基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较

近年来,高光谱遥感数据广泛应用于农作物叶面积指数(LAI)反演。与常用的多光谱遥感数据相比,高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。针对这一问题,该研究利用实测冬小麦冠层高光谱反射率数据,构造了不同光谱分辨率和波段组合的5种光谱数据。基于ACRM(a two-layer canopy reflectance model)模型、2套参数化方案及上述5种光谱数据,对冬小麦LAI进行反演,分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。研究结果表明:当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时,LAI反演精度与稳定性更高,提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低;反之,当高光谱数据波段选择不当或者模型参数不确定性较大时,提高光谱数据的分辨率并未提高LAI反演精度。该研究解释了"高光谱遥感数据能否提高植被参数反演精度"问题,为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

岷江上游典型流域叶面积指数的遥感模型及反演

叶面积指数是植被定量遥感的重要参数,区域的时序列叶面积指数揭示了区域生态的演化过程,反演方法上主要是通过植被指数建立相关模型实现的,对于不同地区或不同气候带而言,模型的通用性以及各种植被指数在模型中的灵敏度都需做进一步探讨。以岷江上游典型流域毛儿盖地区为研究区,综合利用Aster和ETM遥感数据、地面实测数据和常规观测数据等资料,研究了植被指数与叶面积指数之间的相关性,以遥感图像中单个像元作为测算单位,对岷江上游毛儿盖地区叶面积指数进行了反演。利用研究区实测数据、生态环境本底遥感调查数据和水文气象数据,对上述模型反演结果进行验证和精度分析。结果表明,归一化植被指数NDVI在反演叶面积指数模型中具有较高的灵敏度,能较真实地反映研究区叶面积指数实际状况。     

不同生育时期冬小麦叶面积指数高光谱遥感监测模型

高光谱遥感能快速无损获取植被冠层信息,是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型,提高叶面积指数高光谱监测精度,该研究连续5 a定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数,通过相关分析、回归分析等统计方法,构建不同生育时期冬小麦叶面积指数监测模型。结果表明:不同氮磷水平下,冬小麦叶面积指数随施肥量增加呈递增趋势,随生育时期改变呈抛物线趋势变化;随着氮磷供应量的增加,冠层光谱反射率在可见光波段显著降低2%~5%(P0.05),在近红外波段显著增加4%~10%(P0.05);不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关(P0.01);拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好,决定系数分别为0.952、0.979、0.989、0.960和0.993;以不同年份独立数据验证模型表明,所建预测模型均有较好的验证结果,相对误差分别为13.0%、13.5%、12.8%、12.6%和14.0%,均方根误差分别为:0.313、0.336、0.316、0.316、0.324。因此,优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时,叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

基于支持向量机回归的冬小麦叶面积指数遥感反演

利用单一植被指数反演叶面积指数(LAI)时,存在不同程度的饱和性且每种指数只能包含部分波段的信息,该文提出利用支持向量机回归的方法进行叶面积指数的反演,可以用更多的波段信息作为输入参数以提高LAI反演精度。选取冬小麦起身期、拔节期和灌浆期的实测光谱和叶面积指数数据,用统计回归的方法分别建立NDVI-LAI和RVI-LAI模型,用支持向量机回归(SVR)方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的回归预测模型,即NDVI-SVR、RVI-SVR和NRGB-SVR模型。上述5个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI和RVI与叶面积指数(LAI)的回归模型预测的结果与实测值的RMSE分别为0.98与0.97;预测精度分别为59.2%与59.3%。以NDVI和RVI结合实测叶面积指数(LAI)训练并预测的结果与实测值的均方根误差RMSE分别为0.71与0.83预测精度分别为70.4%与67.1%。以蓝(B)、绿(G)、红(R)以及近红外(NIR)波段作为输入参数回归并预测的RMSE值为0.42,预测精度为81.7%。通过支持向量机回归预测具有更好的拟合效果,可以输入更多波段信息,提高了叶面积遥感反演精度,对冬小麦的多个生育期均具有较好的适用性。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

基于无人机遥感影像的大豆叶面积指数反演研究

作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器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,可作为指导精准农业研究的一种新方法。     

基于改进水云模型和Radarsat-2数据的农田土壤含水量估算

为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。     

利用HJ-1-A/B CCD2数据反演冬小麦叶面积指数

叶面积指数是十分重要的作物生理生态参数,为提高利用国产环境减灾小卫星CCD数据反演冬小麦叶面积指数的精度,该文以5种常用的植被指数(归一化差值植被指数(normalized difference vegetation index,NDVI),增强植被指数(enhanced vegetation index,EVI),双波段增强植被指数(2-bands enhanced vegetation index,EVI2),比值植被指数(ratiovegetation index,RVI),土壤调节植被指数(soil-adjusted vegetation index,SAVI)为基础,结合3种常用的回归模型,按生长阶段比较分析了不同植被指数和回归模型反演叶面积指数的精度。结果表明,除生殖生长阶段外,叶面积指数和5种植被指数之间均有较强的相关关系;指数模型和一元线性模型分别为全生育期和营养生长阶段的最佳拟合模型;EVI在全生育期拟合时的表现好于其他4个指数(R2=0.9348),SAVI则是营养生长阶段表现最佳的指数(R2=0.9404)。该研究为进一步利用植被指数反演叶面积指数提供了参考。     

