基于贝叶斯法估计龙竹人工林叶面积指数模型

以云南广泛栽培龙竹的沧源和新平2个县为研究区,以异速生长方程为LAI基础模型,结合73块样地数据,采用非线性最小二乘、有先验信息贝叶斯法和分层贝叶斯3种方法对模型参数进行拟合,运用决定系数（R²）、均方根误差（RMSE）和估测精度（E）指标对拟合效果进行评价。结果表明：当未引入随机效应变量时,传统的最小二乘法和有先验信息贝叶斯法的R²、RMSE和E分别为0.4875、0.0071、75.31%和0.4874、0.0070、75.31%;引入随机效应变量后,分层贝叶斯方法R²、RMSE和E分别为0.6733、0.0057、80.27%,估测效果较最小二乘方法和有先验信息的贝叶斯方法有较为明显的提高,R²提高了0.1858,RMSE降低了0.0014,E提高了4.96%。对于有明显地域差异的样本,分层贝叶斯方法能明显提升模型参数估测精度,适合中大尺度上采样数据的模型参数估测。     

基于CARS-BPNN的江西省土壤有机碳含量高光谱预测

【目的】探讨光谱变量选择及依据土壤类型进行分层校准两种方法对高光谱预测土壤有机碳（SOC）精度的影响。【方法】以江西省为研究区,490个土壤样本为研究对象,对研究区内的所有样本以及不同土壤类型样本分别通过竞争性自适应重加权采样（CARS）算法筛选特征波段,并采用偏最小二乘回归（PLSR）、支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BPNN）4种模型,对比不同土壤类型下SOC在全波段以及CARS算法筛选后特征波段的预测精度。进而,还对比了全局校准和分层校准下SOC在全波段以及CARS算法筛选后特征波段的预测精度。【结果】（1）红壤筛选的特征波段为484、683—714和2 219—2 227 nm,水稻土筛选的特征波段为484、689—702和2 146—2 156 nm。红壤采用CARS-BPNN模型预测效果最佳（R ²=0.82）,较全波段建模验证集R ²提升0.07。水稻土采用CARS-RF模型预测效果最佳（R ²=0.83）,较全波段建模验证集R ²提升0.13。（2）在总体样本上,分层校准相比全局校准精度有所提升。采用CARS-BPNN进行分层校准预测效果最佳（R ²=0.82）,较全局校准验证集R ²提升0.06。【结论】采用CARS-BPNN进行分层校准能够较好地预测江西省土壤有机碳含量,本研究可为其他类似地区预测土壤属性提供科学依据。     

冬小麦生育前期LAI 高光谱反演研究

【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。     

基于鬣狗算法神经网络反演林地叶面积指数

针对遥感影像的神经网络模型对林地叶面积指数(LAI)反演容易陷入局部最优、收敛效率低等问题,提出基于GF-1遥感影像和PROSAIL模型反演数据建立鬣狗算法神经网络模型,并与BP神经网络模型进行对比.结果表明,BP神经网络训练集的均方根误差(RMSE)值为0.140,验证集RMSE值为0.137,测试集决定系数(R²)为0.525;鬣狗神经网络训练集的RMSE值为0.131,验证集RMSE值为0.132,测试集决定系数(R²)为0.703.本研究提出的鬣狗算法,可提升神经网络模型的反演性能,为GF-1卫星在大范围林地LAI反演的应用推广提供了方法思路.     

基于TanDEM-X数据的林分平均高反演方法研究

以TanDEM-X /TerraSAR-X HH单极化干涉对和GF-2遥感数据为基础,提出结合极化干涉与混合像元分解技术的改进差分法来反演林分平均高,并利用外业数据进行精度验证。结果表明：以植被丰度校正冠层高度模型,林分平均高的估测精度和R²值得到大幅提高,均方根误差也随之降低。因此,本研究提出的方法能有效降低林分低郁闭度产生的混合像元作用对林分平均高反演的影响,提高林分平均高的反演精度。     

