融合无人机光谱信息与纹理信息的冬小麦生物量估测

【目的】生物量是表征植被生命活动的重要参数,对植被长势监测、产量预测有重要意义。以无人机为平台的高光谱遥感技术,具有机动灵活、成本低、空间覆盖广的优势,能够及时准确地估测植被生物量,已成为遥感估算研究的热点之一。由于光谱特征反演生物量存在饱和问题,因此,本研究尝试结合纹理特征与植被指数构建一种"图-谱"融合指标,探究"图-谱"融合指标的抗饱和能力及生物量估测能力。【方法】首先,利用无人机高光谱影像,提取其光谱信息和纹理信息,分别基于植被指数和纹理特征构建生物量模型。其次,针对光谱特征存在的饱和问题,将植被指数与对生物量敏感的纹理指标相乘或相除两种形式构建"图-谱"融合指标,分析"图-谱"融合指标的饱和性,并基于"图-谱"融合指标构建生物量估算模型。最后,对比不同指标构建的生物量模型的估测效果,来分析"图-谱"融合指标估测生物量的能力。【结果】(1)植被指数多在LAI=5时出现饱和现象,而"图-谱"融合指标VI×sm658,VI/ent658,VI/dis658,VI/con658,VI/dis514,VI/con514,VI/var514,VI×con802,VI×dis802均在LAI5时才出现饱和现象,相比之下,这些"图-谱"融合指标一定程度上改善了饱和问题;(2)与植被指数相比(除了GNDVI、NDVI之外),抗饱和能力提高的"图-谱"融合指标VI×sm658、VI/ent658、VI/dis658、VI/con658、VI/dis514、VI/con514、VI/var514、VI×con802、VI×dis802,其与生物量的相关性也相对提高,所构建的生物量模型精度较高(R2=0.81,RMSE=826.02 kg·hm-2)。(3)对比单一植被指数、纹理特征,将纹理特征与光谱特征相结合的"图-谱"融合指标估算小麦生物量的能力相对最强,模型精度明显高于单一植被指数(R2=0.69)和单一纹理特征(R2=0.71)构建的生物量模型。【结论】"图-谱"融合指标的抗饱和能力明显提高,其构建的生物量模型精度也有效提高,实现了结合光谱信息和纹理信息的冬小麦生物量遥感估测,为生物量定量反演提供一种新思路。     

基于冠层RGB图像的冬小麦氮素营养指标监测

[目的]本文旨在探索基于冬小麦冠层RGB图像的氮素营养指标实时监测方法,为实现简便、准确的冬小麦氮素营养诊断和推荐施肥奠定基础。[方法]基于3年次的冬小麦大田氮肥梯度试验,采用数码相机在返青期和拔节期垂直拍摄冠层RGB图像。分析图像特征参数绿红通道比值(G/R)、绿红通道差值(GMR)、红光标准化值(NRI)、绿光标准化值(NGI)、色相(H)和冠层覆盖度(CC)与植株氮素生理指标间的关系,筛选氮素营养监测指标的最优图像特征参数,构建氮素营养指标估算模型。[结果]CC与冬小麦地上部生物量、氮积累量和叶面积指数(LAI)三者间的相关系数最高,分别为0.87、0.85和0.84(P0.01);其他特征参数与三者间的相关系数相对较低,其中H为0.81、0.77和0.79,NRI为-0.80、-0.77和-0.77,G/R为0.73、0.63和0.76,GMR为0.66、0.67和0.63。采用CC作为冬小麦氮素营养指标估算模型的输入参数,并分别使用异速生长函数和指数函数建立地上部生物量、氮积累量和LAI估算模型,异速生长函数这3个指标的估算模型R~2分别为0.82、0.76和0.82(P0.01),指数函数的R~2分别为0.80、0.74和0.85(P0.01)。利用独立试验数据对模型进行验证,异速生长函数模型预测值和观测值间的R~2平均为0.89(P0.01),地上部生物量、氮积累量和LAI预测值的均方根误差(RMSE)分别为31.09 g·m~(-2)、1.37 g·m~(-2)和0.16;指数函数模型预测值和观测值间的R~2平均也为0.89(P0.01),地上部生物量、氮积累量和LAI预测值的RMSE分别为28.95 g·m~(-2)、1.34 g·m~(-2)和0.17。[结论]异速生长函数和指数函数模型在利用CC对冬小麦氮素营养指标进行估算时均具有较好的预测性。基于RGB图像的监测方法操作简单、准确度高,可实时获取监测结果,具有较高的推广应用价值。     

基于无人机数码影像的冬小麦氮素营养诊断研究

[目的]准确、快速地获取作物的氮素信息,对监测作物氮素营养状况、指导变量施肥具有重要意义.[方法]获取了冬小麦挑旗期及开花期数码影像和相应的冬小麦地面农学参数,首先分析了数码图像指数与氮营养指数的相关性,然后结合相关系数和方差膨胀因子,筛选出对氮营养指数敏感且图像指数间不存在共线性的图像指数,通过偏最小二乘法建立各生育...     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