基于改进植被指数的黄河口区盐渍土盐分遥感反演

快速获取土壤盐分的含量、特征及空间分布信息是盐渍土治理、利用的客观需求。该文针对黄河三角洲盐渍土,以垦利县为例,基于Landsat 8 OLI多光谱影像,在传统植被指数的基础上引入短波红外波段进行扩展,提出了改进植被指数;然后基于改进前后对应的植被指数,分别采用多元逐步回归(multivariable linear regression,MLR)、反向传播神经网络(back propagation neural networks,BPNN)和支持向量机(support vector machine,SVM)方法构建土壤盐分含量的遥感反演模型,并进行模型验证、对比和优选;最后基于最佳模型进行研究区土壤盐分含量的空间分布反演和分析。结果显示:相对传统植被指数,扩展后植被指数可增强与土壤盐分的相关性,大幅降低指数间的多重共线性;采用上述3种方法建模,改进后模型的精度比改进前都有提高,验证集决定系数R2提高0.04~0.10,均方根误差RMSE降低0.13~0.73,相对分析误差RPD提高0.25~0.34,改进后模型RPD均大于2.0,普遍达到性能良好;对比3种建模方法,SVM建模精度最高,BPNN模型次之,MLR分析精度最低,最佳模型为基于改进植被指数的土壤盐分含量支持向量机反演模型,建模集R2和RMSE为0.75、3.48,验证集R2、RMSE和RPD为0.78、3.02和2.56,模型较为准确、可靠;基于该模型反演的研究区土壤盐分含量整体较高,盐渍化程度空间分布表现为自西南部农业生产区至东北沿海区域逐渐加重,与实地调查一致。研究表明基于Landsat 8 OLI多光谱影像,引入第7波段对植被指数进行改进,从而构建土壤盐分含量的支持向量机模型,可获得较好的土壤盐分空间分布反演结果。     

基于实测高光谱指数与HSI影像指数的土壤含水量监测

为了探索土壤含水量与高光谱植被指数的内在关系,实现土壤含水量的快速且准确监测,以ASD光谱仪测定的研究区植被高光谱数据和环境卫星HSI高光谱影像数据为基础数据计算得到26种光谱植被指数,通过灰度关联分析法(grey relational analysis)对不同深度(0~10,10~30,30~50 cm)土壤含水量与实测光谱指数和影像光谱指数进行分析和筛选,确定了与土壤含水量相关性较高的5个光谱植被指数,采用多元线性回归法(multiple linear regression)分别构建了基于实测数据和影像数据的高光谱植被指数土壤含水量反演模型,并用实测高光谱植被指数模型对HSI影像植被指数模型进行校正。结果表明:2种土壤含水量反演模型对0~10 cm层的土壤含水量均有较高的拟合度,判定系数(R2)均高于0.589,并具有较好的稳定性;实测高光谱植被指数模型精度优于HSI影像植被指数模型,判定系数(R2)分别为0.668和0.589;经过校正的HSI影像土壤含水量反演模型精度有了较大的提高,判定系数(R2)从0.589提升到0.711,均方根误差(RMSE)为0.0014。该研究方法进行土壤含水量监测是可行的,为进一步提高土壤含水量定量遥感监测提供一定参考。     

基于高光谱数据的水体叶绿素a指数反演模型的建立

水体叶绿素a含量是反映水体质量的重要指标之一,利用遥感技术监测其含量具有众多优势。该研究利用2012年7月在广西壮族自治区桂林市漓江流域实地采集的水体高光谱数据和实验室化验分析数据,借鉴陆表植被叶绿素a的遥感反演模型,发展了一种新的水体叶绿素a提取指数(water chlorophyll-a index,WCI)。通过与反射率敏感波段法、波段比值法和半分析方法对比分析发现,新提出的WCI指数使用650、685、696 nm波段,波段稳定,决定系数R2可达0.58,均方根误差最小为0.24,受水体悬浮物影响小,在天津海河区域的验证效果也表明了该模型可以有效地提取水体叶绿素a含量。该方法扩展了水体叶绿素a监测的建模思路,对水体叶绿素a监测建模有一定的指导作用。     

