基于高光谱植被指数的棉田冠层特征信息估算模型研究

 采用ASD Field Spec Pro VNIR 2500型光谱辐射仪获取了棉花不同生育时期的冠层高光谱反射率。并通过光谱分析技术,建立了基于高光谱植被指数——归一化植被指数和比值植被指数的棉田冠层特征信息的定量模型。经过对估算模型的精度检验和评价,最终筛选出表征棉花冠层结构特征参数的最佳估算模型。结果表明,基于归一化植被指数预测棉花叶面积指数,以幂函数（y=11.084x^12.024,r=0.8076^**）的模型为最优;基于比值植被指数预测棉花单位面积地上部鲜生物量,以指数函数（y=52.261·exp(0.1024x),r=0.8114^**）的估计模型为最优;基于比值植被指数预测棉花单位面积地上部干生物量,以指数函数（y=9.5552·exp(0.1133x),r=0.8330^**）的模型为最优。可见,利用高光谱遥感技术可以分析、模拟、评价、预测棉花冠层特征参量,为精准种植棉花提供了依据。     

油菜叶片气孔导度与冠层光谱植被指数的相关性

利用冠层光谱实时、无损和定量监测植物叶片气孔导度,对于改善作物水分利用效率以及产量和品质预测预报具有十分重要的意义。本研究采用裂区设计法(宁油18和宁油16两个品种)、两个供氮水平(N₁₈₀：纯氮180 kg hm^-2、P₂O₅ 120 kg hm^-2、K₂O 180 kg hm^-2和硼砂15 kg hm^-2;N₀：CK)于2007-2008年测定油菜冠层光谱反射率、叶片气孔导度以及叶面积指数(LAI)和叶片鲜、干生物量,利用各波段光谱反射率组合产生的植被指数,分析油菜叶片气孔导度的变化规律及其与光谱植被指数的相关性,从而建立光谱植被指数对叶片气孔导度的估算模型。结果表明,在整个生育期油菜叶片气孔导度呈“双峰”变化, LAI和叶片鲜、干生物量均呈单峰曲线变化;开花前光谱植被指数与油菜叶片气孔导度和油菜冠层叶片平均气孔导度均呈极显著正相关,且光谱植被指数对油菜冠层叶片气孔导度的拟合效果好于对油菜叶片气孔导度的。光谱植被指数与冠层叶片气孔导度的量化关系可为今后快速、无损、大面积的油菜作物气孔导度估算奠定一定基础。     

基于宽范围动态植被指数的棉花冠层覆盖度监测

 旨在利用宽范围动态植被指数对棉花冠层覆盖度进行监测,解决传统的利用归一化差值植被指数对冠层覆盖度较高时监测不准确(饱和)的问题。采用高光谱仪获取棉花不同时期不同覆盖度的冠层光谱反射率,通过对构成归一化差值植被指数的近红外波段反射率引入系数α来提高修正后的植被指数随棉花覆盖度变化的动态范围。当利用权重系数0.1≤α≤0.2对近红外波段反射率调整之后,新形成的宽范围动态植被指数用于监测不同覆盖度棉花时未出现“饱和”现象。利用宽范围动态植被指数建立的棉花覆盖度监测模型的决定系数r2＞0.948,对棉花冠层覆盖度进行监测,可以解决传统的归一化差值植被指数对冠层覆盖度较高时监测不准确(饱和)的问题,提高了植被指数对棉花冠层覆盖度监测的精度。     

基于ETM植被指数和冠层温度差异遥感监测棉花冷害

 大范围地、及时地遥感监测棉花的冻害状况及损失对安排救灾、灾后评估有着现实的意义。利用2001年6月7日、8月10日和2000年8月7日ETM影像,结合农业灾害和农作物生长发育统计数据,通过植被指数变化和冠层温度差异对新疆沙湾2001年8月初棉花结桃时发生的冷害进行遥感监测。结果表明:与往年未遭受冷害的同期棉花植被指数相比,棉花植被指数NDVI绝对差值降低区域占67.8％,其中下降0～0.2占51％,下降大于0.2占17％,降低百分比处于0～20％。植被指数和温度图像散点图呈现显著负相关,相关系数－0.63。其中未受冷害影响,植被指数增加,长势较好的棉花冠层温度平均为26.4℃,植被指数未变化区域为27.6℃,植被指数降低较多,冷害程度较重区域冠层温度约为29.3℃,冠层温度差异显著。基于ETM遥感影像植被指数变化幅度和冠层温度差异可用于冷害程度区域划分。     

