大豆叶面积的高光谱模型

以ASD FieldSpec-Vnir光谱仪实测不同生长季大豆的冠层反射率,同期采集对应大豆LAI,然后逐波段分析冠层光谱反射率、导数光谱与大豆LAI的相关关系;并采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI确定性系数随波长的变化趋势,建立了以近红外与可见光波段冠层光谱反射率的比值植被指数RVI与大豆LAI的高光谱遥感估算模型。结果表明,冠层光谱反射率在350￣680nm、760￣1050nm波谱区与大豆LAI相关性较大,而在红边区680￣760nm的相关性变化较大;导数光谱在红边区与大豆LAI相关程度高。通RVI方式建立的遥感估算模型能较为准确估算大豆LAI,通过对红外与蓝波段建立的RVI指数与大豆LAI的回归模型,表明其预测大豆LAI的能力较好,有进一步研究的必要;通过对比发现,神经网络模型可以大大提升高光谱反演大豆LAI的水平,模型的确定系数R2为0.9661,而总均方根误差RMSE仅为0.446m2.m-2。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

玉米光合有效辐射分量高光谱估算的初步研究

 【目的】光合有效辐射分量（FPAR）是各种生产力模型、作物估产模型等的重要参数,本文将对高光谱估算FPAR效果作初步探讨分析,为提高FPAR估算及遥感产品验证精度和各种生态模型模拟精度提供科学支持。【方法】本文基于地面实测玉米数据,详细分析了光合有效辐射分量与光谱反射率及其一阶导数之间的相关关系及FPAR估算机理,并利用反射率、一阶导数、植被指数方法研究了玉米冠层FPAR估算效果。【结果】玉米FPAR与整个可见光波段反射率相关性都相对较好,明显好于近红外波段;FPAR与一阶导数的相关关系曲线波动较反射率大,仅520、570、670、805、950和1 010 nm几个波长处一阶导数与FPAR相关性较好。FPAR与典型单波段反射率和一阶导数具有较好拟合关系,确定性系数分别高达0.791和0.882。总的来说,一阶导数法和植被指数法估算FPAR效果较反射率法好些,其中一阶导数的多波段逐步回归分析取得最优的估算效果,R2高达0.944。除红、绿和常用的近红外波段外,375nm附近紫色波段和950nm附近的近红外波段用于估算FPAR也可以得到较理想的结果,特别是水分强吸收的波段具有较好的提高FPAR估算精度的潜力。【结论】一阶导数法和植被指数法估算FPAR效果稍好,充分挖掘高光谱数据估算FPAR潜力,选择最佳波段能够较好得提高FPAR估算精度。     

棉花叶面积指数冠层反射率光谱响应及其反演

【目的】研究棉花冠层光谱对不同叶面积指数（LAI）的响应，建立棉花LAI光谱反演模型。【方法】利用2003～2004年采集的棉花光谱与LAI的246组数据，分析LAI与冠层反射率光谱和反射率一阶微分光谱间的定量关系。【结果】当LAI大于2.5后不同LAI棉花群体光谱反射率在可见光波段趋于饱和；LAI与可见光波段和短波红外波段（水分吸收带除外）光谱反射率呈显著负相关，与近红外波段高光谱反射率呈显著正相关；LAI与棉花反射率一阶微分光谱主要在蓝边（523～531 nm）、黄边（570～576 nm）、红边（700～755 nm）形成3个相关系数高台区，均达极显著水平，其中红边区的相关性最高。棉花红边位置固定，分别在718 nm和723 nm，且以 723 nm处对LAI更敏感。在反演棉花LAI的高光谱参数中VI (660、800)、VI (550、800)、VI (500、800)、VI (670、800)、Sdy (570～573 nm)、SDr (714～755 nm)、D723、Dr 估算LAI相对误差低于30%，RSME小于0.6，其中VI (600、800)、VI(550、800)两个参数估算水平最高，相对误差分别为21.7%与21.0%，RMSE分别为0.416与0.419；利用SDr与SDr/SDb分别对LAI大于1.0 与小于1.0 的棉花群体反演，能显著提高LAI的估算水平。【结论】应用高光谱分析方法能够提取棉花冠层特征光谱信息，构建LAI高光谱反演参数，建立估算模型，并且利用包含不同光谱参数的分段模型可以进一步提高LAI反演精度。     

