基于无人机数码影像的玉米育种材料株高和LAI监测

快速、无损和高通量地获取田间株高(height,H)和叶面积指数(leaf area index,LAI)表型信息,对玉米育种材料的长势监测及产量预测具有重要的意义。基于无人机(unmanned aerial vehicle,UAV)遥感平台搭载高清数码相机构建低成本的遥感数据获取系统,于2017年5—9月在北京市昌平区小汤山镇国家精准农业研究示范基地的玉米育种材料试验田,获取试验田苗期、拔节期、喇叭口期和抽雄吐丝期的高清数码影像和地面实测的H、LAI和地面控制点(ground control point,GCP)的三维空间坐标。首先,基于高清数码影像结合GCP生成试验田的数字表面模型(digital surface model,DSM)和高清数码正射影像(digital orthophoto map,DOM);然后,基于DSM和DOM分别提取玉米育种材料的H和数码影像变量,其中将DOM的红、绿和蓝通道的DN(digital number)值分别定义为R、G和B,进行归一化后得到数码影像变量,分别定义为r、g和b;最后,基于实测H对DSM提取的H进行了精度验证,并用逐步回归分析方法进行了LAI的估测。结果表明,实测H和DSM提取的H高度拟合(R~2、RMSE和n RMSE分别为0.93,28.69 cm和17.90%);仅用数码影像变量估测LAI,得到最优的估测变量为r和r/b,其估算模型和验证模型的R~2、RMSE和n RMSE分别为0.63,0.40,26.47%和0.68,0.38,25.51%;将H与数码影像变量进行融合估测LAI,得到最优的估测变量为H、g和g/b,其估算模型和验证模型的R~2、RMSE和n RMSE分别为0.69,0.37,24.34%和0.73,0.35,23.49%。研究表明,基于无人机高清数码影像结合GCP生成DSM,提取玉米育种材料的H,精度较高;将H与数码影像变量进行融合估测LAI,与仅用数码影像变量相比,估测模型和验证模型的精度明显提高。该研究可为玉米育种材料的田间表型信息监测提供参考。     

农用无人机多传感器遥感辅助小麦育种信息获取

为实现小麦育种过程中大规模育种材料表型信息快速高通量获取,该文分别从无人机平台优选、农情信息采集传感器集成及数据处理与解析等方面开展研究,研发了一套农业多载荷无人机遥感辅助小麦育种信息获取系统。该系统基于多旋翼无人机平台,并集成高清数码相机、多光谱仪、热像仪等多载荷传感器,提出了无地面控制点条件下的无人机遥感数据几何精校正模型,实现多载荷遥感数据几何校正。该系统操控简便,适合农田复杂环境条件作业,能够高通量获取作物倒伏面积、叶面积指数、产量及冠层温度等育种关键表型参量,为研究小麦育种基因型与表型关联规律提供辅助支持。     

基于赤池信息准则的冬小麦植株氮含量高光谱估算

为了快速、准确地测定冬小麦植株氮含量,利用2014?2015年的冬小麦冠层反射光谱数据构建了16种氮素或叶绿素敏感光谱指数,基于变量投影重要性(variable importance projection,VIP)-偏最小二乘(partial least squares,PLS)-赤池信息准则(Akaike’s information criterion,AIC)整合模型构建了不同生育期植株氮含量最佳回归模型,并用2012?2013年挑旗期数据对模型进行了验证。结果表明:在AIC下,拔节期以4个植被指数为自变量的模型最优;挑旗期以5个植被指数为自变量的模型最优;开花期以4个植被指数为自变量的模型最优;灌浆期以6个植被指数为自变量的模型最优。4个生育期建模的决定系数(R2)和均方根误差(RMSE)分别为0.71、0.86、0.75、0.46和0.23%、0.13%、0.12%、0.15%,以挑旗期决定系数为最大。挑旗期验证集的R2和RMSE分别为0.81和0.41%,预测模型和验证模型均具有较高的估算精度和可靠性,研究结果为选择小麦合适的生育期估算小麦植株氮营养状况提供参考。     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量(PNC)信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高(H)和地面控制点(GCP)的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像(DOM)和数字表面模型(DSM),并从中提取冠层光谱特征和株高(Hdsm)。然后将各生育期提取的Hdsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和Hdsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合Hdsm利用多元线性回归(MLR)、误差反向传播(BP)神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的Hdsm与实测H具有较高的拟合度(R2为0.860,RMSE为2.663cm,NRMSE为10.234%);各生育期加入Hdsm,均能提高马铃薯PNC的估算精度和稳定性;各生育期利用MLR方法构建的PNC估算模型优于BP神经网络和Lasso回归。该研究可为马铃薯PNC状况的高效、无损监测提供技术支撑。     

