基于无人机遥感影像的冬小麦氮素监测

精准氮素管理是一项提高作物氮肥利用效率的有效策略,利用无人机遥感技术精确估测小麦氮素状况是必要的。试验在山东省乐陵市科技小院实验基地进行,利用八旋翼无人机搭载Mini-MCA多光谱相机于2016年获取冬小麦4个关键生育时期(返青期、拔节期、孕穗期、扬花期)冠层多光谱数据,同步获取地上部植株样品并测定其生物量、吸氮量、氮营养指数,及成熟期籽粒产量,根据各关键生育期与全生育期分别构建植被指数与农学参数回归分析模型,评估基于无人机遥感影像的冬小麦氮素营养诊断潜力。结果表明:基于无人机遥感影像能够较好地估测冬小麦氮素指标(R2为0.45~0.96),决定系数随着生育期推移而逐渐增大。拔节期、孕穗期和扬花期估产效果接近且具有很好的估测能力,扬花期DATT幂函数模型对小麦氮营养指数的解释能力最强(R2=0.95)。因此,以多旋翼无人机为平台同步搭载多光谱相机对冬小麦有较好的氮素诊断潜力,可利用估测结果指导精准氮肥管理。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

荒漠林高光谱与光学影像植被指数(Ⅵ)的比较

【目的】利用地面遥感和航天遥感数据结合植被指数实现快速调查,研究各数据中植被指数的差异。【方法】用地面高光谱数据和光学影像中分别对梭梭林和柽柳林进行归一化植被指数(NDVI)、重归一化植被指数(RDVI)和土壤调节植被指数(SAVI)3种植被指数的提取,并进行比较。【结果】在高光谱Ⅵ中,梭梭林和柽柳林的3种VI的数值大小和变化趋势都很接近,特别是SAVI和RDVI,但NDVI的变化较其他2种大;而在光学影像Ⅵ中,梭梭林和柽柳林的NDVI和SAVI的数值基本保持在一定范围内,且变化幅度微小,而RDVI的数值和变化趋势均较大,相对不稳定。【结论】高光谱数据所提取的NDVI和SAVI均大于光学影像,而光学影像所提取的RDVI均大于高光谱数据,RDVI对植被覆盖度更敏感。     

无人机多光谱遥感反演冬小麦植株含水率

为了建立一种高效监测冬小麦植株含水率的无损方法,用于反映作物水分状况、指导精准灌溉。以北京大兴的冬小麦为研究对象,利用无人机搭载多光谱相机采集冬小麦5个波段的光谱信息,构造了光谱反射率模型和光谱植被指数模型,筛选了典型地区冬小麦植株含水率解译模型。结果表明:冬小麦植株含水率与反射光谱在0.05水平上显著相关,优选的两种模型的预测精度较高,相对误差均小于10%,决定系数均大于0.75;从模型复杂程度和物理含义考虑,估算植株含水率的最优模型为基于逐步回归法的光谱指数模型,该模型的率定及验证的决定系数为0.78和0.83,均方根误差为6.79%和5.47%,相对误差为9.73%和6.91%。该研究为采用无人机多光谱遥感技术实现对作物水分的快速高效监测提供了有效方法。     

不同生育时期冬小麦叶片相对含水量高光谱监测

为实现冬小麦不同生育时期叶片水分含量的快速监测，以冬小麦冠层高光谱数据和红外热成像数据为基础，计算得到5种光谱参数，通过对不同生育时期叶片相对含水量与光谱参数拟合状况进行分析和筛选，分别构建了基于光谱参数的叶片相对含水量反演模型，并对模型进行检验。结果表明，不同生育时期叶片相对含水量与比值指数（RVI）、归一化差值植被指数（NDVI）、比值/归一化植被指数（R/ND）、优化土壤调整植被指数（OSAVI）、冠气温差（TDc-a）均呈极显著相关（P＜0.01）；拔节期、抽穗期、开花期、灌浆前期和灌浆后期叶片相对含水量分别与NDVI、OSAVI、R/ND、TDc-a和TDc-a拟合效果较好，决定系数分别为0.842、0.884、0.831、0.864和0.945；预测模型的均方根误差分别为0.019、0.016、0.027、0.032和0.024，相对误差分别为2.16%、1.80%、3.30%、3.81%和3.53%。因此，在拔节期、抽穗期、开花期、灌浆前期和灌浆后期，可以分别利用NDVI、OSAVI、R/ND、TDc-a和TDc-a估测冬小麦叶片相对含水量。     