基于波段组合优化光谱指数的冬小麦LAI估算

叶面积指数（LAI）是表示植被利用光能状况和冠层结构的一个综合指数,与作物产量密切相关。高光谱遥感数据具有连续、高光谱分辨率等特点,为估算农作物生理生化参数和冠层结构参数提供了重要手段。为挖掘高光谱数据估算LAI的最优波段组合以及提高估算精度,以冬小麦作为研究对象,野外实测不同生长阶段（起身、拔节、开花阶段）的冠层高光谱数据,并对其进行不同数学变换处理,包括原始光谱、一阶导数光谱和连续统去除。利用3种不同预处理的冠层高光谱数据构建30种常用植被指数和4种优化光谱指数,比较常用植被指数与优化光谱指数对冬小麦LAI的响应,建立估算冬小麦LAI的单变量和多变量回归模型,对其进行精度验证,并筛选出最优估算模型。结果表明,随着生育期的推进,可见光波段范围内,冬小麦冠层光谱反射率较低、吸收较强,LAI对连续统去除光谱的影响较大,呈负相关;近红外波段范围内不同生育期间的差异较大,随着LAI的增大,冠层光谱的红边位置出现了“红移”现象;基于一阶导数的优化植被指数（NDSI和RSI）与LAI相关系数达到0.8;从估算模型来看,基于一阶导数的RSI_{（627 nm, 774 nm）}单变...     

基于Sentinel-2多光谱数据的枸杞叶面积指数反演

叶面积指数(LAI)是重要的植被生物理化参数,基于物理、经验模型的LAI估算效率和精度有限。为评价机器学习算法在LAI遥感估算中的适用性,本文以宁夏枸杞种植基地为研究区,基于Sentinel-2多光谱数据,结合实测LAI,分析了波段反射率、植被指数与LAI的相关性,并将80组数据随机分成60组训练集和20组测试集,构建3种数据输入模式。将数据进行多次训练,采用决定系数R2和均方根误差(RMSE)作为模型评价指标。结果表明,实测LAI值与波段反射率,植被指数均在(P0.01)水平下极显著相关,且相关系数均高于0.6。训练集中GPR算法均表现出了较强的预测能力,且以波段反射率为输入模式有最好的预测能力,LAI预测值与实测值R2为0.803、0.689和0.699,高于其它算法,RMSE为0.402、0.453和0.441,低于其它算法;测试集中,3种输入模式R2为0.743、0.617和0.638,RMSE为0.451、0.505和0.491,以波段反射率为输入模式反演精度最高。     

基于高光谱技术剑湖湿地茭草磷含量估算模型研究

以云南剑湖湿地典型植被优势种茭草为研究对象,利用ASD Filed Spec 3光谱仪采集茭草反射光谱,并测定其磷含量,通过高光谱数据建立茭草磷含量估算模型。结果表明:茭草的反射光谱曲线与健康绿色植被的反射光谱曲线趋势一致,通过一阶导数变换可以更清楚地分析原始光谱的细节特征,作为植被光谱特有的"三边"参数,可以定量分析茭草光谱特征。分别利用光谱反射率、反射率一阶微分值和"三边"参数与磷含量作相关性分析,相关性最高的变量分别为平滑光谱1 085 nm波段、光谱一阶微分1 259 nm波段、红边面积,相关系数分别为0.528、0.619、0.526;基于Land-sat 8 OLI波谱重采样的低维光谱数据,近红外波段对茭草磷含量较为敏感,相关系数为0.519;通过主成分分析提取的变量平滑光谱提取第1成分和反射率一阶微分提取第1成分与磷含量的相关性最高,相关系数分别为0.547和0.494。在建立的估算模型中,多元逐步回归模型估算效果较优,其次为主成分回归模型和单变量回归模型;茭草磷含量最佳估算模型为基于反射率一阶微分建立的多元逐步回归模型,R2为0.76、RMSE为13.69、P为91.08%、MAE为10.75。     