基于无人机高光谱遥感数据的冬小麦产量估算

为了准确和高效地预测作物产量,以冬小麦为研究对象,利用无人机遥感平台搭载高光谱相机,获取了冬小麦各生育期的无人机影像。根据高光谱具有较多的光谱信息且存在特有的红边区域的特点,选取了9种植被指数和5种红边参数。首先,分析植被指数和红边参数与产量的相关性,优选5种植被指数和2种红边参数用于构建产量估算模型;然后,构建了不同生育期的3种产量估算模型:单参数线性回归模型、基于植被指数并使用偏最小二乘回归方法模型、基于植被指数结合红边参数并使用偏最小二乘回归方法模型;最后利用3种模型分别估算冬小麦产量。结果表明:4个生育期内,大部分植被指数和红边参数与产量呈现极显著相关性;拔节期、挑旗期、开花期与灌浆期构建的单参数线性回归模型中表现最佳的参数分别为REP、Dr/Drmin、GNDVI与GNDVI;利用偏最小二乘回归方法提高了产量估算精度,以植被指数结合红边参数为因子构建的模型提高了产量估算效果(优于以植被指数为因子构建的产量模型)。本研究可为无人机高光谱估算作物产量提供参考。     

基于无人机高光谱遥感的冬小麦株高和叶面积指数估算

为了快速、准确地估算叶面积指数（LAI），通过无人机搭载成像高光谱相机，获取了冬小麦3个生育期的影像数据，从中提取出株高（Hcsm）。首先，分析了植被指数、Hcsm与LAI的相关性，挑选出最优植被指数；然后，分别构建了单个参数的LAI线性估算模型；最后，以植被指数、植被指数结合Hcsm为模型输入因子，采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）；在不同生育期，大部分植被指数和Hcsm均与LAI呈0.01显著相关水平；基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度；以植被指数、植被指数结合Hcsm为输入变量，通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高，并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73，RMSE为0.64）。本研究方法可以提高LAI估算精度，为农业管理者提供参考。     

冬小麦SPAD值无人机可见光和多光谱植被指数结合估算

SPAD（Soil and plant analyzer development）值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数（IKAW和RBRI）、多光谱植被指数（GNDVI、CI、GMSR和GOSAVI）具有较好的相关性,与可见光植被指数（CIVE）和多光谱植被指数（GNDVI）的相结合指数具有较好的相关性,其估算模型的R2为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R2为0.91,模型验证R2、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R2为0.90,模型验证R2、RMSE和nRMSE分别为0.88、2.51和6.12%。     

区域冬小麦籽粒蛋白含量遥感预测研究

【目的】籽粒蛋白含量是衡量小麦品质优劣的重要标准,快速准确预测小麦GPC有利于其品质评价和分级管理。【方法】文章分别以卫星光谱参数、农学氮素参数以及气象因子为影响因素,并运用多元线性回归模型、极限学习机算法、地理加权回归模型3种方法实现对冬小麦GPC的预测,最终构建及评价基于不同自变量和不同方法的GPC预测模型。【结果】(1)小麦开花期氮素参数,小麦冠层光谱参数与小麦籽粒蛋白品质的关系显著相关,影响小麦籽粒蛋白品质的关键性气象因子包括5月26—30日降雨和、5月中旬至6月上旬日照和、3月上旬至6月上旬积温和;(2)以卫星光谱参数、农学氮素参数和气象因子为自变量,分别采用多元线性回归、极限学习机和地理加权回归3种方法构建小麦GPC的预测模型;其中,基于多元线性回归模型构建的GPC模型决定系数R~2为0.598,验证集标准均方根误差nRMSE和平均绝对误差MAE分别为10.36%、1.091,验证结果较稳定;基于ELM构建的GPC模型R~2为0.483,验证nRMSE和MAE分别为10.895、1.111;基于GWR的GPC模型建模精度及验证精度相对最优,其建模R~2为0.616,验证nRMSE及MAE分别为8.58%、0.956,为最优选择。【结论】综合分析模型的精度评价指标可知,考虑空间数据不稳定性构建的地理加权回归模型的预测精度最好,能更加准确地预测冬小麦籽粒蛋白含量,为精确反演冬小麦GPC区域间和年际间的预测提供可靠依据,具有广泛的应用前景。     

