基于HJ-1A/1B影像的冬小麦开花期主要生长指标遥感定量监测研究

为建立冬小麦开花期生长状况的遥感监测方法和技术,结合2011-2013年定点观测试验,以环境减灾卫星HJ-1A/1B数据为遥感影像源,着重分析了样本试验区冬小麦开花期主要生长指标间及其与籽粒品质、产量和卫星遥感变量间的定量关系,分别构建及评价基于HJ-1A/1B影像遥感变量的开花期叶面积指数、生物量、SPAD值和叶片含氮量监测模型。结果表明,在冬小麦开花期,作物氮反应指数(NRI)、绿色归一化植被指数(GNDVI)可分别作为监测冬小麦叶面积指数和生物量的敏感遥感变量,结构加强色素植被指数(SIPI)和SIPI可作为监测冬小麦SPAD值和叶片含氮量的敏感遥感变量,所构建的遥感监测模型可靠,模型的决定系数(r2)分别为0.73、0.69、0.62和0.61,均方根误差(RMSE)分别为0.79、1 068kg·hm-2、4.66和0.42%。利用遥感数据绘制的冬小麦开花期主要生长指标遥感监测等级分布空间量化表达图与实际相符。     

河南新乡地区冬小麦叶面积指数的动态模型研究

为给小麦高产栽培提供理论依据,依据2004～2006年度田间试验数据,研究了新乡地区冬小麦叶面积指数变化规律,及其与有效积温的关系,并利用线性方程和Logistic曲线修正方程,分段建立了以气温估算冬小麦叶面积指数的半经验公式.结果表明,对叶面积指数和有效积温归一化后,冬小麦连续两个生长年度的相对叶面积指数动态变化与相对有效积温相关关系较好.通过对2003～2004年度冬小麦叶面积指数模拟值与实测值比较,平均绝对误差0.1572,相关系数0.98,相关达极显著水平(P＜0.01),这表明该方法可很好地反映叶面积的动态变化规律.     

基于GeoEye-1高分遥感影像的冬小麦氮肥推荐应用

为给大区域范围的冬小麦氮素营养遥感诊断及其精准施肥决策提供参考,将GeoEye-1高分辨率遥感影像数据与氮肥优化算法(NFOA)相结合,开展了冬小麦氮肥推荐应用研究。首先,基于多年地面实测冬小麦冠层高光谱数据,利用光谱响应函数生成GeoEye-1卫星遥感模拟数据,计算得到归一化植被指数NDVI,并结合当季估产指数INSEY构建了冬小麦潜在产量预测模型;通过定义可表征小麦氮素丰缺的氮素响应指数RINDVI,结合潜在产量模型,计算得到氮素需求量;最后,利用GeoEye-1高分辨率遥感影像数据进行验证分析,将氮素推荐模型与高分辨率遥感数据相结合生成施肥推荐处方图,实现了冬小麦的氮素营养诊断及施肥推荐。结果表明,当季估产指数INSEY可很好地估算冬小麦的潜在产量(r2=0.606,RMSE=0.704t·hm-2),基于GeoEye-1高分遥感影像提取NDVI预测的潜在产量与实测产量显著相关(r2=0.722,RMSE=0.451t·hm-2)。氮素响应指数RINDVI与氮营养指数NNI的倒数也显著相关(r=0.915),可以用RINDVI来诊断冬小麦氮素的丰缺状态。以上结果说明,在没有地面实测小麦氮含量、生物量、地面光谱等数据的情况下,利用高分辨率遥感数据与气象数据构建模型可估算冬小麦的潜在产量,并能实现对冬小麦的氮营养诊断及生成推荐施肥处方。     

联合主成分分析与最小二乘支持向量机估测冬小麦叶面积指数

利用单一植被指数估测叶面积指数存在高光谱遥感丰富的波段信息易丢失和外界因素干扰大的缺点,但若将波段信息全部引入模型又会增加建模难度。为解决利用多波段信息估测叶面积指数的问题,利用主成分分析法(PCA)对光谱数据进行降维,之后将提取的主成分与最小二乘支持向量机(LS-SVM)模型相结合,构建冬小麦叶面积指数的高光谱估测模型,并与以4类植被指数作为LS-SVM输入参数建立的模型进行比较。结果表明,以主成分作为LS-SVM模型的输入参数建立的模型精度最高,模型检验集R2为0.71,检验集RMSE为0.56,估测结果较使用植被指数作为输入参数建立的模型精度高,稳定性好。该方法可为利用多波段信息进行大范围冬小麦叶面积指数的无损测定提供参考。     

