基于光谱特征与PLSR结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用

以冬小麦LAI为研究对象,利用孕穗期、开花期和灌浆期获取的无人机UHD185高光谱影像以及同步测定的地面数据(冬小麦冠层ASD反射率和冬小麦LAI),论证光谱特征(红边参数或植被指数)与偏最小二乘回归算法结合的改进型LAI拟合方法在无人机画幅高光谱遥感LAI探测方面的应用价值。首先,从光谱反射率相关性和植被指数相关性两方面比较UHD185与ASD,验证UHD185数据精度;结果表明,第3~第96波段(458~830 nm)的无人机UHD185高光谱数据具有较好的光谱质量,适宜探测冬小麦LAI。其次,分析光谱特征(6种植被指数和4种红边参数)与LAI的相关性,并通过独立验证和交叉验证方法,依次对基于红边参数或植被指数的传统LAI拟合方法和改进型LAI拟合方法的冬小麦LAI预测精度进行评价,相比于传统LAI拟合方法,改进型LAI拟合方法能大幅度提高冬小麦LAI的预测精度,特别是PLSR+REP。研究结果证实,改进型LAI拟合方法能更加充分地利用无人机UHD185高光谱数据预测冬小麦LAI,可望为无人机高光谱遥感的作物理化参数探测提供几点可借鉴的思路。     

利用高光谱技术估测大豆育种材料的叶面积指数

叶面积指数(LAI)是反映田间作物长势及产量潜力的重要参数,规模化育种要求及时、快速、无损地获取大量育种材料的田间生长信息。本研究利用52份大豆品种(系)的2年田间试验,在盛花期(R2)、盛荚期(R4)及鼓粒初期(R5)测定大豆冠层反射光谱,同步测定大豆LAI和地上部生物量(ABM)。结果表明,不同生育期LAI与冠层光谱在可见光波段(426~710 nm)均表现显著负相关(P0.05),在近红外波段(748~1331 nm)均表现为显著正相关(P0.05)。根据文献已报道的植被指数与LAI的线性相关性分析,NDVI和RVI类型的植被指数能够较好地指示大豆LAI,进而在全光谱250~2500 nm范围内涵盖上述两种类型的植被指数,经对建立的大豆LAI线性与非线性模型综合评价,遴选出不同生育期敏感植被指数的最优估测模型。其中,R2期RVI(825,586)所建模型(y=0.03x1.83)、R4期RVI(763,606)所建模型(y=0.38e0.14x)及R5期RVI(744,580)所建模型(y=0.06x1.79)的预测表现最好,决定系数(R2)分别为0.677、0.639和0.664,相对标准误(RRMSE)均小于20%;模型验证的决定系数(R2*)分别为0.643、0.612和0.634,均根方误差(RRMSE*)约20%。进而发现针对LAI和ABM的RVI共性核心波段组合为R2期的825 nm和586 nm、R4期的763 nm和606 nm以及R5期的744 nm和580 nm。本研究结果可望为大豆规模化育种中获取大量不设重复试验材料的田间长势信息提供快速无损预测的技术支持。     

基于GF-1/2卫星数据的冬小麦叶面积指数反演

叶面积指数(leafareaindex,LAI)是监测作物生长状况的重要参数,准确、快速、大面积估算LAI不仅有助于更好地监测农作物,而且也有助于其在建模、总体作物管理及精准农业中的应用。本研究为了利用国产遥感影像快速、大面积反演冬小麦LAI,以GF-1/2影像作为数据源,提取常用植被指数,结合不同生育期(起身期、拔节期、开花期)实测LAI数据,建立反演冬小麦LAI的单变量和多变量经验模型,并对其进行验证。结果表明, GF-1起身期、GF-1拔节期以及GF-1开花期提取的植被指数中,MSR(modifiedsimpleratio)、GNDVI(greennormalizeddifference vegetationindex)、EVI(enhancedvegetationindex)与LAI间的相关系数最大,分别为0.708、0.671和0.743,说明这些植被指数与冬小麦LAI间的相关性较显著;GF-1不同生育期的反演模型相比,基于拔节期GNDVIGF-1建立的二次多项式模型和基于开花期EVI_GF-1、GSR_GF-1 (green simp...     