基于高光谱植被指数的棉花干物质积累估算模型研究

利用北疆8个棉花主栽品种(其中2个棉花品种设4水平种植密度)的各生育期冠层高光谱数据,经多元统计分析与光谱微分处理,建立了基于比值植被指数(RVI)和归一化植被指数(NDVI)的5种函数形式的棉花干物质积累估测模型,相关系数均达到了极显著水平(α=1%,n=96)。基于RVI和NDVI构建的估测模型,前者比后者具有更高的估测精度,指数函数、对数函数和双曲线函数形式的模型可以产生较高的预测精度;一阶微分光谱数据与棉花干物质积累量的逐步回归相关分析表明,相关系数的最高值发生在748 nm波段处(r=0.6920**),由748 nm波段处的微分数值建立的回归模型,估测精度较高,具有实际应用的潜力。     

基于叶片纹理特征的棉花蚜害诊断模型研究

【目的】为探究棉花叶片蚜害快速识别的可行性,本研究对健康和受棉蚜为害的棉花叶片的高光谱图像进行识别。【方法】以新陆早45号为研究对象,通过获取健康和受棉蚜为害棉花叶片的高光谱图像,提取不同处理下棉花叶片的感兴趣区域光谱图像信息,并采用3种降维手段获取高光谱特征。利用灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)提取图像的纹理特征,构建棉蚜为害诊断模型。【结果】采用全纹理特征数据结合随机蛙跳-偏最小二乘线性判别分析模型(RF-PLS-LDA)建模得到的预测集识别率为91.49%;以能量(Energy)作为输入,建立主成分载荷-偏最小二乘线性判别分析模型(PCA-Loading-PLS-LDA),对预测集识别率达到92.55%。【结论】以灰度共生矩阵二阶统计量能量建模可有效地简化模型,减少计算量,提高预测的稳定性。基于纹理特征向量能有效地实现蚜害棉花叶片的识别,为虫情的快速识别提供技术支持。     

基于冠层反射光谱的玉米LAI和地上干物重估测研究

以cropscan多光谱辐射仪测定了玉米品种郑单958和浚单20的冠层光谱反射率,并对其相应的叶面积指数(LAI)和地上干物质量进行了同步测定。将由近红外波段和可见光红波段组成的不同的归一化植被指数(NDVI)和比值植被指数(RVI)分别与叶面积指数、地上干物质量进行回归分析,结果表明,NDVI与叶面积指数的相关性优于RVI与叶面积指数的相关性,且以NDVI(R950,R650)和叶面积指数的幂函数回归结果最优;RVI与地上干物质量的二项式回归效果显著,估算模型为:Y=-0.722 4(R800/R650)2 1.631 6(R800/R650) 271.49,R2=0.793 5。     

基于纹理特征和神经网络的图像识别

图像特征是用来区分图像内部最基本属性或特征的,它包括了几何特征、形状特征、颜色特征、纹理特征等,在这些特征中纹理特征理解过于复杂,至今尚未有一个大家都认同的定义,从而也就使得纹理分析变得很困难。该文主要研究图像的分类识别,采用基于灰度共生矩阵的纹理特征的提取。以8位灰度图为研究对象,依次对图像进行4个方向(0°、45°、90°、135°)的扫描,并分别建立灰度共生矩阵,从而提取纹理特征参数,然后建立BP神经网络模型,用提取的纹理特征值,来训练BP神经网络模型,使网络模型能够识别图像的内容。此文提出了用纹理特征训练神经网络的方法来识别图像,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。     