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。     

基于近地高光谱与TM遥感影像的冬小麦冠层含水量反演

为探讨利用近地高光谱和TM遥感影像数据评估作物冠层水分状况的可行性,以北京顺义通州为研究区域,以冬小麦为研究对象,首先基于Landsat TM5的光谱响应函数,利用地面实测的冬小麦全生育期冠层高光谱窄波段反射率数据来模拟TM5卫星宽波段反射率,然后利用模拟的TM5数据的NIR波段(第4波段)和2个SWIR波段(第5和7波段)反射率分别构建水分指数(WI)和归一化差异水分指数(NDWI),并利用地面实测数据建立冠层叶片含水量(LWC)和等效水厚度(EWT)的遥感估算模型,最后选取最优的水分估算模型,利用TM5卫星遥感影像数据对研究区域小麦冠层水分含量进行反演与应用。结果表明,利用TM5数据中SWIR第5波段比第7波段构建的水分指数更有优势;WI对估算LWC的效果较好,而NDWI在EWT估算方面效果较好,应用TM5宽波段模拟数据模型验证的冬小麦冠层含水量的r2和RMSE分别为0.57和0.51、3.89%和0.024。同时从TM遥感影像的反演结果来看,开花期的冬小麦冠层水分高于拔节期。     

夏玉米长势卫星遥感动态监测指标研究

通过野外样点布设获取地面农学参数平均株高、群体密度、干物重和叶面积指数,经过频数统计分析,获得夏玉米一、二、三类苗苗情农学指标。结合MODIS遥感数据,进行农学参数和归一化植被指数(NDVI)的相关分析,结果显示,NDVI和平均株高、叶面积指数以及生物量都呈显著正相关,其中NDVI和叶面积指数关系最为显著(各生育期R2>0.623),因此可通过建立叶面积指数和NDVI的关系确定夏玉米长势遥感指标,为大面积遥感监测夏玉米长势提供科学依据。     

基于高光谱特征参数的冬小麦氮营养指数估算

为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术，利用美国SVC HR-1024I型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测，获取“三边”参数、任意两波段光谱指数和植被指数，通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数，结合偏最小二乘回归(PLSR)、随机森林算法(RFR)、支持向量机回归(SVR)和梯度增强回归(GBDT)建立冬小麦氮营养指数模型，并对模型估算精度进行验证。结果表明，从拔节期到灌浆期，各时期的氮营养指数与任意两波段光谱指数均呈极显著相关，其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期，且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大，为0.66。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r²)和均方根误差(RMSE)分别为0.96和0.05,模型验证的r²、RMSE和相对预测偏差(RPD)分别为0.95、0.12和2.12,模型预测精度最高。因此，拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测...     

基于遥感的海南岛橡胶林零平面位移和粗糙度估算

在橡胶风害评估中,橡胶林零平面位移和粗糙度是建立定量评估模型的重要动力学参数。以MODIS遥感数据为信息源,计算橡胶林的叶面积指数,并利用形态学Raupach方法,估算橡胶林归一化零平面位移和粗糙度。该方法充分发挥了遥感大面积获取数据的优势,同时解决了传统气象学方法获取橡胶林零平面位移和粗糙度需要大量长期的野外观测资料的限制。结果表明:橡胶林叶面积指数与归一化零平面位移和粗糙度分别存在正相关和负相关;估算结果精度能满足橡胶风害评估模型参数的需求。研究结果可为开展大范围内橡胶林风害评估提供技术支撑。     