玉米和大豆光合有效辐射吸收比例与植被指数和叶面积指数的关系

基于东北典型黑土区的玉米和大豆的实测光谱反射率、光合有效辐射及叶面积数据,选取常用的9种植被指数,并根据光谱曲线特征和植被指数结构建立了两种新的植被指数,对其估算玉米和大豆冠层FPAR效果进行了对比分析。结果表明,各植被指数与冠层光合有效辐射吸收比例(FPAR)的关系因植被类型而异。以近、短波红外波段较以可见光、近红外波段计算植被指数的估算效果好。NDVI、RVI在可见光、近红外波段计算的植被指数中估算FPAR效果较好,玉米估算模型R²分别为0.81和0.82,大豆估算模型R2均为0.81;NDSI、RSI在近、短波红外波段计算的植被指数中较好,玉米估算模型R2均为0.86,大豆估算模型R2均为0.84,优于NDVI和RVI。试验表明,利用近、短波红外波段估算FPAR是可行的;冠层含水量较土壤背景对FPAR影响更大;玉米和大豆冠层FPAR与叶面积指数(LAI)呈较好的对数关系,估算模型R²分别为0.75和0.70;但用植被指数估算FPAR效果要优于用叶面积指数。     

基于WorldView 2影像杉木叶面积指数与植被指数相关性研究

为了探究基于高分辨率遥感影像杉木叶面积指数与植被指数的相关性,以湖南省攸县黄丰桥国有林场为研究对象,采用地面实验与遥感技术相结合的方法,利用WorldView 2遥感数据提取NDVI、SAVI、SARVI、RVI、MSAVI、ARVI等6种植被指数,通过LAI-2000测量的杉木叶面积指数(LAI)建立相关关系,开展WorldView 2遥感影像在估测杉木叶面积指数中的应用研究,分析植被指数对杉木LAI的影响.对不同植被指数分别进行线性模型、二次曲线模型、指数曲线模型和对数曲线模型的LAI反演.结果表明:除DVI与LAI相关性稍低一点外,其他植被指数与LAI都有很高的相关性,高于中低分辨率遥感影像提取的植被指数与LAI的相关性,土壤调节植被指数(SAVI)与LAI的相关性与土壤影响因子L无关.在线型模型中,RVI与ARVI更适合于杉木LAI建立一元线性回归模型,相关系数R分别为0.931、0.895,判定系数R2分别为0.866、0.800,均达到较好的拟合效果.在非线性模型中,反演模型最好的是二次曲线模型,其次是指数模型,最差的是对数模型.拟合效果较好的是NDVI、SAVI和RVI;拟合效果最差的是DVI;最好的拟合模型,其R2高达0.884.杉木LAI具有较佳拟合效果的非线型模型是NDVI和SAVI的二次曲线模型.     

棉花叶面积指数和地上干物质积累量的高光谱估算模型研究

 用ASD FieldSpec光谱仪实测棉花冠层不同生育时期的高光谱数据,同期获取棉花叶面积指数(LAI)和地上干物质积累量(Above-ground Dry Matter Accumulation,ADMA)。分析棉花冠层反射光谱与棉花LAI、地上部干物质积累量（ADMA）的相关关系,分析结果表明,反射光谱数据与棉花LAI、ADMA的相关系数的最高值分别发生在783 nm（r=0.6394^**）和766 nm处(r=0.6287^**);对反射光谱数据进行统计分析,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LAI、ADMA估测模型。经检验,基于RVI的估测模型具有较高的精度;对一阶微分光谱数据与棉花LAI和ADMA的逐步回归相关分析表明,敏感波段分别发生在736 nm（r=0.6769^**）和742 nm处(r=0.6847^**)。由736 nm、742 nm波段处的微分数值建立的LAI和ADMA线性回归估测模型,R值均达到了1%极显著的检验水平,说明一阶微分光谱敏感波段的数值,对棉花LAI和ADMA具有一定的估算能力。     

基于光谱参数的棉花叶面积指数监测和敏感性分析

研究棉花冠层光谱参数对不同叶面积指数的响应,建立棉花叶面积指数光谱参数最佳估测模型,并对所选光谱参数进行敏感性分析.利用高光谱仪测定不同时期不同叶面积指数条件下的棉花冠层光谱反射率.结果表明,694 nm和1099nm分别为可见光和近红外波段区域内与叶面积指数相关性最好的波段,并用于改进前人所建立的光谱参数;宽范围动态...     