基于ACRM模型与敏感波段的农作物LAI与LCC反演

【目的】面向现代农业生产和管理的数据需求,基于ACRM 冠层反射率模型,探索适 于冬小麦叶面积指数（LAI）和叶片叶绿素含量（LCC）反演的波段选择方案。【方法】文章 考虑高光谱数据降维和CR 模型模拟误差,选出覆盖蓝、绿、红与近红外的5 个波段（波段 选择方案B1）,开展LAI 与LCC 同步反演。然后分别选择LAI 和LCC 的敏感波段,开展对 应参数的反演试验。【结果】（1）基于B1,能够在多数田块实现较为准确的LAI 与LCC 同 步反演（LAI 反演值与实测值间决定系数（R2）为0.860 4,均方根误差（RMSE）为0.963; LCC 反演的R2 为0.814 1,RMSE 为0.069）。（2）仅利用LAI 或LCC 敏感波段反演结果的R2 与RMSE 同时略有升高,但与基于B1 的反演结果相比,无明显差异。【结论】通过该研究与 利用相同数据的前期研究对比发现,旨在高光谱数据降维与限制CR 模型模拟误差的波段选 择,对LAI 反演精度改进作用较为显著。相较而言,仅选用单一目标参数（LAI 或LCC）的 敏感波段,对反演精度改进并不明显。由此,一方面证实了常规反演方法与面向对象反演法 不强调选用单一目标参数敏感波段的合理性;另一方面,并不否定多阶段目标决策（MSDT） 反演法以及一些相关研究提出的,仅采用单一目标参数敏感波段来开展反演的合理性。     

气候对云南松林分生物量的影响研究

基于云南省森林资源连续清查数据和气象站点数据,以为云南松林为研究对象,利用13种基础模型对林分生物量生长进行拟合,选取最优模型引入气象因子,分析林分生物量与不同气象因子的相关性。结果表明：年平均降水量(MAP)和年平均日照时数(MASD)与云南松林分生物量的相关性不显著;年平均温度(MAT)和年平均生物学温度(BT)与云南松林分生物量存在极显著的负相关关系(P < 0.01);以决定系数(R²)和均方根误差(RMSE)为指标,选出最优模型为Gompertz模型,R²达到了0.461,RMSE为23.184 t/hm²;分别将MAT、WI、BT、HI气象因子引入最优模型后,模型RMSE和绝对平均相对误差(RMA)均有所降低,R²分别达到0.524、0.532、0.520、0.521;预估精度(P)分别达到73.349%、71.792%、72.863%、62.354%。因此引入气象因子将提高云南松林分生物量生长模型的拟合精度。     

基于AquaCrop模型的大豆灌溉制度优化研究

【目的】 探究AquaCrop模型在关中地区的适用性,寻求大豆在不同降水年型下最适宜的灌溉制度。【方法】 用田间试验实测数据对该模型进行校正,并用校准后的模型模拟1961—2019年内所有3种不同降水年型14种灌溉制度下的大豆产量和水分利用效率。【结果】 AquaCrop模型模拟田间产量最高处理的冠层覆盖度的决定系数(R ²)、均方根误差（RMSE）、标准均方根误差(NRMSE)及Nash效率系数(EF)分别为0.96、7.15%、11.03%和0.94;模拟值与实测值生物量的决定系数（R ²）、均方根误差（RMSE）、标准均方根误差（NRMSE）及Nash效率系数（EF）分别为0.99、526.04 kg·hm^-2、14.45%和0.97;最终产量模拟的决定系数（R ²）、均方根误差（RMSE）、标准均方根误差（NRMSE）及Nash效率系数（EF）分别为0.97、49.98 kg·hm^-2、1.74%和0.82,各处理的冠层覆盖度和生物量实测值与模拟值的R ²均大于0.95,说明AquaCrop模型可以较好地模拟关中地区大豆的生长发育动态与产量。结合模型模拟结果可知,大豆作物需水量平均值为398.2 mm,各个生育时期的需水量差异较大,分枝期需水量为127.8 mm,开花-结荚期需水量为212.6 mm,鼓粒期的需水量为57.7 mm。结合对3种不同降水年型进行不同灌溉制度模拟后发现,大豆开花-结荚期为需水关键期,该生育时期水分供应情况影响大豆的最终产量。在湿润年可以不灌水;平水年和干旱年仅在开花-结荚期分别灌溉45和70 mm可实现最高产量（2 699、2 486 kg·hm^-2）和最大水分利用效率（0.74、0.7 kg·m^-3）。【结论】 该地区大豆灌溉制度,应以不同降水年型分布情况为基础对大豆灌溉制度进行选择,可保证大豆具有较高的产量和水分利用效率,可作为关中地区大豆灌溉制度的参考依据。     