1999-2016年天山西部植被覆盖的时空变化

[目的]调查天山西部生态环境植被覆盖状况，为科学保护区域生态环境和管理提供科学依据。[方法]以天山西部林区—霍城林场为研究对象，基于1999，2007和2016年3个时期的Landsat TM遥感影像和DEM数据，运用归一化植被指数分析研究区植被覆盖情况和空时变化特征。[结果]时间变化上，1999—2016年期间霍城林场植被覆盖以Ⅱ和Ⅲ级为主，所占比重达到55%以上，总体上是呈现上升趋势；空间分布上，霍城林场因海拔、坡度和坡向等地形因子的不同而出现不同的分布和变化特征，当海拔在1 500~2 000 m和2 000~2 500 m或者坡度30°~45°的区域时，植被覆盖度相对较高；当海拔 < 1 500 m以及 > 2 500 m或坡度 < 30°的区域时，植被覆盖度相对较低；植被覆盖度随着坡向的变化而变化着，呈现出阴坡 > 半阴坡 > 半阳坡 > 阳坡的分布特征；当海拔 < 1 500m和坡度 < 30°的区域时，植被覆盖度变化较为明显，而当海拔 > 2 500 m和坡度 > 45°的区域时，因受人为社会活动影响小，植被覆盖变化不明显。[结论]1999—2016年期间，霍城林场植被覆盖在时间变化上总体呈现上升趋势，在空间分布上因海拔、坡度和坡向等地形因子的不同呈现不同的分布和变化特征。     

运用植被指数时序特征对落叶松人工林分类

为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。     

基于多载荷无人机遥感的大豆地上鲜生物量反演

以多载荷无人机获取数据和地面实测的数据为基础,将大豆生殖生长期分段建模,采用植被指数和光谱参数相结合再加上农学参数株高,通过最小二乘法建立多元线性回规模型的方法,来估算大豆开花期和结荚期的鲜生物量,采用高光谱植被指数法估算大豆鼓粒期和成熟期的鲜生物量。结果表明:在大豆开花期和结荚期内,采用混合法构建生物量反演模型利用交叉验证法,验证结果的R~2和RMSE分别为0.714和0.393;在大豆鼓粒期和成熟期内,采用高光谱植被指数法构建生物量反演模型,利用交叉验证法,验证结果的R~2和RMSE分别为0.697和0.386;大豆开花结荚期构建的模型和鼓粒成熟期构建的模型都有比较高的精度和可靠性,利用这两种模型完成了高光谱影像鲜生物量的遥感空间制图,能反映当地当时大豆的真实长势情况。     

应用主动传感器GreenSeeker估测大豆籽粒产量

主动遥感技术可以方便、快捷、无损伤性地监测大豆生长。以黄淮海地区圣丰种业2011年和2012年大豆育种品系和重组自交家系(NJRIKY)共1272个家系为材料,分组设置试验,分别采用随机区组、重复内分组以及格子设计,重复3次,使用主动传感器GreenSeeker监测苗期、开花期、结荚期和鼓粒期冠层反射光谱,获得冠层归一化植被指数(NDVI),搜索大豆冠层NDVI与产量的共变化规律,建立产量估算模型。结果表明,大豆冠层NDVI随生育期的推进呈"低—高—低"变化趋势;基于单一生育期冠层NDVI建立的产量估测模型大多为简单线性回归,鼓粒期效果最好;基于多生育期冠层NDVI建立的产量估测模型中,由育种家系试验建立的大豆产量最佳估测模型(y=e6.9-4.1x1+4.3x2+1.4x3)的决定系数(R2)可达到0.66;用此模型对NJRIKY估产,与实际产量的符合度可达0.59。所建模型具有一定的预测效果,在规模化育种中可用于育种中期无重复试验的产量预测和初步选择。     

基于遥感的干旱监测方法研究

在全球变暖的气候背景下,近年来干旱频发且不断加剧,对人类的生产生活造成了严重的影响。目前,干旱监测已成为全球气候变化研究的一个热点课题。遥感技术以其客观、及时、经济、覆盖范围广、数据连续等优点,已被证明是干旱监测中最具前景的技术手段。本文基于遥感原理,介绍了归一化植被指数、温度状态指数、标准化降雨指数和标准化降雨蒸散指数等几种常见的干旱指数,综述了运用不同指数干旱监测的主要应用。最后针对目前研究中存在的问题,对今后研究的主要方向作出了展望。