大豆叶面积指数的高光谱估算模型研究

通过测试大豆4个生育阶段350～2500nm波段的冠层高光谱数据,用近红外波段760nm-850nm及红光波段650nm-670nm的2个范围内的波段反射率,组成了高光谱比值植被指数（RVI）和800nm和670nm2个波段反射率组成修改型二次土壤调节植被指数（MSAVI2）;基于RVI和MSAVI2植被指数,建立了大豆叶面积指数（LAI）的6种单变量线性与非线性函数模型,经检验均达到1％极显著水平。其中,以RVI所构建洲的幂函数、MSAVI2所构建LAI的指数函数、对数函数估测模型的相关系数相对较高;用MSAVI2所构建的LAI精度较高的对数函数模型反演大豆叶面积指数,实测LAI与估测LAI呈极显著线性相关（R=0．9098^＊＊,n=46）,模型方程的估算精度达84．9％,实测值与估算值的RMSE=0．2420,平均相对误差为0．1510。表明采用高光谱植被指数,能够实时、无损、动态、定量提取大豆叶面积指数,为设计理想的大豆群体和大豆遥感估产提供了科学的依据。     

基于无人机遥感的玉米叶面积指数与产量估算

以2018和2019年在河南省新乡县中国农业科学院农田灌溉研究所试验基地的玉米为研究对象,利用八旋翼无人机搭载的MicaSense RedEdge多光谱相机对试验区进行遥感监测,构建玉米叶面积无人机遥感监测模型和产量估算模型,并在示范区进行应用。结果表明,NDVI、EVI和GNDVI这3种植被指数在构建叶面积指数监测模型中具有较好的精度和稳定性。利用抽雄期植被指数构建的估产模型精度最高,吐丝期次之,拔节期最低。与单生育期估产模型相比,累积3个生育期植被指数构建的估产模型精度有一定提升,R²为0.87,RMSE为405.42 kg/hm²。构建的无人机遥感监测模型,可以快速有效评估玉米长势和产量。     

New Vegetation Index and Its Application in Estimating Leaf Area Index of Rice

Leaf area index (LAI) is an important characteristic of land surface vegetation system, and is also a key parameter for the models of global water balancing and carbon circulation. By using the reflectance values of Landsat-5 blue, green and red channels simulated from rice reflectance spectrum, the sensitivities of the bands to LAI were analyzed, and the response and capability to estimate LAI of various NDVIs (normalized difference vegetation indices), which were established by substituting the red band of general NDVI with all possible combinations of red, green and blue bands, were assessed. Finally, the conclusion was tested by rice data at different conditions. The sensitivities of red, green and blue bands to LAI were different under various conditions. When LAI was less than 3, red and blue bands were more sensitive to LAI. Though green band in the circumstances was less sensitive to LAI than red and blue bands, it was sensitive to LAI in a wider range. When the vegetation indices were constituted by all kinds of combinations of red, green and blue bands, the premise for making the sensitivity of these vegetation indices to LAI be meaningful was that the value of one of the combinations was greater than 0.024, i.e. visible reflectance (VIS)>0.024. Otherwise, the vegetation indices would be saturated, resulting in lower estimation accuracy of LAI. Comparison on the capabilities of the vegetation indices derived from all kinds of combinations of red, green and blue bands to LAI estimation showed that GNDVI (Green NDVI) and GBNDVI (Green-Blue NDVI) had the best relations with LAI. The capabilities of GNDVI and GBNDVI to LAI estimation were tested under different circumstances, and the same result was acquired. It suggested that GNDVI and GBNDVI performed better to predict LAI than the conventional NDVI.     