基于MODIS的郑州市夏玉米LAI反演研究

根据实测玉米高光谱数据和遥感影像数据,以郑州市为研究区域,分别利用原始光谱反射率、光谱反射率一阶导数以及植被指数(NDVI)建立了LAI回归模型,比较拟合效果以确定精度最高的模型,充分挖掘高光谱的优势,提高夏玉米LAI遥感估算精度.结果表明,夏玉米LAI的最佳回归模型为利用波长439.31nm处的光谱反射率一阶导数数据进行回归分析建立的三次多项式回归模型,其决定系数R2为0.761.     

猕猴桃叶片叶绿素含量高光谱估算模型研究

【目的】研究猕猴桃叶片叶绿素含量的高光谱估算方法,为猕猴桃长势的遥感监测提供理论依据。【方法】以陕西杨凌蒋家寨村2018年不同生育期(初花期、幼果期、膨果期、壮果期、果实成熟期)的猕猴桃叶片为研究对象,分别测定其高光谱反射率和叶绿素含量(SPAD值),分析原始光谱和5个常见的植被指数(归一化植被指数、归一化叶绿素指数、改进的叶绿素吸收反射率指数、MERIS地面叶绿素指数、土壤调整指数)与叶绿素含量之间的相关关系,提取各生育期的特征波段,分别建立基于特征波段和植被指数的单波段叶绿素含量一元线性估算模型。利用主成分分析对原始光谱数据进行降维,将得到的主成分得分作为随机森林模型的输入变量,建立基于多波段信息的叶绿素含量多元估算模型,并对模型进行精度验证和分析。【结果】不同生育期猕猴桃叶片光谱反射率变化趋势基本一致,整体趋势为可见光波段反射率低,近红外波段反射率高;在可见光波段,光谱反射率随着叶绿素含量的升高而降低;在近红外波段,光谱反射率则随着叶绿素含量的增加而升高。通过相关性分析可知,初花期、幼果期、膨果期、壮果期、果实成熟期原始光谱的特征波段分别为729,548,707,707和712 nm,估算模型决定系数(R~2)分别为0.18,0.85,0.54,0.85和0.82,其中初花期估算模型未通过显著性检验,其余生育期均通过极显著性检验。在5个常用植被指数中,初花期与叶绿素含量相关性最高的是归一化叶绿素指数(NPCI),但是估算模型决定系数R~2只有0.1,未通过显著性检验;其他生育期与叶绿素含量相关性最高的是MERIS地面叶绿素指数(MTCI),所建立的估算模型拟合效果好,预测精度高。基于主成分分析和随机森林回归建立的不同生育期猕猴桃叶片叶绿素含量估算模型的R~2在0.91～0.98,均通过极显著性检验,其拟合效果和预测精度远高于单波段一元线性回归和基于植被指数的一元线性回归模型,是估算猕猴桃叶片叶绿素含量的最优模型。【结论】基于主成分分析的随机森林模型包含了更完整的波段信息,对不同生育期猕猴桃叶片叶绿素含量具有较好的预测能力。     

不同灌溉条件下冬小麦叶面积指数的高光谱监测

LAI是作物长势监测的一个重要指标,实时、无损和准确地估测冬小麦LAI具有重要的实践意义。通过对冬小麦进行不同的灌溉处理试验,研究LAI与冠层光谱反射率的关系,计算350～2 450 nm不同波段组合的原始光谱指数和导数光谱指数,筛选最优波段组合光谱指数,并建立LAI的监测模型。结果表明,冬小麦LAI与冠层光谱反射率和不同波段组合光谱指数相关性较好;冬小麦LAI监测的最优光谱指数为DVI(435,447),以此为自变量建立的指数模型y=10.669e~(-701.9x)表现最优,模型最稳定。     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。     

