基于高光谱和激光雷达遥感的水稻产量监测研究

【背景】快速、准确地估算水稻产量对于肥水精确管理及国家粮食政策的制定至关重要。高光谱与激光雷达遥感作为2种不同的主被动监测技术,为水稻长势信息获取提供了多样化手段。【目的】对比2种遥感监测手段在不同生态点的独立数据集中的验证精度,寻求可移植性强的产量估算模型,对水稻长势监测提供理论与技术支撑,及为精确农业提供科学指导具有重要意义。【方法】本研究通过实施3年（2016—2018年）包含不同地点、不同品种与不同氮素水平的水稻田间试验,在抽穗后各时期同步获取点云数据和光谱数据,结合线性回归与随机森林回归来估算产量,探究抽穗后点云数据与光谱数据估算水稻产量的差异;同时评估产量模型在不同数据集的时空可移植性,寻求可移植性强的产量估算模型。【结果】利用点云数据估算产量的精度（R² = 0.64—0.69）优于光谱数据的估算精度（R² = 0.20—0.58）;基于线性回归的产量估算模型,其验证精度明显优于基于随机森林回归的产量模型;产量模型在同一生态点的可移植性更强（不同生态点：RRMSE 16.69%—17.85%;同一生态点：RRMSE 11.37%—12.41%）。【结论】本研究为抽穗后水稻产量监测提供了新的方法和不同遥感手段的性能比较,为收获前作物产量的实时估算提供重要支撑。激光雷达技术凭借其全天候工作的特点,在长江中下游水稻产量实时监测中有着较好的应用前景。     

数学形态学辅助下基于光谱指数的作物冠层组分分类

近地遥感常被用于获取作物冠层组分信息,但在提取叶片反射率时常受到土壤背景、穗和阴影效应的影响。为准确分类并提取作物冠层组分信息,该研究通过分析小麦冠层各组分（光照/阴影叶片、土壤、穗）的光谱及纹理差异,提出了一种光谱指数与数学形态学结合的作物冠层组分分类方法,探讨不同生育时期的最佳冠层组分分类方法,并定量分析不同组分的归一化光谱指数与小麦叶片氮含量的关系。结果表明：光谱指数法能较好地区分小麦抽穗前的不同冠层组分,而抽穗期的分类效果易受麦穗影响;光谱指数与数学形态学结合的分类方法能较好地消除麦穗对光照/阴影叶片提取的干扰（总体分类精度为97.80%,Kappa系数为0.97,运行时间3.87 min）,该方法的分类精度及运行效率均优于传统分类方法（迭代自组织数据分析算法（Iterative Selforganizing Data Analysis Techniques Algorithm, ISODATA）和最大似然估计（Maximum Likelihood Estimation, MLE））;而且,基于光照和阴影叶片的归一化光谱指数对叶片氮含量最敏感。研究结果可为其他作物冠层组分分类和精准农业中农学参数的定量反演提供技术参考。     

基于参数化和非参数化法的棉花生物量高光谱遥感估算

【目的】利用高光谱遥感数据快速、无损地估算棉花生物量,评估参数化与非参数化方法在棉花上的表现差异。【方法】本研究以4个棉花品种在2个年份(2004和2005年)的试验资料为基础,将2年数据分别进行建模和验证,采用参数化算法(植被指数法、连续小波变换)与非参数化算法(偏最小二乘回归、随机森林、人工神经网络、回归树、袋装树和增强树、支持向量机和高斯过程回归)分别构建吐絮前和吐絮后的生物量估算模型。【结果】近红外与红边波段仍然是棉花生物量遥感监测中最有效的波段区间。参数化方法运算简单,效率高,其中,CI_{red edge}证明是棉花生物量估算上表现最好的植被指数,具有较高的独立验证结果(吐絮前：RMSE=27.23 g·m^-2;吐絮后：RMSE=48.81 g·m^-2)。基于连续小波变换的方法缓解了植被指数的低估现象,尤其是吐絮后(吐絮前：RMSE=31.54 g·m^-2;吐絮后：RMSE=37.57 g·m^-2);在非参数化法中,随机森林是棉花生物量估算的最优算法(吐絮前：RMSE=20.48 g·m^-2;吐絮后：RMSE=30.28 g·m^-2)。吐絮后的估算精度都显著低于吐絮前,表明两类算法的估算精度都受到棉絮的影响。【结论】本研究评估了基于参数化和非参数化算法构建的棉花生物量估算模型,证明了非参数化方法可以作为棉花生物量无损监测的重要研究方法,该结论也为棉花其他生长参数的估测提供了技术支撑。     

