基于无人机多光谱技术的甜菜冠层叶绿素含量反演

无人机多光谱常用的植被指数包括优化土壤调整植被指数(OSAVI)、归一化差异植被指数(NDVI)、绿色归一化植被指数(GNDVI)、叶片叶绿素指数(LCI)、归一化差异红边指数(NDRE)。为了研究植被指数与甜菜叶绿素含量的相关性,实时监测管理甜菜生长状况和产质量。基于5个不同施氮水平下(0、30、60、90、120 kg/hm²)甜菜多光谱遥感影像和田间实测冠层叶绿素含量数据,采用大疆精灵4多光谱无人机对甜菜叶丛快速生长期和块根糖分增长期进行监测,建立叶绿素含量的反演模型。结果表明：随着施氮水平的增加,叶绿素含量和产量都显著提高;施氮水平30 kg/hm²比0 kg/hm²处理的甜菜含糖率有一定增长趋势(增长0.13个百分点),然后随着施氮水平的增加含糖率显著下降;根据5个植被指数与大田实测叶绿素含量值的拟合效果,拟合值R²均在0.7以上,OSAVI为最佳植被指数模型,拟合效果最好,决定系数R²=0.764,均方根误差RMSE=0.396,标准均方根误差NRMSE=8.63%...     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明,WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...     

基于无人机多光谱遥感的冬小麦叶片含水量反演

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares, PLS)、极限学习机(extreme learning machine, ELM)和粒子群算法(particle swarm optimization, PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其r²和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%～75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为...     

基于光谱指数的冬小麦冠层叶绿素含量估算模型研究

为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合,同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果,通过分析350~2 500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系,建立冬小麦冠层叶绿素含量估算模型。结果表明,选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71,标准误差均小于1.842。利用独立试验资料进行检验,表现最好的是RSI(FD_(689),FD_(609))和SASI(R_(491),R_(666))L=0.01,预测精度高达98.2%,模型精确度和可靠性较高。     

基于多光谱图像的水稻叶片叶绿素和籽粒氮素含量检测研究

先利用常规技术分析了水稻的叶片叶绿素和籽粒氮素含量,然后用包含绿(G)、红(R)和近红外(NIR)三波段通道的电荷耦合器件(CCD)成像技术对水稻叶片和籽粒进行了无损检测。试验结果显示,水稻叶片叶绿素a、叶绿素b分别与G、NIR通道图像灰度呈极显著线性相关,叶绿素(a+b)含量则与上述两通道图像灰度呈显著线性相关;而且,水稻籽粒氮素含量与G、NIR通道、归一化植被指数(NDVI)灰度呈显著线性相关。由此建立了水稻叶片叶绿素和籽粒氮素含量的多光谱图像预测模型,并分别用21个样本对模型进行检验,其中线性显著相关的7个模型的相对误差RE(%)介于9.36%~157%,实现了对水稻叶片叶绿素和籽粒氮素含量的快速、准确、非破坏性检测。     

基于优化光谱指数的新疆春小麦冠层叶绿素含量估算

为筛选可用于干旱半干旱区春小麦冠层叶绿素含量估算的高光谱植被指数,2017年通过测定春小麦关键生育时期冠层的田间高光谱与叶绿素含量,利用光谱指数波段优化算法分别计算400～1 300 nm光谱波段中不同波段两两组合的比值光谱指数(ration spectral index,RSI)、归一化光谱指数(normalized difference spectral index,NDSI)、叶绿素指数(chlorophyll index,CI)、简化光谱指数(CI/NDSI,NPDI),并将这些参数及其他17个不同高光谱植被指数分别与实测冠层叶绿素含量进行Pearson相关分析,通过变量重要性准则筛选最优光谱参数,使用偏最小二乘回归法建立冠层叶绿素含量的预测模型。结果表明:(1)RSIs、NDSIs、CIs和NPDIs与冠层叶绿素含量的相关性都优于前人研究中定义的17种高光谱植被指数,并且冠层叶绿素含量与NDSI(R_(849),R_(850))、RSI(R_(849),R_(850)),CI(R_(849),R_(850))和NPDI(R_(849),R_(850))表现出强相关性。(2)用此4个优化光谱指数分别建模时,以CI(R_(849),R_(850))、 CI(R_(539),R_(553))、 CI(R_(540),R_(553))、 CI(R_(536),R_(553))为自变量的X-3模型预测精度最高(r~2=0.74,RMSE=0.272 mg·g~(-1))。(3)结合4个优化光谱指数构建的组合模型预测精度,其r~2=0.83,RMSE=0.187 mg·g~(-1)。     