水稻叶龄与叶面积指数动态的模拟研究

 依据不同类型品种的播期试验和氮肥试验结果,建立了水稻叶龄与叶面积指数(LAI)的模拟模型。叶龄模型采用幂函数描述叶片出生与播后累积热时间(TTS)的关系,TTS的计算定量了温度与出叶速率之间的非线性关系。叶面积指数模拟包括两个阶段:在指数生长阶段,LAI随播后累积生长度日(GDD)呈指数式增长,同时受到氮素营养水平调节;当LAI≥1.6时进入非指数生长阶段,采用比叶面积法模拟,LAI是比叶面积与绿叶干物质量的乘积。绿叶干物质量是绿叶分配指数与地上部干物质量的乘积,比叶面积(SLA)为GDD的函数,同时考虑植株氮素营养因子对SLA的影响。利用生态条件和栽培条件差异较大的试验资料对模型进行了验证。结果表明,模型能较好地模拟不同条件下叶片的出生动态和LAI变化动态,表现出较强的适用性,具有参数少、易确定、简便实用的特点。     

基于成像高光谱仪的大豆叶面积指数反演研究

高光谱遥感能连续获取地物光谱图像,这一技术能大大提高估算叶面积指数的水平。利用无人机搭载成像高光谱仪获取作物光谱信息反演叶面积指数对精准农业生产与管理意义重大。通过灰色关联度排序、赤池信息量准则和偏最小二乘法(GRA-PLS-AIC)选择了三角植被指数(TVI)、比值植被指数(RVI)、红边植被指数(NDVI705)、归一化植被指数(NDVI)和重归一化植被指数(RDVI)5种植被指数,结合田间实测的叶面积指数数据,采用经验模型构建多指数反演模型。通过无人机为平台同步搭载数码相机和成像高光谱仪,在山东省嘉祥县一带获取了大豆生殖生长期内的遥感影像,同时利用LAI-2200C植物冠层分析仪进行叶面积指数测定,将获取到的遥感影像和地面实测数据进行叶面积指数的反演。结果表明:在大豆生殖生长期内建多指数模型,建模结果的预测值和实测值的R~2和RMSE分别为0.701和0.672,验证结果的R~2和RMSE分别为0.695和0.534,预测模型有比较高的精度和可靠性,利用该模型来反演LAI是准确的,生成的大豆LAI分布图能反映当地当时大豆的真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和成像高光谱仪组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,构建的多指数模型适用于大豆生殖生长期。     

基于无人机数码影像的水稻叶面积指数监测

[目的]为探究无人机数码影像监测水稻叶面积指数(Leaf area index,LAI)的可行性,明确利用无人机数码影像监测水稻LAI的最佳时期,构建基于无人机数码影像的水稻LAI监测模型.[方法]本研究基于不同品种和施氮量的水稻田间试验,于分蘖期、拔节期、孕穗期、抽穗期和灌浆期测定水稻LAI,同步使用无人机搭载数码相...     

基于无人机RGB影像的小麦叶面积指数与产量估算研究

为探讨基于无人机RGB影像实现对小麦叶面积指数(leaf area index, LAI)和产量估算的可行性,设置不同生态点、品种和氮素处理的小麦田间试验,应用大疆精灵4 Pro无人机获取小麦拔节期、抽穗期、扬花期和灌浆期4个主要生育时期的RGB高时空分辨率影像,并同测定小麦LAI。采用相关性分析筛选出不同生育时期对LAI敏感的光谱与纹理特征集,并借助随机森林(random forest, RF)、偏最小二乘回归法(partial least squares regression, PLSR)、BP神经网络(back propagation neural network, BPNN)和支持向量机(support vector machine, SVM)分析方法,筛选出小麦不同生育时期最优的LAI估测模型。基于不同生育时期的光谱与纹理特征以及时期特征集,进一步建立产量预测模型,并在不同生态点验证叶面积估算模型与产量预测模型的普适性。结果表明,基于RF的LAI估测模型的验证精度最高,4个生育时期的均方根误差(root mean square error, RMSE)分别为2.26、1.44...     

