基于综合指标的冬小麦长势监测

通过单个指标检测冬小麦长势的方法很多,但是根据综合多个单个指标分析冬小麦长势的方法相对较少。利用信息熵将多个单个指标计算得到综合指标,进而分析冬小麦长势。通过偏最小二乘回归反演冬小麦氮素含量、叶绿素含量和水分含量,计算3个指标的权重,计算出综合长势指标监测冬小麦长势。研究结果表明,冬小麦冠层叶片氮素、叶绿素、水分反演的r~2分别为0.72、0.31、0.61,RMSE分别为0.506、1.303、10.320,NRMSE分别为13%、33%、17%,综合指标的r~2、RMSE、NRMSE分别为0.75、0.053、8%。结果表明,基于光谱指数冬小麦对冠层叶片氮素和水分反演精度较高,叶绿素反演精度较低,综合指标的反演精度最高。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

基于无人机数码影像的马铃薯覆盖度提取方法

为了利用数码影像快速提取马铃薯覆盖度,首先,利用植被覆盖度提取算法从地面数码影像中获取马铃薯覆盖度实测值;然后,通过植被指数提取法和最大似然监督分类法对无人机数码影像进行处理,分别获取各个研究小区的马铃薯覆盖度;提出利用颜色转换空间HSI(H-A法)从无人机数码影像中快速提取马铃薯覆盖度;最后,对HA法、最大似然监督分类法和植被指数提取法3种方法的计算结果进行精度比较。结果表明,H-A法估测的植被覆盖度的精度最高,均达到0. 91以上,拟合函数拟合度为0. 97;最大似然监督分类法次之,最低精度为0. 75,拟合度为0. 82;植被指数提取法最差,最低精度为0. 74,拟合度为0. 74。     

基于连续小波变换的冬小麦叶片最大净光合速率遥感估算

已有研究发现,植物的最大净光合速率(A_(max))决定了其潜在的光合能力。以冬小麦为研究对象,以2017年、2018年4-6月获取的拔节期、挑旗期、开花期和灌浆期4个重要生育期的不同叶位叶片的原始光谱(350～1 350 nm)与气体交换数据为基础,旨在建立基于连续小波变换的冬小麦叶片最大净光合速率估算模型。结果表明,基于连续小波变换方法估算的模型,2017年、2018年的建模决定系数(R~2)分别为0.62、0.77,验证R~2分别为0.65、0.77,其估算模型的精度远高于基于植被指数建立的模型。通过对比分析几种植被指数与高光谱数据对最大净光合速率的估算结果发现,植被指数对小麦叶片A_(max)的解释能力较低,无法对光合能力作出正确且精确的估算。基于连续小波变换方法对冬小麦叶片A_(max)的估算精度较高,可以作为预估冬小麦生长状况、产量的依据。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R²分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R²为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

不同水分处理下冬小麦叶片光谱特征及 氮素垂直分布情况分析

【目的】为了研究不同水分处理下冬小麦冠层叶片氮素的分布情况。【方法】文章以2014年北京市农林科学院试验田的冬小麦为研究对象,在野外观测实验的支持下,分析不同水分处理下冬小麦氮素垂直分布规律及冠层光谱变化规律,并对不同水分处理下冠层不同叶位光谱指数与叶片氮素进行相关性分析。【结果 /结论】在挑旗期W2水分处理下叶片氮素含量最大,而W1、W3、W4、W5随着灌水量增加叶片氮素含量降低,在拔节期上2叶的氮素含量高于上1叶,而到了抽穗期和灌浆期随着叶位的升高氮素含量逐渐升高;对于拔节期未做水分处理时光谱反射率差异性表现为W2W3W4W5W1。除拔节期外其他生育期随灌水量增加冠层叶片光谱反射率降低;拔节期上1叶在W1、W2水分处理下氮素与光谱指数相关性达显著性水平,最大相关性为0.87,挑旗期上1叶、上3叶、上5叶氮素与光谱指数相关性达显著性水平,最大相关性为0.90,抽穗期上1叶、上2叶、上3叶、上4叶氮素与光谱指数达显著性水平,最大相关性为0.92,灌浆期、上2叶氮素与光谱指数相关性达显著性水平其最大相关性为0.96。