基于随机森林算法的冬小麦生物量遥感估算模型对比

为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法（random forest,RF）将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析（correlation coefficient, r）、袋外数据（out-of-bag data,OOB）重要性和灰色关联分析(grey relational analysis, GRA)与随机森林算法（RF）进行整合,构建了3种冬小麦生物量估算模型：r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明：r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。     

基于无人机数码影像的马铃薯生物量估算

株高和植被覆盖度（Vegetation Coverage, VC）是估算生物量的重要参数，而生物量的准确估算对农业生产具有重要作用。该研究获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的无人机和地面数码影像，并实测株高、地上生物量和地面控制点（Ground Control Point, GCP）的三维空间坐标。首先基于数字表面模型（Digital Surface Model, DSM）提取马铃薯株高，其次利用地面和无人机数码影像提取马铃薯VC实测值和估测值，然后将提取的株高、VC和二者乘积与选取的11种植被指数和生物量作相关性分析，挑选出相关性较好的前6种植被指数和3种农学参数，最后通过线性回归（Linear Regression，LR）、偏最小二乘回归（Partial Least Square Regression，PLSR）、随机森林（Random Forest，RF）算法和支持向量机（Support Vector Machine, SVM）估算生物量。结果表明，提取株高和实测株高拟合的决定系数为0.86，标准均方根误差为13.42%；提取VC值和实测VC值拟合的决定系数为0.84，标准均方根误差为15.76%；利用LR建模和验证精度由低到高依次为提取的株高、VC和二者乘积，每种变量的估算效果均从现蕾期到块茎增长期逐渐变好，从淀粉积累期到成熟期逐渐变差；每个生育期利用3种方法以不同变量估算生物量效果依次由低到高为植被指数、植被指数结合提取株高、植被指数结合提取VC、植被指数结合提取的株高和VC，其中PLSR模型效果优于RF和SVM模型。该研究为马铃薯长势快速监测提供参考。     

融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算

基于无人机数码影像,探讨融合光谱信息与纹理特征构建的"图-谱"指标对冬小麦氮营养指数的估算能力,为冬小麦氮素营养精准探测提供一种可靠的技术手段。利用无人机数码影像及相应的生物量和植株氮含量数据,分析了图像指数、纹理特征与氮营养指数的相关性,然后将图像指数与纹理特征相乘或相除融合形成"图-谱"融合指标,分析"图-谱"融合指标与氮营养指数的相关性,整合灰色关联度和方差膨胀因子,筛选对氮营养指数敏感的"图-谱"融合指标,最后用偏最小二乘法分析图像指数、纹理特征及"图-谱"融合指标估测氮营养指数的能力。结果表明:"图-谱"融合指标较图像指数、纹理特征与氮营养指数的相关性有了较大的提高,利用"图-谱"融合指标构建的氮营养指数模型估算精度(R~2=0.644 3)高于图像指数及纹理特征构建的氮营养指数模型(R~2分别为0.593 8及0.584 5),而且"图-谱"融合指标构建的模型验证结果均方根误差最小,为0.114 0。基于光谱信息和纹理特征融合的"图-谱"指标可以有效提高冬小麦氮营养指数的反演精度,为冬小麦氮素营养诊断反演提供了一种有效的思路。     

不同氮肥条件下冬小麦冠层高光谱特征及红边参数变化

为快速、准确、无损地监测小麦长势和营养状况,对不同氮素处理下4个小麦品种的冠层高光谱信息进行分析,并进行了红边参数与农学组分的相关分析。结果表明,在同一氮肥条件下,同一品种小麦在不同生育期的冠层高光谱反射率差异明显,且在近红外波段的差异大于可见光波段。随着氮肥施用的增加,近红外反射率有明显升高的趋势,而可见光处反射率降低并呈单峰曲线,且随着施氮量的增加反射光谱的红边和绿峰分别发生红移、蓝移。在冬小麦红边参数中,红谷位置、最小振幅及绿峰位置与农学组分之间呈负相关,而其余各红边参数与农学组分之间呈极显著正相关;建立了基于红边振幅的各个组分之间的回归统计模型,且模型较为稳定。     