监测花生叶面积指数和地上部生物量的最优植被指数及适宜波段带宽

为推动光谱遥感在快速无损监测花生生长中的应用,明确监测花生叶面积指数（leaf area index,LAI）和地上部生物量（aboveground biomass,AGB）的最优植被指数及适宜的核心波段带宽。设置2个花生品种、4个施氮水平的花生田间试验,在不同生育时期（苗期、开花下针期、结荚期、成熟期）用Analytical Spectral Devices（ASD）公司生产的FieldSpec HandHeld 2型野外高光谱辐射仪,采集325~1075 nm范围冠层反射光谱,筛选敏感植被指数,并研究核心波段带宽对其监测叶面积指数（LAI）和地上部生物量（AGB）时精度的影响。结果显示,对花生LAI和AGB敏感的植被指数均为归一化红边指数（normalized difference red edge）,即NDRE（λ₇₉₀, λ₇₂₀）。进一步分析这一指数的监测精度随波段带宽的变化,发现监测LAI时,核心波段带宽（bandwidth,b）在（λ₇₉₀：1~33 nm,λ₇₂₀：41~59 nm）范围内时能使NDRE（λ₇₉₀, λ₇₂₀）保持较高监测精度,其中带宽组合（λ₇₉₀：33 nm,λ₇₂₀：53 nm）的带宽和值最大,对核心波段带宽的要求最低,利用其构建监测模型时决定系数（determination coefficient,R²）为0.7482,利用独立试验数据检验模型时相对均方根误差（relative root mean square difference,RRMSE）为13.88%。监测花生AGB时,核心波段带宽在（λ₇₉₀：1~101 nm,λ₇₂₀：19~101 nm）范围内时能使NDRE（λ₇₉₀, λ₇₂₀）保持较高的监测精度,其中带宽和值最大的核心波段带宽组合为（λ₇₉₀：89 nm,λ₇₂₀：89 nm）,其建模R²为0.7103,检验RRMSE为20.42%。综上,在花生整个生长进程中,可用上述两个具有不同核心波段带宽的植被指数NDRE（λ₇₉₀-b₃₃, λ₇₂₀-b₅₃）和NDRE（λ₇₉₀-b₈₉, λ₇₂₀-b₈₉）分别对LAI和AGB进行监测,监测模型为LAI = 0.0296 × exp^{（14.365×NDRE）}和AGB = 0.6240 × exp^{（20.222×NDRE）}。在核心波段适宜带宽上的研究结果,可以为花生长势光谱监测设备研发及评估提供参考。     

水稻最适叶面积指数和总颖花数的品种差异

以淮北地区不同历史年代的水稻品种为试验材料,研究叶面积和颖花量与品种产量能力进展的关系。结果指出:随品种最适叶面积指数和适宜总颖花量的增加,水稻品种的产量能力明显提高。因此确认高产品种选育应以增加最适叶面积指数和颖花量并适当减少穗数,应用半矮秆基因为途径。本文根据试验资料提出了目前淮北主要水稻品种的适宜群体指标,为良种选育和高产栽培提供依据。     

基于冠层高光谱遥感的杂交水稻植被指数氮素营养诊断模型

以杂交水稻为研究对象,进行两因素裂区试验,主区为品种,副区为施氮水平,分析了4个植被指数(VIs)分别与叶片氮素含量(LNC)、叶片氮素积累量(LNA)和地上部氮素积累量(APNA)之间的相关性,并建立了以VIs为自变量的氮素营养诊断模型.结果 表明,4个VIs和LNC、LNA之间均存在决定系数大于0.7的波段区域且波...     