基于无人机多光谱影像的冬小麦倒伏提取适宜空间分辨率研究

为了解无人机图像空间分辨率对倒伏小麦提取精度的影响,选取2019年6月9日冀南地区倒伏小麦农田为研究区,采用最大似然法、人工神经网络、支持向量机和随机森林四种分类方法,以倒伏小麦分类面积和空间一致性为指标,对不同空间分辨率下小麦倒伏的提取精度进行了比较。结果表明,最大似然法存在严重的错分现象,人工神经网络、随机森林和支持向量机的总体分类结果较好,其中人工神经网络对倒伏面积提取的结果最准确;随着像元尺寸的增大,倒伏小麦分类面积相对误差变化趋势缓慢,但像元尺寸大于40 cm时,分类结果与实际倒伏区域的空间一致性迅速降低。综合考虑无人机图像数据量、获取时间和倒伏小麦提取精度,本研究认为20～40 cm是提取冬小麦倒伏面积较为适宜的空间分辨率范围。     

不同氮肥水平下大豆叶片光谱反射率与叶绿素含量的相关性研究

用Unispec光谱分析仪和SPAD-502叶绿素仪测定不同生育时期不同氮肥水平大豆叶片光谱反射率及叶绿素含量,并分析了光谱植被指数与叶绿素含量的相关性。结果表明:不施氮肥处理光谱反射率高于施氮处理,随着施氮量的增加,大豆叶片光谱反射率下降,并初步断定结荚期是大豆氮素光谱营养诊断的敏感时期;随着氮肥水平的提高叶绿素含量增加;整个生育时期,除鼓粒期不施氮处理外其它处理的植被指数mND705与叶绿素含量均呈极显著正相关;在花期和结荚期,各处理的mSR705与叶绿素含量呈极显著正相关,PSSRc与叶绿素含量呈极显著负相关。     

基于无人机遥感的花生叶片叶绿素含量监测研究

为实现对花生叶片叶绿素含量进行快速、实时、无损、准确监测,本研究利用大疆精灵4号无人机搭载可见光相机,获取花生不同生育期的遥感影像,利用深度神经网络(CNN)和卷积神经网络(DNN),建立叶片数字图像彩色信息和叶片叶绿素含量的关系模型。结果表明,利用数字图像特征(包括红光,绿光,蓝光,归一化红光,归一化绿光等)作为网络输入向量时效果较好,CNN产生的预测值和农学实测值训练集平均绝对误差为0.8左右,DNN产生的预测值和农学实测值训练集平均绝对误差为1左右,两者均在误差范围内,可用来实时监测花生的叶绿素含量,为生产上快速诊断花生的肥料状况提供理论依据。     

无人机多光谱遥感在作物生长监测中的应用研究进展

随着无人机(Unmanned aerial vehicles, UAV)多光谱软硬件一体化、观测精度及易用性的发展,UAV多光谱遥感在农业上的应用越来越广泛。本文对国内外相关研究成果进行综述,主要介绍了多光谱遥感技术的基本原理和UAV多光谱遥感系统,并对UAV多光谱遥感技术在植被分类与杂草识别、作物病虫害监测、作物植株水分含量监测、作物长势监测和产量估测等方面的研究进行了概述。最后分析了UAV多光谱遥感技术在农业领域中所面临的难题和未来的发展趋势,以期为UAV多光谱遥感技术在现代农业上的开发应用提供参考。     

不同土壤质地小麦叶片叶绿素的高光谱响应及估测模型

为给小麦生长过程中叶绿素的实时监测和氮肥调控提供参考,设置3种不同土壤质地(沙土、壤土和粘土)、5种不同施氮水平(0、120、225、330和435kg·hm-2)和3个河南省主栽小麦品种(矮抗58、周麦22和郑麦366),同步测定小麦主要生育时期冠层光谱反射率和叶绿素(Chla+b)含量,系统分析了3种土壤质地条件下小麦Chla+b含量与350~1 050nm波段范围内冠层光谱参数的相关关系。结果表明,3种土壤质地下小麦叶绿素的冠层光谱响应趋势基本一致。光谱指数REPIG和mND705对叶片Chla+b含量的监测效果较好,建模决定系数分别为0.76和0.75。利用独立样本数据对用于建模的此二光谱参数进行检验,其预测效果表现较为稳定,预测决定系数分别为0.87和0.85,均方根偏差分别为0.46和0.48。说明利用光谱指数REPIG和mND705为自变量建立的估测模型可以较好地预测当地生产条件下小麦叶片叶绿素,同时为氮肥施用及调控提供技术依据。     

基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算

为探讨基于Dualex植物多酚-叶绿素仪和高光谱遥感技术反演小麦叶绿素含量的可行性,利用Dualex植物多酚-叶绿素仪,测定不同生育时期冬小麦叶片叶绿素含量(Chl),同时进行叶片光谱测定,以对Chl敏感的1个一阶导数波段、3个三边参数和3个植被指数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建估测模型,并利用验证样本对各生育时期估测模型进行精度检验,同时与传统的单因素模型进行了比较。结果表明,冬小麦反射光谱曲线在不同生育时期有所不同,且随着叶绿素含量的增加,可见光波段的光谱反射率不断降低;在以一阶导数光谱敏感波段、三边参数以及植被指数构建的冬小麦Chl单因素估算模型中,基于各生育时期显著相关的植被指数构建的模型精度最优;以7个参数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建的模型在各生育时期均表现出较好的拟合性及预测精度,尤其利用SVR建立的模型建模决定系数在0.8以上,预测决定系数在0.7以上,是进行冬小麦叶片Chl估测的最优模型。     