基于冠层高光谱遥感对加工番茄产量的估算模型

[目的]对加工番茄的产量进行遥感估测。[方法]以ASD FieldSpec光谱仪实测大田中不同生育期加工番茄的冠层高光谱及其产量,采用单时相线性逐步回归和复合回归,首次建立了加工番茄高光谱与产量的估算模型。[结果]在坐果期光谱参量与产量相关性最大,而其他时期的光谱参量与产量相关性均达到了显著水平(P<0.05);多时相复合回归模型以4个生育期与产量的复合回归最为理想。[结论]利用高光谱遥感来监测加工番茄的生长状况,可以最终对加工番茄的产量进行遥感估测。     

基于高分辨率遥感影像的玉米田叶面积指数反演

根据玉米田样地生物物理参量的野外实测数据,对PROSAIL模型输入参数的取值范围进行率定。通过PROSAIL模型参数敏感性分析,确定不同的输入参数设置方案,模拟不同的叶面积指数、叶倾角、叶绿素含量对应的玉米冠层反射率,建立叶面积指数的缨帽三角分布模式,从而获得玉米田红光-近红外波段反射率-LAI查找表,选取宁夏中卫市WV-3高分辨率遥感影像对玉米种植区域LAI进行反演。通过与实测数据比较,分析了PROSAIL模型在高分辨率遥感影像农作物LAI反演方面的适用性,为高分辨率遥感影像反演农作物LAI提供了方法参考。结果表明,PROSAIL模型输入参数的范围率定与不同设置方案的确定是有必要的,并且运用该查找表从WV-3影像反演的LAI与实测数据较一致,查找表均方根误差为0.47,LAI反演均方根误差为0.24。研究表明,该方法在利用WV-3遥感影像进行玉米田LAI反演中具有较强的适用性,能够进行准确有效的大面积叶面积指数遥感反演。     

Estimating the crop leaf area index using hyperspectral remote sensing

The leaf area index(LAI) is an important vegetation parameter,which is used widely in many applications.Remote sensing techniques are known to be effective but inexpensive methods for estimating the LAI of crop canopies.During the last two decades,hyperspectral remote sensing has been employed increasingly for crop LAI estimation,which requires unique technical procedures compared with conventional multispectral data,such as denoising and dimension reduction.Thus,we provide a comprehensive and intensive overview of crop LAI estimation based on hyperspectral remote sensing techniques.First,we compare hyperspectral data and multispectral data by highlighting their potential and limitations in LAI estimation.Second,we categorize the approaches used for crop LAI estimation based on hyperspectral data into three types:approaches based on statistical models,physical models(i.e.,canopy reflectance models),and hybrid inversions.We summarize and evaluate the theoretical basis and different methods employed by these approaches(e.g.,the characteristic parameters of LAI,regression methods for constructing statistical predictive models,commonly applied physical models,and inversion strategies for physical models).Thus,numerous models and inversion strategies are organized in a clear conceptual framework.Moreover,we highlight the technical difficulties that may hinder crop LAI estimation,such as the "curse of dimensionality" and the ill-posed problem.Finally,we discuss the prospects for future research based on the previous studies described in this review.     