基于无人机多光谱遥感的冬小麦叶绿素含量反演及监测

旨在实现冬小麦各生育期叶绿素含量的准确估测,探究其时空变化规律。利用无人机获取冬小麦越冬期、返青期、拔节期、孕穗期和灌浆期的高分辨率多光谱图像,同时采集地面SPAD数据。选取三类光谱参数建立反演模型,优选出各生育期的最佳预测模型,并定量监测试验区冬小麦叶绿素含量时间变化和空间分布。结果表明：原始波段模型和波段倒数对数模型分别为越冬期及其他生育期叶绿素含量预测的最佳模型,拟合精度R²>0.59;时空分布上,灌浆期前试验区冬小麦叶绿素含量呈南北高、中部低特点,灌浆期则呈北高南低的趋势,叶绿素含量从越冬期到拔节期逐步增加,拔节期到孕穗期开始降低,孕穗期到灌浆期则大幅度降低。本研究建立的倒数对数预测模型,精度较高,且适用于返青到灌浆的4个生育期,对于试验区冬小麦叶绿素含量有较好的时空监测效果。     

叶面积测定方法的研究

详细介绍了测量叶面积的各种方法，并指出每种方法的精度、适用范围等特点，以供科学研究时进行合理选择。最后还提出中国叶面积测量方法在未来的研究方向是研制便携式叶面积仪和开发集成的叶片图象处理软件。     

高光谱遥感估测大豆冠层生长和籽粒产量的探讨

现代作物育种需要监测大量育种材料的生长并估测产量潜势, 高光谱遥感技术为此提供了简单、快捷、非损伤性测定的可能途径。选取30份大豆育成品种进行连续2年的产量比较试验, 在盛花期(R2)、盛荚期(R4)和鼓粒始期(R5)测定地上部生物量(ADM)和叶面积指数(LAI), 并利用ASD高光谱地物仪同步收集大豆冠层反射光谱信息。供试品种间ADM、LAI和产量差异显著或极显著。不同生育期可见光和近红外区域的光谱反射率与大豆ADM、LAI及产量均有显著相关, 尤其在R4和R5期相关性最高。在构建大量光谱参数的基础上, 遴选出对ADM、LAI及产量预测精度较好的回归模型。其中, R5期的P_Area560光谱参数与LAI和R4期的V_Area1450光谱参数与ADM构建的两个生长性状的监测模型效果最好, 决定系数(R²)分别为0.582和0.692。未发现单一生育期光谱参数对大豆估产的有效模型, 但综合R2期NPH1280、R4期V_Area1190以及R5期NPH560构建的产量估测模型, 决定系数(R²)达到0.68, 效果较好。本研究     

Estimation of Leaf Area Index of Beta vulgaris L. Based on Optical Remote Sensing Data

Remote sensing and vegetation indices can be used to characterize the canopy of crops with a non‐destructive method on a large scale. Leaf area formation of sugar beet in early summer is the most important variable for crop growth models. This study aimed at estimating whether differences in leaf area development of sugar beet resulting from different agronomic practices can be determined with remote sensing. The relationship between the normalized difference vegetation index (NDVI) and leaf area index (LAI) during the season and yield of the storage root in autumn was studied in six field trials in 2001 and nine field trials in 2002. The vegetation index NDVI gave a good impression of differences in leaf development of sugar beet in early summer. LAI increased with increasing NDVI up to an NDVI of 0.65. Above that the NDVI did not respond as distinctly to treatments as the LAI. An exponential function was developed to calculate sugar beet LAI from NDVI, so that remote sensing data can be used as input variable for crop growth models. The yield of the storage root in autumn did not show any relationship to LAI or NDVI during the season, regardless of whether it was measured in June or September. Therefore, it seems to be necessary to combine NDVI data with crop growth models to forecast a potential sugar beet yield in autumn. For this purpose the formula presented is a valuable tool.     

Critical Leaf Area Index in Pigeonpea

Experiment conducted with six pigeonpea cultivars over three seasons revealed that the critical leaf area index was 5.3 which coincided with the maximum crop growth rate and optimum net assimilation rate. It was also evident that the crop growth rate was influenced more by NAR rather than LAI. This study also suggests that by maintaining higher photosynthesis upto harvest, there is ample possibility to increase the crop growth rate till harvest.     