中国东北黑土带土壤线空间变异规律

利用遥感影像分析土壤参数和监测植被长势要求准确的土壤线参数。利用MODIS反射率产品计算东北黑土带不同分区土壤线参数,研究其空间分布规律;并利用不同分区土壤线参数计算与土壤线性相关的植被指数,分析不同植被指数与作物叶面积指数、光合有效辐射分量之间的相关关系。结果表明：东北黑土带土壤线斜率的总体趋势是,由北向南先增加后减小,最大值（1.5921）在北纬47°～47.7°之间的黑土带范围（对应行政范围为海伦南部,望奎北部）;最低值（1.1319）在德惠南部与九台中部。与土壤线性相关的植被指数与作物两个生理参数的相关关系显著高于归一化植被指数（NDVI）; 改进的转换型土壤植被指数（ATSAVI）对土壤线参数的敏感性最高,利用分区不同土壤线参数计算的ATSAVI与作物生理参数的相关系数高于利用单一土壤线参数计算的结果;引入土壤线参数可以提高植被指数反演作物生理参数的精度。     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

基于高光谱的叶片滞尘量估测模型

为探索建立叶片滞尘量高光谱估测模型,利用光谱仪和电子分析天平采集了北京市区杨树叶片高光谱数据和滞尘量数据,研究了叶片光谱特征与滞尘量间的关系,并建立了基于光谱参数的叶片滞尘量估测模型。研究结果表明:近红外波段(730~1 000 nm)光谱反射率与叶片滞尘量呈现明显的线性相关性,各波段相关系数均高于0.7,绿光区波段反射率对叶片滞尘的影响不敏感;三边参数中仅红边幅值、红边面积与叶片滞尘量达到显著相关;基于多元线性回归、主成分回归、偏最小二乘回归建立的模型均具有较强的预测能力,其中以偏最小二乘回归为模型构建方法,以749、644、514 nm波段的光谱反射率值,红边幅值,红边面积,924、1 010 nm波段组成的归一化指数,713、725 nm波段组成的差值指数,749、644 nm波段组成的归一化植被指数为自变量建立的模型估测精度最好,其建模和预测的决定系数分别达到0.734和0.731,预测均方根误差为0.311。该研究为促进高光谱技术在大气降尘监测中的应用提供参考。     

植被参数高光谱遥感反演最佳波段提取算法的改进

高光谱信息量巨大,如何选取最佳组合波段构建高精度光谱模型,是植被参数遥感反演模型研究的重要工作基础。该研究将最佳指数与相关系数通过熵权评价值进行融合,提出最佳指数-相关系数法(optimum index factor and correlation coefficient,OIFC)。基于OIFC法选取了小麦叶片叶绿素含量的最佳组合波段,并利用最佳组合波段的高光谱数据建立小麦叶片叶绿素含量预测模型。结果表明:利用OIFC法所提取的小麦叶绿素最佳组合波段是760、1 860、1 970 nm;对比最佳指数法(optimum index factor,OIF)、最大相关系数法(maximum correlation coefficient,MCC)提取波段以及归一化植被指数(normalized difference vegetation index,NDVI)、土壤调和植被指数(soil-adjusted vegetation index,SAVI)所建立的叶片叶绿素含量高光谱模型,基于OIFC法构建的模型预测值与实测值具有显著的线性关系,决定系数达0.827,且均方根误差最小(RMSE=5.44)。可见,基于OIFC法构建的小麦叶绿素含量模型具有更高的精度,该结果验证了利用OIFC法提取高光谱特征波段的可行性,并且能够获得更高建模精度的特征波段。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

玉米作物系数无人机遥感协同地面水分监测估算方法研究

该文研究不同水分胁迫条件下无人机遥感与地面传感器协同估算玉米作物系数的可行性。利用自主研发的六旋翼无人机遥感平台搭载多光谱传感器获取内蒙古达拉特旗昭君镇试验站不同水分胁迫下大田玉米冠层光谱影像,计算植被指数,采用经气象因子和作物覆盖度校正后的FAO-56双作物系数法计算玉米的作物系数,研究作物系数与简单比值植被指数(simple ratio index,SR)、叶面积指数(leaf area index,LAI)和表层土壤含水率(surface soil moisture,SM)的相关关系,结果表明,作物系数与SR、LAI和SM的相关程度与水分胁迫程度有关,但均呈现出显著或极显著的线性关系,说明了基于这些指标建立作物系数估算模型的可能性。利用逐步回归分析方法建立了作物系数的估算模型,其估算模型,修正的决定系数、均方根误差和归一化的均方根误差分别为0.63、0.21、25.16%。经验证,模型决定系数、均方根误差和归一化的均方根误差分别为0.60、0.21、23.35%。研究结果可为利用无人机多光谱遥感平台进行作物系数估算提供技术参考。