引入地形因子的无人机遥感精准管理分区研究

根据作物长势的空间差异对耕地进行精准管理分区,可以指导田间变量管理,漫川漫岗黑土区地形复杂,分区时应考虑微地形对作物的影响.以典型黑土区玉米田块为研究区,利用1.1m空间分辨率的无人机多光谱影像提取玉米大喇叭口期(播种后约45 d)归一化植被指数(Normalized difference vegetation index,NDVI),分别结合4种地形因子(高程、坡度、地形起伏度、地表粗糙度),通过面向对象分割方法进行分区,并利用产量数据对分区结果进行评价,对比无人机影像结合不同地形因子分区的精度.结果 表明:研究地块产量、土壤养分及植株生理参数均存在显著变异性,产量与地形存在相关性;相较使用单期NDVI分区,结合地形因子能够显著提高分区精度;结合不同地形因子后,无人机分区精度变化存在差异,NDVI同时结合4种地形因子的分区精度最高,其次分别为结合高程、地形起伏度、坡度、地表粗糙度.研究结果证明了NDVI与地形因子结合作为输入量提高分区精度的可行性,为精准施肥及其他田间变量管理提供了理论基础,为智慧农业的发展提供新思路.     

应用光谱反射测定的植物、土壤及混合光谱特性

以野外采集的土壤与活体植物叶片为研究对象,采用美国生产的SVC HR-1024便携式地物光谱仪,测定了纯土壤、纯植物叶片以及不同植物叶片盖度下的土壤光谱反射率,并对混合光谱特性进行了分析研究,建立了植物叶片盖度光谱估算模型。结果表明:(1)随着植物叶片盖度的增加,土壤光谱曲线逐渐呈现"五谷四峰"的特征,但始终不会高于植被光谱曲线;(2)植物叶片盖度与原始高光谱组成的差值、比值和归一化值3种形式的指数存在着良好的相关性,差值指数的显著性最为明显,组合较好的波段为410~710 nm与700~1400 nm,能反映相关系数最大的波段为690 nm和450 nm;(3)通过一元线性回归法、多元线性逐步回归法和偏最小二乘回归法预测植物叶片盖度可知:光谱特征参数与植物叶片盖度之间具有相关性,其中光化学指数与植被衰减指数的相关系数较大,模型拟合度较高,R^2均达到0.8以上;3种光谱特征参数(植被指数、红边参数、光谱吸收特征参数)中,植被指数与植物叶片盖度建立的模型最稳定、精度最高,可以有效地估算植物叶片盖度3种方法中,多元线性逐步回归法最适宜建立植物叶片盖度预测模型。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算

为了探究无人机多指标构建叶面积指数(Leaf Area Index,LAI)估算模型的能力,该研究通过不同纹理组合方式优选纹理指数,分别以光谱特征、纹理指数和作物覆盖度作为输入量建立一元线性模型,3类指标结合构建多元逐步回归和人工神经网络模型,分析多指标结合估算LAI的精度。结果表明:新的纹理指数能够明显提高纹理特征值与LAI的相关性,近红外波段均值与蓝波段均值的差值较近红外波段均值提高了13.54%;将绿度归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)、差值纹理指数和作物覆盖度结合来估算水稻LAI的精度最好,多指标结合的多元逐步回归模型的决定系数为0.866,调整后决定系数为0.816,均方根误差为0.308,人工神经网络模型结果再次验证这一结论。该研究成果可为基于无人机平台估算作物结构参数提供理论依据,并为其他作物LAI估算提供借鉴。     

黑土区田块尺度微地形因子对土壤侵蚀与碱解氮的影响

修正通用土壤流失方程流失方程(RUSLE)地形因子未体现田块微地形,造成土壤侵蚀模数模拟精度不高。本文考虑垄向对坡面径流方向影响,通过高空间分辨率DEM,以栅格为计算单元,沿垄向提取相邻栅格的方向性坡度、方向性剖面曲率微地形因子,揭示田块尺度土壤侵蚀与沉积在微地形上的时空变异特征,并以时空变异的实测碱解氮含量进行验证。研究结果表明:在规模化统一耕作管理的田块上,土壤侵蚀模数坡顶坡中(阴坡阳坡),方向性坡度为主控因子,凹形坡直型坡;微凸、微凹地形分别能加剧和抑制土壤侵蚀。研究成果可为黑土区坡耕地RUSLE模型中的地形因子修正提供依据。     

基于裸土期多时相遥感影像特征及最大似然法的土壤分类

运用单时相遥感数据进行土壤分类及制图,其数据本身易受到其他因素干扰而出现误差,存在一定的局限性,导致制图精度不高。为了提高制图精度,以松嫩平原林甸县为研究区,利用裸土时期多时相Landsat 8遥感影像、DEM数据和全国第二次土壤普查数据,从所有单时相遥感影像中提取出多种分类特征,按照分类特征类型进行压缩处理,得到新的多时相分类特征,将不同分类特征进行组合并分别进行最大似然法分类,得到不同分类特征组合下的土壤类型图,通过不同土壤类型图精度来判断各分类特征对于制图的影响。研究表明,该文所提取的分类特征均可以实现土壤制图,使用压缩处理后得到的多时相遥感数据分类特征完成制图的精度更高,总体精度达到91.0%,研究可为土壤精细制图提供依据。     

高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

水稻穗颈瘟作为稻瘟病的一种发病形式常以褐色斑点性状出现在水稻穗颈节部位，对稻穗颈瘟病害快速、无损的识别与分级评估一直是备受关注的研究课题。该研究以高寒地区粳稻大田试验为基础，利用无人机高光谱平台获取不同病害等级的水稻穗颈瘟冠层数据；分别以不同处理的光谱数据作为输入量，使用随机森林（Random Forest，RF）的方法进行建模，并结合水稻生理对各输入量的特征关联加以解释。结果表明：随着稻瘟病病害等级的提升，水稻冠层反射率整体呈现下降的趋势；植被指数组合（Combination of Vegetation Indices，CVIs）作为输入量建立起来的预测模型具有最高的精度，预测集精度达到90%，Kappa系数为0.86，能够解释穗颈瘟发生时所引起的植株整体生理参数综合变化的过程。该研究结果可填补无人机高光谱遥感监测大田穗颈瘟病和实验室穗颈瘟病光谱理论研究之间的空缺，为无人机高光谱遥感实现穗颈瘟病定量遥感监测与预警分级提供支持。