基于可见光-近红外光谱特征参数的苹果叶片氮含量预测

苹果叶片氮素是反映苹果品质高低的营养元素之一。为了准确地估算苹果叶片全氮含量(LNC),从可见光-近红外区域的高光谱反射曲线中提取光谱特征参数,应用经验回归分析,实现了对苹果LNC的高光谱监测。研究表明,除了光谱特征曲线面积变量S_(△EFG)显著相关以及面积归一化植被指数(S_(△CDE)-S_(△FGH))/(S_(△CDE)+S_(△FGH))不相关外,其余光谱特征参数与苹果LNC都极显著相关,其中光谱特征曲线斜率K_(ge)、K_(gprv),光谱特征曲线面积S_(△ABC)、S_(△BCD),面积比值植被指数S_(△CDE)/S_(△ABC)、S_(△CDE)/S_(△BCD)、S_(△DEF)/S_(△ABC),面积归一化植被指数(S_(△CDE)-S_(△ABC))/(S_(△CDE)+S_(△ABC))、(S_(△CDE)-S_(△BCD))/(S_(△CDE)+S_(△BCD))和(S_(△DEF)-S_(△ABC))/(S_(△DEF)+S_(△ABC))可以较好地描述LNC的动态变化,这些特征参数对苹果LNC进行估算是可行的。通过检验,最终确定基于S_(△CDE)/S_(△ABC)、(S_(△CDE)-S_(△ABC))/(S_(△CDE)+S_(△ABC))和(S_(△DEF)-S_(△ABC))/(S_(△DEF)+S_(△ABC))所构建的模型为预测苹果LNC的理想模型。     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

基于改进水云模型和Radarsat-2数据的农田土壤含水量估算

为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。     

基于遥感和AquaCrop作物模型的多同化算法比较

为了研究不同数据同化方法在AquaCrop(FAO Crop model to simulate yield response to water)模型模拟作物地上生物量(above ground biomass,AGB)、冠层覆盖度(canopy cover,CC)和产量过程的效率,以冬小麦为研究对象,利用2012-2013、2013-2014和2014-2015年冬小麦田间试验数据,将标定的Aqua Crop生长模型与遥感光谱信息相结合开展同化技术分析,应用粒子群优化(particle swarm optimization,PSO)、模拟退火(simulated annealing,SA)和复合型混合演化(shuffled complex evolution,SCE-UA)3种数据同化算法,以不同生育期、不同水分处理和不同氮肥水平的AGB和CC为双变量开展多同化算法的模拟分析,对3种数据同化算法的运算效率和同化结果进行对比分析。结果表明:1)3种数据同化算法达到的应度值0.26时,SCE-UA同化算法用时最少(833 s),SA数据同化算法用时最多(1433 s),表明SCE-UA同化算法效率最优,SA数据同化算法效率最低;2)不同生育期的同化结果,AGB的同化精度随着生育期的推进而降低,AGB的模拟值在拔节期和挑旗期高于实测值,被高估,在开花期和灌浆期被低估,总的AGB被低估;CC在拔节期和挑旗期被低估,在开花期和灌浆期被高估,总的CC被低估;3)不同水分处理的同化结果,AGB普遍被低估,CC在雨养(W0)条件下被高估,在正常灌溉(W1)和过量灌溉(W2)条件下被低估;产量均被低估;4)不同氮肥水平,AGB的模拟精度随着施N量的增加而降低,并且普遍被低估,CC普遍被高估,产量均被低估。以上结果表明,PSO、SA和SCE-UA 3种数据同化算法均能有效模拟冬小麦的AGB、CC和产量,其中SCE-UA数据同化算法无论在运算效率还是同化结果的精度上均优于PSO和SA数据同化算法。