基于适宜尺度选择的冬小麦赤霉病遥感监测

为快速、准确获取江淮麦区县域冬小麦赤霉病发生信息,选用中、高空间分辨率卫星遥感影像做多尺度信息融合研究。在筛选适宜冬小麦田块分布特征的空间尺度遥感影像基础上,通过分析冬小麦长势指标和赤霉病病情指数之间的互作关系,构建基于多农学参数的冬小麦赤霉病估测模型,并对县域冬小麦赤霉病空间变化进行遥感监测。结果表明:(1)2m×2m、8m×8m和16m×16m三种空间尺度融合影像的均值相差不大,平均梯度和标准差存在明显差异。16m×16m融合影像的清晰度最好,信息量也多,比较适合研究区域冬小麦田块分布特征。(2)16m×16m融合影像提取的归一化植被指数(NDVI)和比值植被指数(RVI)值明显高于2m×2m和8m×8m融合影像,说明16m×16m融合影像光谱信息量较丰富,有利于冬小麦的识别。(3)冬小麦叶面积指数、叶片叶绿素含量和地上部生物量是影响赤霉病发生的主要长势指标。基于主要长势指标构建冬小麦赤霉病估测模型,平方根误差(REMS)为10.5%,相对误差为14.6%。该方法可以实现对县域冬小麦赤霉病空间变化的有效监测。     

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。     

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。     

冬小麦叶面积指数的品种差异性与高光谱估算研究

为给小麦叶面积指数（LAI）的高光谱估算提供技术支持,基于2年大田试验,以4个河南主推品种为材料,对小麦LAI和冠层光谱变化特点、估算模型及其品种间的差异等进行了系统分析。结果表明,在生育期内不同冬小麦品种冠层光谱反射率的变化与LAI变化有差异;在相同LAI下,不同冬小麦品种的光谱曲线存在差异。利用400~900 nm范围内冠层光谱反射率的任意两波段组合的比值光谱指数（RSI）、归一化差值光谱指数（NDSI）和差值光谱指数（DSI）所建立的单品种模型以及不同品种综合模型的决定系数（r）均达到0.84以上,单品种模型的r和调整r分别较综合模型高出3.1%~4.8%和2.0%~4.2%。利用独立于建模样本以外的数据对上述模型进行检验,单品种模型预测的r较综合模型提高了0.6%~11.0%,而均方根误差降低了10.0%~37.0%。因此,在利用高光谱遥感技术估算冬小麦LAI时,可以通过建立单品种模型来提高估算精度。     

冬小麦叶面积指数真实性检验尺度扩展方法研究

为在空间尺度上实现冬小麦LAI地面观测与遥感观测直接匹配,从1 m×1 m范围的实测LAI出发,通过优化采样方法扩展得到16 m×16 m范围的冬小麦LAI,然后利用空间分辨率为16 m的高分1号卫星的多光谱数据计算样本点的植被指数,建立其与冬小麦LAI的拟合模型,从四种植被指数的拟合模型中挑选表现最好的LAI估测模型,获得16 m×16 m尺度的LAI分布图,并经过重采样聚合为250 m×250 m尺度的LAI格点图,从而实现从地面点测量数据到卫星尺度数据的扩展。检验结果表明,16 m×16 m和250 m×250 m两个研究区域模拟点值和实测点值的相对误差分别为4.18%和3.64%,说明这种尺度扩展方法是科学可行的。     

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...     

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.     

冬小麦返青期主要生长指标的HJ-1A/1B遥感影像监测

为进一步深化作物长势遥感监测机理与方法,给大田管理及时提供信息与技术,结合2011-2013年定点观测试验,以HJ-1A/1B数据为遥感影像源,研究了返青期冬小麦主要生长指标、籽粒品质参数和产量间及其与遥感变量间的定量关系,分别构建及评价基于HJ-1A/1B影像遥感变量的返青期叶面积指数、生物量、SPAD值和叶片含氮量监测模型。结果表明,返青期,归一化植被指数（NDVI）、比值植被指数（RVI）、蓝光波段反射率（B₁）和RVI可分别作为监测冬小麦叶面积指数、生物量、SPAD和叶片含氮量的敏感遥感变量,所构建的遥感监测模型可靠且精度较高,模型的决定系数（R²）分别为0.62、0.56、0.46和0.58,均方根误差（RMSE）分别为0.42、452.3 kg·hm^-2、4.39和0.54%。同时,对冬小麦不同等级主要生长指标进行遥感监测并制图,量化表达了主要生长指标区域空间分布。