基于无人机高光谱和数码影像数据的冬小麦生物量反演

生物量是作物生长过程中重要的生物参数之一,能较好地反映作物长势情况。获取了冬小麦开花期数码影像数据、高光谱数据和实测生物量数据,运用相关性分析筛选出对冬小麦生物量相关性高的数码影像指数和植被指数,分别使用多元线性回归分析和逐步回归分析法建立生物量反演估算模型,最后将最优模型估算结果进行可视化空间分析。结果表明：与冬小麦生物量相关性高的数码影像指数有VARI、MGRVI、b等,植被指数有NDVI、SR、LCI、OSAVI等。建立的冬小麦生物量反演模型估算效果较好,其中精度最高的模型为高光谱数据多元线性回归模型,其验证模型均方根误差为0.9041 t/hm²。可视化处理结果能直观地显示试验区冬小麦生物量分布情况,为生长监测及种植管理提供有效依据。     

北京地区冬小麦不同生育期植株氮营养高光谱诊断

[目的]基于冬小麦不同生育期数据,探讨不同生育期何种氮素可以更好的反应冬小麦氮素营养状况,为冬小麦氮素营养精准探测提供新的技术方法。[方法]该文利用2014-2015年北京市昌平区小汤山国家精准农业示范研究基地的冬小麦冠层反射光谱数据和相应植株氮含量及氮累积量数据,开展了不同生育期植株氮素营养高光谱诊断研究并用留一交叉法进行了模型验证。分析了不同生育期植株氮素状况和原始光谱特征、红边参数、常用植被指数之间的相关性,在此基础上构建不同生育期的氮素营养诊断模型并比较分析何种氮素状况可以很好的监测作物氮素营养状况。[结果]最佳植株氮素营养诊断模型随着生育期的变化而变化。拔节期和挑旗期mSR705、开花期REPgauss、灌浆期MTCI为自变量构建的植株氮含量模型可以很好的诊断氮素状况,其中mSR705构建的植株氮含量模型可以较好的监测不同生育期氮素状况,建模的R2分别为0.33、0.73、0.51和0.36;拔节期NBH、挑旗期和开花期MTCI、灌浆期VOGb为自变量构建的植株氮累积量模型可以很好的诊断氮素状况,其中VOGb构建的植株氮累积量诊断模型可以较好的监测不同生育期氮素状况,建模的R2分别为0.70、0.78、0.80和0.63;植株氮累积量诊断模型的精度优于植株氮含量诊断模型的精度,这不仅和叶绿素吸收有关,还与植株生物量有关。[结论]不同生育期氮素营养诊断模型与冬小麦生育期紧密相关,生长阶段氮累积量模型将优先用于估算氮素状况诊断。     

温室网纹甜瓜临界氮浓度和氮营养指数模拟研究

为实现精准的氮营养诊断和指导生产,研究通过4个不同氮素水平处理的温室网纹甜瓜基质栽培试验,构建了临界氮浓度稀释曲线模型,并推导得到了氮素吸收和氮营养指数模型。结果表明:临界氮浓度稀释曲线模型(%N_c=4.235DW~(-0.353)_(max))揭示了植株地上部生物量和氮浓度值之间呈幂函数关系,决定系数R~2=0.814,同时得到最高和最低氮浓度稀释曲线,决定系数分别为R~2=0.808、R~2=0.810;氮素吸收模型和氮营养指数模型对网纹甜瓜营养诊断结果基本一致,植株适宜的氮素施用量为始瓜期前4.1g/株,之后1.3～2.7g/株。本研究提出的临界氮浓度、氮素吸收和氮营养指数模型,相较于传统的经验方法更具有机理性,可为温室网纹甜瓜的氮肥管理决策提供理论依据。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

基于无人机遥感的冬小麦追肥推荐模型建立

为提高小麦氮素精准、高效的管理能力,实现实时、便捷、精准的变量施肥.本文在无人机遥感进行冬小麦氮素营养诊断的基础上,依据光谱诊断施肥模型,建立冬小麦返青期、拔节期和抽穗期等关键生育期追肥推荐模型.研究结果表明:无人机影像获得的DVI与冬小麦关键生育时期氮素参数植株氮浓度相关性最好(R2=0.8698);冬小麦返青期、拔节期和抽穗期氮素诊断临界DVI值分别为0.594、0.784和0.807;冬小麦最高产量为11364.3 kg/hm2,最佳产量为11230.9 kg/hm2,总施氮量为272.9 kg/hm2,最佳经济施肥量264.1 kg/hm2,基于光谱诊断的追肥推荐模型分别为返青期y=-39.69x+23.58、拔节期y=-129.97x+101.95、抽穗期y=-159.79x+128.93.诊断指标的建立为冬小麦基于光谱诊断的追肥模型奠定了基础,临界DVI值的确定为诊断冬小麦关键生育期是否补充氮肥提供依据,氮肥效应曲线建立和光谱诊断施肥模型选择实现了定量化的追肥推荐.