卷叶水稻的光分布模拟及适宜叶面卷曲度分析

 以叶面高度卷曲的水稻组合两优E32、中等卷曲组合两优培九和不卷曲组合汕优63为材料,引入叶面卷曲度因子,用有效叶面积指数代替传统的叶面积指数（LAI）,模拟水稻冠层内的辐射传输,比较了不同叶面卷曲度因子材料的光合有效辐射截获率、转化率和利用率,探讨了不同材料的最适叶面卷曲度及最佳群体密度。结果表明,有效叶面积指数比传统的叶面积指数能更准确地预测冠层内光合有效辐射的分布。两优E32叶片过度卷曲,有效叶面积指数偏小,光合有效辐射利用率不高;而汕优63叶片平展且披散,下层叶片长期受光条件不良,光合能力弱,光合有效辐射利用率也不高。相比之下,两优培九的光合有效辐射截获率、转换率分布较为合理,光合有效辐射的利用率也较高,最适LAI为7.6,与常规栽培条件下的群体密度（LAI=7.9）接近。两优E32和汕优63的最适LAI分别为9.8和6.2,而常规栽培条件下的群体密度过小或过大,导致光合有效辐射利用率不高。利用孕穗期至齐穗期有效辐射利用率的实测值,通过输入不同的叶面卷曲度因子,得到两优E32、两优培九和汕优63的最佳叶面卷曲度因子分别为0.12、0.11和0.08,均非常接近两优培九的实际叶面卷曲度因子（0.11）。     

水稻不同叶位层物理结构与冠层反射光谱的定量研究

 研究了不同土壤水分、施氮条件下水稻冠层反射光谱与冠层生长特征（叶面积指数、叶片干质量和鲜质量）的量化关系。结果表明，不同层次叶面积指数、叶片鲜质量和叶片干质量与冠层光谱的相关性大小均为：L12345>L1234>L123>L12>L1，而顶部5张叶片的面积和生物量（干、鲜质量）对冠层特征反射光谱的贡献大小顺序为：L2>L1>L3>L4>L5，顶部2张叶片对冠层光谱作用最大。发现比值指数R(760,710) 与水稻叶面积指数呈极显著线性相关；而比值指数R(1650,1100) 与水稻地上部鲜质量和干质量均呈极显著幂函数相关关系。因此，比值指数R(760,710) 和R(1650,1100) 可分别用来定量反演水稻叶面积信息和地上部生物量信息。     

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。     

光谱诊断马铃薯叶片氮素敏感波段的研究

利用Unispec-SC光谱仪测定马铃薯叶片光谱反射率,寻找马铃薯叶片氮含量的敏感波段并计算相应的植被指数。结果表明:在可见光波段范围内,550 nm和580 nm 2个波段的光谱反射率与氮含量的相关性较好;在近红外区域,820 nm、900 nm和1 005 nm 3个波段与氮含量的相关性达到了显著水平。利用上述波段计算植被指数,在1 005 nm和580 nm组合的波段,植被指数与氮含量相关性最好并且以DVI的相关系数最高,r=-0.8994,达到了显著水平。     

Simulation on Distribution of Photosynthetically Active Radiation in Canopy and Optimum Leaf Rolling Index in Rice with Rolling Leaves

By replacing leaf area index (LAI) with effective leaf area index (ELAI) through introduction of leaf rolling index (LRI), the distributions of photosynthetically active radiation (PAR) in the canopies of three hybrid rice combinations, Liangyou E32 with high LRI, Liangyoupeijiu with moderate LRI and Shanyou 63 with non-rolling leaves (normal), were simulated. The model based on ELAI could predict more accurately than that based on LAI. The PAR interception, conversion and utilization efficiency in the three combinations were studied to evaluate their optimal LRI and LAI. The PAR utilization efficiency of Liangyou E32 was lower due to excessive rolling leaves and less ELAI, and that of Shanyou 63 was also lower because of the faulty PAR interception and lower photosynthetic rate and saturation point at lower layer in canopy. Compared with the above two combinations, Liangyoupeijiu showed more appropriate distribution of PAR interception and conversion efficiency in canopy, and higher PAR utilization efficiency. The optimal LRI and LAI for Liangyoupeijiu were 0.11 and 7.6, respectively, which were close to the observed value, 0.11 and 7.9, respectively. However, the optimum LAI was 9.8 for Liangyou E32 and 6.2 for Shanyou 63, larger or smaller than those under the current plant density, which led to lower efficiency of PAR utilization. Besides, the optimum LRI for Liangyou E32 and Shanyou 63 were 0.12 and 0.08, respectively, which were close to the actual LRI for Liangyoupeijiu (0.11).