基于叶片反射光谱估测水稻氮营养指数

【目的】基于叶片反射光谱建立快速、无损监测水稻氮营养指数（nitrogen nutrition index,NNI）的估算模型。【方法】2018—2019年开展2个水稻品种（徽两优898和Y两优900）及5个氮肥梯度（施氮量为0、75、150、225和300 kg·hm^-2,分别记为N₀、N₁、N₂、N₃、N₄）的田间小区试验,测定关键生育期不同叶位叶片反射光谱和植株NNI,构建多种光谱指数的水稻NNI监测模型。【结果】单叶及叶位组合的敏感波段均分布在540 nm的绿光波长处,其与近红外波段构成的窄波段比值指数SR（R₉₀₀,R₅₄₀）可较好反演水稻NNI。但不同叶位叶片窄波段比值指数与水稻NNI的预测精度表现不同,顶3叶（L₃）预测精度最好（R²=0.731,RMSE =0.130,RE=11.6%）,顶2叶（L₂）次之（R²=0.707,RMSE =0.136,RE =12.2%）,顶1叶（L₁）最差（R²=0.443,RMSE =0.187,RE =14.7%）;顶2叶和顶3叶组合平均光谱（L₂₃）的预测精度优于单叶水平和其他叶位组合（R²=0.740,RMSE =0.128,RE =11.5%）。再将窄波段比值指数SR（R₉₀₀,R₅₄₀）近红外与绿光区域分别重采样50 nm和10 nm,所构建的宽波段比值指数SR[AR_{（900±50）},AR_{（540±10）}]模型精度较SR（R₉₀₀,R₅₄₀）未明显降低,且在L₂₃水平下2个模型的模型精度和预测精度基本一致（R²=0.740,RMSE =0.128,RE =11.5%）。水稻NNI小于1时与产量呈线性的正相关关系（P<0.05）,大于1时产量趋于平稳。【结论】L₂和L₃叶片反射光谱为监测水稻NNI的敏感叶位,其中叶位组合L₂₃可提高模型预测精度。基于叶片反射光谱构建的多种波段比值指数（SR（R₉₀₀,R₅₄₀）和SR[AR_{（900±50）},AR_{（540±10）}]）可快速估测水稻NNI,从而为不同传感器对水稻氮营养指数估测监测研究提供了理论依据。     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。     

基于PCA-BPNN的温室番茄果实直径预测模型

[目的]研究温室番茄果实直径变化量的动态预测模型,为番茄所需水肥规律提供数据支持.[方法]选择番茄果实横径为研究对象,以5株番茄果实膨大期的数据建立模型,采用主成分分析法对植物生理生态信息和环境信息进行分析,提取主要成分,以主成分为自变量,输出变量为因变量,建立一个包含空气温度、空气湿度、土壤含水率、叶片温度及果实横径...     

基于红边参数不同品种的估算模型

【目的】利用红边参数的动态变化规律建立不同品种滴灌棉花叶面积指数估测模型。【方法】以棉花品种新陆早50号、新陆早58号和鲁棉研24号(杂交棉)为材料,分析LAI和红边位置的动态变化,构建滴灌棉花叶片红边参数-LAI估算模型。【结果】LAI增长最快时期均出现在40~70 d,不同品种滴灌棉花的LAI增长速率有明显的差异,表现为:鲁棉研24号>新陆早50号>新陆早58号;不同品种棉花均在病虫害发生期出现蓝移现象,在棉花正常生长下,出现红移现象。红边参数与LAI均达到极显著相关,构建3个估算模型中,鲁棉研24号精度最高(R²=0.816 8 ,RMSE=0.77)。【结论】建立的估算模型均可对LAI进行有效估测。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