基于高光谱遥感的玉米叶片SPAD值估算模型研究

灌浆期玉米叶片叶绿素含量对玉米光合作用及产量形成具有重要作用。为通过高光谱特征准确、高效估测玉米叶片叶绿素含量,以SPAD值表征叶绿素相对含量,构建了基于光谱特征参数的传统回归模型、基于全谱和光谱特征参数的PLSR模型和BP神经网络模型,并进行了比较分析。结果表明：基于全谱构建的PLSR模型SPAD值拟合效果最好（R ²=0.910,RMSE=2.071）,而基于光谱特征参数所建立的PLSR模型拟合效果可达到与全谱PLSR模型相近的水平。但后者的实测值与预测值拟合效果（R ²=0.867,RMSE=2.581,RPD=2.628）优于全谱PLSR模型,且建模时间短,模型复杂程度降低。BP神经网络模型相较于两种PLSR模型预测效果略差,但优于传统回归模型。综合来看,基于光谱特征参数建立的PLSR模型估测效果最好。     

基于无人机RGB遥感的甘蔗株高估测

为快速准确地估测甘蔗不同生育期株高,探讨了无人机RGB系统遥感估算株高的可行性及效果。利用无人机RGB遥感平台,获取苗期、分蘖期、伸长中、后期和工艺成熟期的影像,通过Pix4D mapper生成数字表面模型（digital surface model,DSM）,采用Eris Arcmap提取株高,基于DSM提取的株高与实测株高建立各生育期的估测模型,采用决定系数（R2）、均方根误差（RMSE）和平均相对误差（MRE）对模型进行评价。结果表明,基于DSM提取甘蔗各生育期的株高高于实测株高;全生育期模型拟合性最好,预测精度较高（验证集R2、RMSE和MRE分别为0.9611、0.1623和0.1102）,苗期株高模型预测精度最高。其他各生育期模型的拟合性不及全生育期和苗期,精度较低,工艺成熟期模型的预测精度最低,拟合性最差。因此,基于无人机RGB遥感平台获取甘蔗不同生育期影像后通过DSM提取株高并运用于甘蔗重要生育期株高的估测时,注意不同生育期模型的适用性。     

基于遥感信息与水稻模型相结合对镇江地区水稻种植面积与产量的估测

为了实现遥感信息与作物模型相结合对镇江地区的水稻种植面积与产量的估测,以便于可以直接利用遥感信息与模型对该地区的水稻生长进行监测,将遥感资料与水稻生产模型(ORYZA2000)相结合,建立遥感数值模拟模型,进行由点及面的区域水稻种植面积及产量的估测。利用遥感数据（8天合成的MODIS和环境小卫星数据）,计算归一化植被指数(NDVI)和增强植被指数(EVI),结合试验区实测的叶面积指数(LAI),建立植被指数与LAI之间的关系,通过模型模拟出的LAI计算出植被指数的浮动值,结合相对应的多时相的遥感数据识别镇江市的水稻,由此可以预报镇江市的水稻种植面积及产量。研究结果表明,模型对水稻生长发育期内的生物量和LAI的模拟较好,水稻LAI与遥感资料计算出的植被指数EVI的幂函数拟合性较好,可以应用这种相关模式识别水稻,并结合ORYZA2000模型提高区域范围的水稻估测精度,同时也体现了遥感信息与作物模型相结合可以很好的监测区域内水稻的生长情况,取得较好的模拟效果。     

施氮对大豆叶片生理指标的影响

研究目的：不同的施氮量和不同时期下,分析施氮水平对大豆若干生理指标的影响,为今后研究大豆的各项生理指标提供科学依据;方法：通过光谱仪和SPAD-502叶绿素计等仪器,测定V3、V4、V5、R1、R2、R3、R4、R5、R6、R7和R8时期大豆叶片光谱、叶绿素、叶面积和氮含量,在不同施氮水平下,研究大豆各生理指标变化规律;结果表明：不同的施氮水平对大豆叶面积、氮素和叶干重的影响趋势一致,即N2>N1>N3>N0,其差异都达到了极显著水平,SPAD值的分析结果表现为N3>N2>N1>N0;结论：在不同生育期内各生理指标的不同施氮水平间差异显著或极显著。     

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。     

萝卜叶面积测定方法研究

以春萝卜品种“韩国白玉”作为试验材料,以叶长、叶宽、叶干重、叶鲜重等作为指标,计算出叶面积与有关指标的回归方程。结果表明这些回归方程与指标的关系均达极显著水平。这为萝卜叶面积的测定提供了一个简单实用的测定方法,特别是通过叶长、叶宽与叶面积的回归方程可不破坏植株从而测出田间萝卜植株的叶面积。