利用日光诱导叶绿素荧光监测水稻叶片叶绿素含量

快速准确地监测作物叶片叶绿素含量对于研究作物光合作用、氮素营养以及胁迫状况至关重要。该研究基于不同品种、不同密度、不同氮素水平的水稻田间小区试验,分别获取冠层和单叶的辐亮度光谱、反射率光谱及生理生态指标等,计算日光诱导叶绿素荧光（Sun-Induced Chlorophyll Fluorescence,SIF）指数和植被指数,进一步基于线性回归和辐射传输模型2种方法来建立叶绿素含量监测模型,评估多个叶绿素监测模型的精度及适用性。结果表明,1）在冠层尺度,冠层761 nm处SIF强度（F761）与冠层叶绿素含量相关性最高,决定系数（Determination coefficient,R2）为0.72,略高于表现最好的红边叶绿素指数（Red edge Chlorophyll index,CIred edge）（R2=0.63）;2）在单叶尺度,归一化下行SIF指数（↓FY NDFI）与单叶叶绿素含量相关性最高,R2为0.77,比表现最好的上行荧光产量双峰比值指数（↑FY687/↑FY741）R2高出0.10,与表现最好的植被指数CIred edge效果相当（R2=0.81）;3）基于SCOPE（Soil Canopy Observation, Photochemistry and Energy fluxes ）模型反演水稻冠层叶绿素含量的验证R2为0.57,均方根误差（Root Mean Squared Error,RMSE）为56.54 μg·cm-2,效果差于PROSAIL模型（模型检验的R2为0.91,RMSE为22.59 μg·cm-2）;4）单叶Fluspect-B模型反演水稻单叶叶绿素含量的验证R2为0.55,均方根误差RMSE为19.45 μg·cm-2,效果差于PROCWT模型反演结果（R2为0.72,RMSE为6.42 μg·cm-2）。综上,SIF指数在监测冠层和单叶叶绿素含量时效果较好,基于SIF的辐射传输模型也可以用来反演水稻冠层和单叶的叶绿素含量。研究结果可为SIF监测作物叶绿素含量提供理论依据,并对未来利用SIF进行植物光合作用研究提供理论支持。     

基于注意力机制和边缘感知的田梗提取模型

田埂精确提取是数字化农业管理的重要前提。针对由于遮挡、斑秃等因素干扰,给基于语义分割方法提取田埂带来困难问题,提出一种基于注意力机制和边缘感知模块的U-Net网络实现田埂提取。首先,将多信息注意力引入U型分割网络的下采样中,增强相邻层之间的上下文信息,提升对田埂区域语义特征的表示能力。其次,将边缘感知分割模块应用至U-Net解码部分的每一层,在不同语义特征层提取田埂边缘信息,提高田埂区域语义分割精度。最后,联合边缘感知损失与语义分割损失构建联合损失函数,用于整体网络优化。通过对安徽省淮北市濉溪县小麦基地采集的无人机麦田数据集进行训练和模型验证,实验结果表明,本文模型语义分割像素准确率高达95.57%,平均交并比达到77.48%。     

基于成像高光谱的小麦冠层白粉病早期监测方法

[目的]本研究利用近地面成像高光谱仪,获取接种白粉病菌后的小麦田间冠层时序影像,探索光谱信息与纹理信息的结合在冠层尺度上早期监测小麦白粉病的能力和表现.[方法]本试验以不同年份、不同抗病性小麦品种的田间试验为基础,利用连续小波(continuous wavelet transform,CWT)方法提取对小麦白粉病敏感的...