区域冬小麦地上生物量反演结果。其中,研究采用了冬小麦孕穗期Hyperion数据,涉及的植被指数包括窄波段归一化植被指数(N-NDVI)、窄波段差值植被指数(N-DVI)和窄波段比值植被指数(N-RVI)。结果表明,通过与实测冬小麦地上干生物量对比,利用冠层高光谱冬小麦地上干生物量反演敏感波段筛选结果及其相应波段构建的Hyperion窄波段植被指数进行孕穗期作物干生物量估算取得了较好结果,其精度由大到小为:N-NDVI、N-RVI、N-DVI。其中,以波段B_(18)(波长528.57nm)、波段B_(82)(波长962.91nm)构建的Hyperion N-NDVI估算区域冬小麦地上干生物量精度最高,相对误差(RE)和归一化均方根误差(NRMSE)分别为12.65%和13.78%,证明本研究提出的区域冬小麦地上干生物量反演方法具有一定可行性,为高光谱遥感卫星数据敏感波段选取和提高农作物生物理化参数定量遥感精度提供了一定思路借鉴。     

基于Landsat8 OLI遥感数据反演乌梁素海浮游植物生物量

【目的】评价乌梁素海多个季度浮游植物生物量反演模型的适用性,为乌梁素海水质治理与改善提供一定的理论依据。【方法】利用乌梁素海Landsat8 OLI遥感数据,结合实测水体的叶绿素a质量浓度数据,采用回归分析,构建乌梁素海浮游植物生物量反演模型,对反演模型精度和普适性进行验证。【结果】春季以b_5(近红外)/b_4(红光)为自变量的二次多项式回归方程拟合度较差,决定系数为0.463,实测数据与预测数据的均方根误差为6.88 mg/m~3;夏季以b_5(近红外)/b_4 (红光)为自变量的二次多项式回归方程拟合度最优,决定系数为0.816,实测数据与预测数据的均方根误差为3.67 mg/m~3;秋季以(b_5-b_4)/b_3为自变量的二次多项式回归方程拟合度适中,决定系数为0.602,实测数据与预测数据的均方根误差为4.63 mg/m~3。【结论】同步采集水样与高光谱数据,利用细胞体积转化法计算浮游植物生物量,是提高浮游植物生物量反演模型精度的重要前提条件。     

基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究

水稻叶片叶绿素含量遥感诊断是实现水稻精准施肥的核心要素。本研究通过分析寒地水稻关键生育期叶片高光谱反射率信息，同时结合PROSPECT模型叶绿素含量吸收系数，参考借鉴现有高光谱植被指数的构造方法和形式，利用相关性分析、连续投影法、遗传算法优化的粗糙集属性简约法进行高光谱特征选择，提出了仅含有695、507和465nm 3个高光谱特征波段的红边优化指数（ORVI）。与Index Data Base数据库中其他用于叶绿素含量反演植被指数，包括ND_528,587、SR_440,690、CARI、MCARI的反演结果进行了对比分析，结果表明：IDB数据库中的已有4种植被指数叶绿素含量反演模型的决定系数R₂分别为0.672、0.630、0.595和0.574；ORVI植被所建立的叶绿素含量反演模型的决定系数R₂为0.726，均方根误差RMSE为2.68，精度高于其他植被指数，说明了ORVI在实际的应用中，能够作为快速反演水稻叶绿素含量的高光谱植被指数。本研究能够为寒地水稻叶绿素含量高光谱遥感诊断及管理决策提供一定的客观数据支撑和模型参考。