富士和嘎啦苹果叶片面积估算模型构建

【目的】建立准确、无损的适宜于苹果不同品种和枝梢类型的叶面积估算模型。【方法】以富士及嘎啦不同长度的营养枝梢和果台枝梢叶片为试材,采用数字扫描仪获取叶片长度(LL)、宽度(LW)和叶面积(LA)等叶片形态参数,并采用决定系数(R²)、均方根误差(RMSE)、赤池信息准则(AIC)对建立的17个有常数项和无常数项叶面积模型精度进行筛选和适宜性评价。【结果】共获得5 207枚叶片形态参数,其中叶面积变异系数最大,达51.59%。叶片形态受品种及枝梢类型的显著影响,其中长枝梢叶片长、宽和叶面积显著大于同类型短枝梢叶片,而营养枝梢叶片长、宽和叶面积显著大于同长度果台枝梢,嘎啦叶片相比富士更为细长。以LL和LW复合变量为自变量的模型5:LA=a(LL×LW)、模型6:LA=a(LL+LW)²、模型9:LA=aLL²+bLW²、模型16:LA=a(LL×LW)^b、模型17:LA=(LL×LW)^b的精度可满足富士和嘎啦各类枝梢叶面积的估算,但需针对各品种和枝梢类型单独建...     

高CO2浓度下冬小麦的高光谱特征及其与叶面积指数和SPAD值的反演

以冬小麦为研究对象,利用开顶式气室试验,开展以环境CO2浓度为对照(CK)和比CK处理的CO2浓度高200μmol·mol-1(T)处理的试验,测定冬小麦主要生育期冠层光谱反射率、叶面积指数(LAI)和SPAD值,分析LAI、SPAD值与原始光谱反射率、光谱特征参数的相关性,并探究最优回归反演模型.结果表明,高CO2浓...     

Modeling water and heat transfer in soil-plant-atmosphere continuum applied to maize growth under plastic film mulching

Based on our previous work modeling crop growth (CropSPAC) and water and heat transfer in the soil-plant-atmosphere continuum (SPAC), the model was improved by considering the effect of plastic film mulching applied to field-grown maize in North-west China. In CropSPAC, a single layer canopy model and a multi-layer soil model were adopted to simulate the energy partition between the canopy and water and heat transfer in the soil, respectively. The maize growth module included photosynthesis, growth stage calculation, biomass accumulation, and participation. The CropSPAC model coupled the maize growth module and SPAC water and heat transfer module through leaf area index (LAI), plant height and soil moisture condition in the root zone. The LAI and plant height were calculated from the maize growth module and used as input for the SPAC water and heat transfer module, and the SPAC module output for soil water stress conditions used as an input for maize growth module. We used r_s, the representation of evaporation resistance, instead of the commonly used evaporation resistance r_s0 to reflect the change of latent heat flux of soil evaporation under film mulching as well as the induced change in energy partition. The model was tested in a maize field at Yingke irrigation area in North-west China. Results showed reasonable agreement between the simulations and measurements of LAI, above-ground biomass and soil water content. Compared with the original model, the modified model was more reliable for maize growth simulation under film mulching and showed better accuracy for the LAI (with the coefficient of determination R² = 0.92, the root mean square of error RMSE= 1.23, and the Nush-Suttclife efficiency E_ns = 0.87), the above-ground biomass (with R² = 0.96, RMSE= 7.17 t·ha⁻¹ and E_ns = 0.95) and the soil water content in 0–1 m soil layer (with R² = 0.78, RMSE= 49.44 mm and E_ns = 0.26). Scenarios were considered to simulate the influence of future climate change and film mulching on crop growth, soil water and heat conditions, and crop yield. The simulations indicated that the change of LAI, leaf biomass and yield are negatively correlated with temperature change, but the growing degree-days, evaporation, soil water content and soil temperature are positively correlated with temperature change. With an increase in the ratio of film mulching area, the evaporation will decrease, while the impact of film mulching on crop transpiration is not significant. In general, film mulching is effective in saving water, preserving soil moisture, increasing soil surface temperature, shortening the potential growth period, and increasing the potential yield of maize.     

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R ²) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R ² value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R ² value of 0.38 and RMSE value of 0.20% during model calibration, and R ² value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R ² value of 0.57 and RMSE value of 0.17% during model calibration, and R ² value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。