基于水稻冠层光谱特征构建粳型水稻籽粒蛋白质含量预测模型

水稻籽粒蛋白质含量是评价稻米品质的主要指标之一。本文以不同施氮水平下的4年田间试验为基础,系统分析了水稻成熟籽粒蛋白质含量与不同时期冠层反射光谱的相关性。结果显示,籽粒蛋白质含量与可见光波段(460~710 nm) 反射率呈负相关,与近红外波段(760~1 220 nm) 反射率呈正相关,其中孕穗期冠层单波段反射率与成熟籽粒蛋白质含量的相关性最高,在16个波段中以760 nm波段反射率与籽粒蛋白质含量的拟合效果最好,复相关系数达0.795。进一步分析比值植被指数、差值植被指数、归一化植被指数和红边参数等光谱参数与成熟籽粒蛋白质含量的相关性,运用线性逐步回归分析方法对相关拟合较好的16个参数进行筛选,建立了水稻成熟籽粒蛋白质含量（GPC）监测模型,GPC=－0.15× DVI(1 500, 950) + 3.00。利用不同年份不同品种及不同施氮水平下的观测数据对模型进行检验,预测值和实测值的精确度为0.56~0.86,准确度为0.85~1.18,根均方差（RMSE）为3.51%~19.91%,表明模型预测值与实测值之间符合度较高,对水稻成熟籽粒蛋白质含量具有较好的预测性。     

基于植被指数的夏玉米不同生育期叶绿素含量遥感估算

叶绿素含量是间接判断玉米营养状况的重要农学参数,估算叶绿素含量对农作物长势监测有重要意义。笔者利用ASD便携式地物光谱仪和SPAD-502叶绿素仪实测了夏玉米关键生育期冠层光谱反射率及叶片叶绿素相对含量,对3种植被指数与叶绿素相对含量进行了相关性分析,建立了基于归一化植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)的叶绿素估算模型,并进行精度检验,从中选出最佳拟合模型。研究结果表明：拔节期RVI、抽穗期和灌浆期NDVI以及蜡熟期DVI的均方根差(RMSE)和相对误差(RE)均最低,RMSE分别为5.688、5.323、2.751、4.111,RE分别为9.84%、8.56%、3.75%、7.15%,故为各个时期的最佳模型。因此得到了NDVI、RVI和DVI3种植被指数在不同生育期的最佳模型,对指导夏玉米种植与田间管理具有重要的指导意义。     

利用无人机遥感技术提取农作物植被覆盖度方法研究

基于无人机的遥感信息获取技术已广泛应用在农业领域。无人机遥感平台获取农作物信息技术具有高时效、高分辨率、低成本、快速、准确等特点,是目前精准农业中农田信息获取的重要手段之一。利用无人机遥感技术获取可见光影像,以棉花、花生和玉米为研究对象,选取不同的植被指数进行可见光图像阈值分割,结合研究区域可见光影像监督分类结果,确定3种作物提取植被覆盖度方法。试验结果表明,利用无人机可见光图像植被指数阈值分类方法,可以有效提取作物植被覆盖度。该方法对于棉花、花生和玉米3种作物植被覆盖信息的提取精度较高。     

基于碳氮代谢的水稻氮含量及碳氮比光谱估测

碳氮代谢为植物生长发育提供物质基础，因此碳氮含量及碳氮比的无损快速估测对植物的生长调控有着极其重要的作用。本文系统研究了水稻7个不同氮肥水平下的碳氮代谢特征及其与冠层反射光谱特征之间的关系。结果表明，植株碳氮含量及碳氮比与大多数比值植被指数、归一化植被指数及差值植被指数关系密切，比值植被指数与归一化植被指数的表现一致，差值植被指数略有不同，其中碳氮比的相关性与氮含量类似。氮含量与510 nm和460 nm构成的比值和归一化植被指数的关系最佳，不受生育期的影响，可用统一的方程来预测；碳氮比则需分阶段建模较好，生育后期（抽穗期和灌浆盛期）以ND_(1650,710)最好。经其它独立数据的验证表明，模型对氮含量的估测精度在叶片水平上为80.51%，在植株水平上为76.36%，预测的RMSE分别为0.20和0.26，叶片和植株碳氮比的估测精度分别为81.09%和70.70%，预测的RMSE分别为1.64和3.95。表明通过植被指数的计算可以定量地评估水稻氮含量及碳氮比。