基于倾斜遥感观测的小麦白粉病胁迫下叶绿素含量监测

为了探讨多角度遥感在白粉病胁迫下监测小麦叶绿素含量的适宜角度,以易感白粉病品种偃展4110和中感白粉病品种国麦301为试验材料,获取三种不同生长环境(病圃田、接种田和自然感病田)下抽穗至灌浆期小麦冠层多角度反射光谱及叶绿素含量,分析不同时期叶绿素含量变化及其与多角度反射率的关系,建立白粉病胁迫下小麦叶绿素含量监测模型。结果表明,由红边波段构建的光谱参数对白粉病胁迫下叶绿素含量变化反应敏感。优化筛选出的植被指数与叶绿素含量之间的相关性在前向角度观测时优于垂直角度观测,而垂直观测角度好于后向角度观测,整体上以前向20°最佳。植被指数中,光谱参数RES(红边对称度)表现较好,在前向20°下的监测精度达0.725。因此,在前向20℃观察条件下可用RES对白粉病危害后小麦冠层叶绿素含量变化进行有效监测。     

基于无人机多时相遥感影像的冬小麦产量估算

为高效准确地预测小麦产量,以浙江省冬小麦为研究对象,利用四旋翼无人机精灵4多光谱相机获取冬小麦5个关键生育时期（拔节期、孕穗期、抽穗期、灌浆期、成熟期）的冠层多光谱数据,选取多光谱相机的五个特征波段计算各生育时期的72个植被指数,分别通过逐步多元线性回归（SMLR）、偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机（SVM）、随机森林（RF）构建不同生育时期的产量估算模型,最后采用决定系数（R）、均方根误差（RMSE）和相对误差（RE）对估算模型进行评价,筛选出最优估算模型。结果表明,基于随机森林建立的模型估算效果最优,SMLR、PLSR和SVM三种方法建立的模型估算效果接近。利用随机森林算法所建拔节期、孕穗期、抽穗期、灌浆期、成熟期模型的R、RMSE和RE分别为0.92、0.35、11%;0.93、0.33、10%;0.94、0.32、9%;0.92、0.36、9%;0.77、0.67、33%。模型验证时,抽穗期估算效果最好（R、RMSE和RE分别为0.91、0.35和15%）,拔节期、孕穗期、灌浆期估算效果接近且有很好的估算能力,成熟期估算精度最差（R、RMSE和RE分别为0.71、0.47和13%）。由此说明,结合机器学习算法和无人机多光谱提取的植被指数可以提高小麦产量估算效果。     

基于GF-6/WFV卫星遥感的大田冬小麦叶片氮素含量估测

为对大田冬小麦叶片氮素含量（LNC）进行快速、准确及无损监测,通过在江苏省泰州泰兴市、盐城大丰区和南通如皋市布设冬小麦遥感监测大田试验,在获取试验样点冬小麦冠层红光波段反射率（RED_ref）、近红外波段反射率（NIR_ref）和计算的十个光谱指数（RVI、NDVI、DVI、SAVI、OSAVI、MSR、RDVI、EVI2、NLI和SVI）基础上,将12个遥感光谱指标与冬小麦LNC进行相关分析,选出与LNC相关性较好的作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型, 并利用GF-6/WFV卫星遥感影像对县域冬小麦LNC的空间分布开展监测。结果表明,12个遥感光谱指标与冬小麦LNC之间存在不同程度的相关性,其中NDVI、RVI、MSR、OSAVI和NLI与冬小麦LNC的相关性较好（相关系数不低于0.65）。将优选的5个遥感光谱指标作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型（LNC-BPEM）,模型的估测精度r²=0.866,RMSE=0.246%,ARE=12.9%。将冬小麦LNC-BPEM估测模型和GF-6/WFV影像结合对县域冬小麦LNC的空间信息监测,获得了如皋县域冬小麦LNC的空间分布特征,该区域冬小麦LNC范围在0.9%~2.0%（长势正常）的种植面积为29 693.3 hm²,占冬小麦总种植面积的74%。这说明利用GF-6/WFV卫星的多个遥感光谱指标与神经网络结合建模可有效估测县域大田冬小麦叶片氮素含量。     

基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算

为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(PCA)对叶绿素敏感的可见光波段(390～780 nm)一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证。结果表明,小麦冠层叶绿素含量与一阶导数光谱在751 nm处的相关性最高(r=0.71),特征参数中红边蓝边归一化(SDr-SDb)/(SDr+SDb)与叶绿素含量的相关性最高(r=0.66),植被指数(VI)中修正归一化差异指数(mND705)相关性最高(r=0.74)。在输入变量相同的情况下,基于随机森林(RF)回归的预测模型均优于偏最小二乘回归(PLSR)模型,其中PCA-VI-RF模型的各精度指标均达到最优(r²=0.94,RMSE=1.05,RPD=3.70),是冬小麦冠层叶绿素...