不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究

 采用盆栽试验研究了不同氮营养水平下的春玉米叶片叶绿素和全氮含量与叶片光谱反射率的相关性。结果表明，拔节期和喇叭口期是玉米氮素光谱营养诊断的敏感时期；利用绿峰处叶片最大光谱反射率反演玉米叶片氮素含量和叶绿素含量的精度为：喇叭口期＞拔节期＞开花吐丝期；不同生育时期诊断玉米叶片氮素含量和叶绿素含量时所采用的光谱波段也不同，拔节期和喇叭口期采用可见光波段的光谱反射率可靠性较高，而开花吐丝期采用近红外波段的光谱反射率可靠性较高；两波段组合光谱变量对叶片叶绿素和全氮含量的判别精度高于单一波段的判别精度。     

4种混合地物的光谱特征研究

利用野外型多光谱地物辐射计，在测量2种不同地物不同比例组合的光谱基础上，总结出4种混合地物的反射光谱特征，并通过相关性和线性回归等数据处理，建立了混合地物反射光谱的回归模型。该模型有助于定量研究混合地物，提高遥感图像的解译精度。     

棉花黄萎病冠层高光谱遥感监测技术研究

通过小区试验地病圃田和大田实验,不同时期对不同品种棉花黄萎病冠层光谱分别进行测定,定性和定量地分析了其反射光谱特征.结果表明:不同时期、不同品种棉花黄萎病冠层光谱与正常冠层之间有着显著的差异,冠层光谱均随严重度(SL)的增加表现出有规律的变化,可见光(620～700 nm)波段,光谱反射率随SL增加呈现上升趋势,近红外(700～1 300 nm)波段则表现出相反的趋势,在近红外(760～1 300 nm)尤为明显.黄萎病冠层光谱与SL相关后发现,806 nm附近SL(Y)与冠层光谱反射率(X)的相关性达到了极显著水平,二者之间的回归模型为:Y=-11.64 X+7.072 2(R2=0.675).研究为今后航空、航天遥感大面积监测棉花黄萎病提供了理论依据,为棉花其他病害遥感监测提供了借鉴和参考.     

基于高光谱的油菜叶面积指数估计

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R~2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R~2为0.79,RMSEP为0.60,RPD为2.30;10叶期时红边幅值预测模型R~2为0.92,RMSEP为0.47,RPD为2.36;盛花期时蓝边面积预测模型R~2为0.87,RMSEP为0.34,RPD为2.57;角果期时以RDVI为代表的植被指数也可准确估算出LAI,预测模型R~2为0.74,RMSEP为0.57,RPD为1.36。油菜全生育期采用相同光谱特征参数、植被指数建模估计LAI精度明显降低,预测R~2远小于0.75,RMSEP大于0.65,RPD值均小于1.40,表明难以采用统一参数建模准确估计油菜全生育期LAI,不同生长时期需选择合适的光谱参数、植被指数分段建模估计LAI。     

Combining chlorophyll meter readings and high spatial resolution remote sensing images for in-season site-specific nitrogen management of corn

The chlorophyll meter (CM) has been commonly used for in-season nitrogen (N) management of corn (Zea mays L.). Nevertheless, it has limited potential for site-specific N management in large fields due to difficulties in using it to generate N status maps. The objective of this study was to determine how well CM readings can be estimated using aerial hyper-spectral and simulated multi-spectral remote sensing images at different corn growth stages. Two field experiments were conducted in Minnesota, USA during 2005 involving different N application rates and timings on a corn-soybean [Glycine max (L.) Merr.] rotation field and a corn-corn rotation field. Four flights were made during the growing season using the AISA Eagle Hyper-spectral Imager and CM readings were collected at four or five different growth stages. The results indicated that single multi-spectral and hyper-spectral band or vegetation index could explain 64–86% and 73–88% of the variability in CM readings, respectively, except at growth stage V9 in the corn-soybean rotation field where no band or vegetation index could explain more than 37% of the variability in CM readings. Multiple regression analysis demonstrated that the combination of 2–4 broad-bands or 3–8 narrow-bands could explain 41–92% or 61–94% of the variability in CM readings across the two fields and different corn growth stages investigated. It was concluded that the combination of CM readings with high spatial resolution hyper-spectral or multi-spectral remote sensing images can overcome the limitations of using them individually, thus offering a practical solution to N deficiency detection and possibly in-season site-specific N management in large continuous corn fields or at later stages in corn-soybean rotation fields.