基于AquaCrop模型的北京地区冬小麦水分利用效率

【目的】作物水分利用效率(water use efficiency,WUE)是农业水分管理与决策的重要指标。北京是严重缺水的城市,其主要种植作物冬小麦灌溉用水占比高,开展冬小麦产量水分利用效率的分析研究,可为北京地区的冬小麦节水灌溉与增产平衡提供决策信息支持。【方法】利用2011—2012、2012—2013和2013—2014年国家精准农业示范研究基地冬小麦不同生育期不同灌溉处理下的田间实测数据,对AquaCrop作物模型进行参数本地化。统计北京地区2004—2014年冬小麦生育期的日降雨量数据,利用Pearson-Ⅲ型分布划分了3种降雨年型:湿润年(2012—2013年生育期)、平水年(2009—2010年生育期)和干旱年(2005—2006年生育期)。应用AquaCrop研究分析了3种不同降雨年型、14种灌溉情景下冬小麦籽粒产量水平和产量水分利用效率特征变化。【结果】基于AquaCrop模型的产量模拟值和实测值的R 2、RMSE和d分别为0.99、0.3 t·hm~(-2)、0.99。模型模拟的冬小麦产量水分利用效率:2011—2012年正常灌溉条件下为1.72 kg·m~(-3),2012—2013年正常灌溉条件下为1.67 kg·m~(-3),2013—2014年雨养、正常灌溉和过量灌溉条件下分别为1.27、1.74和1.64 kg·m~(-3),正常灌溉条件下产量水分利用效率最高,其次是过量灌溉,雨养条件下产量水分利用效率最低。在此基础上应用AquaCrop模型模拟分析了3种不同降雨年型冬小麦籽粒产量和产量水分利用效率随灌溉量变化的响应特征,其中,湿润年产量水分利用效率和籽粒产量达到最大值时所需的灌溉量分别为35和50 mm;平水年达到最大值所需的灌溉量分别为35和40 mm;干旱年达到最大值所需的灌溉量均为65 mm。【结论】AquaCrop模型可以很好预测北京地区不同年份不同灌溉条件下冬小麦的籽粒产量和产量水分利用效率。冬小麦产量与产量水分利用效率均随着灌溉量的增加逐渐增大,至最大值后开始减小,在干旱的情况下,植物通过自身适应策略会提高水分利用效率,随着水分的增加,水分利用率将降低,因此3种不同年型的产量水分利用效率的大小顺序依次为干旱年、平水年和湿润年。因此,在制定冬小麦灌溉策略时,要做到产量和产量水分利用效率兼顾。以上研究结果表明,利用Aqua Crop模型可以为北京地区冬小麦田间灌溉和决策提供指导。关于降雨年型本研究仅对湿润年、平水年和干旱年3种年型在越冬期、返青期、拔节期、开花期和灌浆期不同灌溉量和籽粒产量和产量水分利用效率之间的关系进行模拟,对于不同时期不同灌溉量对籽粒产量和产量水分利用效率的影响没有考虑,需要进一步研究验证。     

基于EFAST和PLS的苹果叶片等效水厚度高光谱估算

叶片等效水厚度(EWT)是评估果树生长状况及产量的一个重要参数。为了快速、准确地估算此参数,该文建立苹果叶片EWT归一化近红外水分指数(NDIWI)和扩展傅里叶幅度灵敏度检测方法和偏最小二乘回归(EFAST-PLS)估算模型并验证。使用2012年和2013年在中国山东省肥城县潮泉镇获取的整个生育期苹果叶片EWT和配套的光谱数据,比较NDIWI和EFAST-PLS联合模型。在EFAST-PLS联合模型中,EFAST用来选择光谱敏感波段,PLS用来回归分析。NDIWI与EFAST-PLS模型的决定系数(R2)分别为0.2831和0.5628,标准均方根误差(NRMSE)分别为8.00%和6.25%。研究结果表明:EFAST-PLS模型估算苹果叶片EWT潜力巨大,考虑到应用简单,NDIWI也有可取之处。