利用无人机多光谱估算小麦叶面积指数和叶绿素含量

利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数（Leaf Area Index,LAI）和叶绿素含量的模型估算潜力,该研究在3个飞行高度（30、60、120 m）采集多光谱影像,通过使用全波段差值光谱指数（Difference Spectral Index,DSI）、比值光谱指数（Ratio Spectral Index,RSI）、归一化光谱指数（Normalized Spectral Index,NDSI）和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络等模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD（Soil and Plant Analyzer Development）值的精度。结果表明：1）30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2）在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好, 最大相关系数分别为0.77和0.5。3）利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。     

无人机高光谱遥感估算冬小麦叶面积指数

为探讨利用低空无人机平台和高光谱影像对冬小麦叶面积指数进行遥感估算,该研究以拔节期冬小麦小区试验为基础,对原始冠层光谱进行一阶导数和连续统去除光谱变换,并在此基础上提取任意两波段组合的差值光谱指数（Difference Spectral Index,DSI）、比值光谱指数（Ratio Spectral Index,RSI）和归一化光谱指数（Normalized Spectral Index,NDSI）,以最优窄波段光谱指数进行叶面积指数估算模型的构建。结果表明,最优窄波段指数的构成波段主要位于红边区域,最优窄波段指数与叶面积指数均呈现非线性关系;光谱变换显著提升了光谱变量与叶面积指数的相关性,其中连续统去除光谱所获取的NDSI（738,822）光谱指数与叶面积指数的相关性最佳;窄波段光谱指数和随机森林回归算法的叶面积指数估算模型精度最高,其相对预测偏差为2.01,验证集的决定系数和均方根误差分别为0.77和0.27。基于随机森林回归算法的无人机高光谱叶面积指数估算模型能够准确地实现小区域的叶面积指数遥感填图,为后期作物长势、变量施肥等提供理论依据。     

水稻冠层光谱反射特征及其与叶面积指数关系研究

在水稻试验小区,通过人为控制的方法造成施N水平的差异,对水稻整个生长期内冠层光谱进行了比较系统、密集的测定,并测定了水稻几个重要生育期的叶面积指数。结果表明:随着施N水平的提高,水稻冠层光谱在各生育期呈现出一定的规律性,在近红外部分(760 ~ 1220 nm),冠层光谱反射率随着施N水平的提高而升高,而在可见光部分(460 ~ 710 nm),水稻冠层的光谱反射率反而逐渐降低。冠层光谱经差异显著性检验发现:水稻灌浆期以前,对施N水平最为敏感的波段是绿光(560 ~ 610 nm)和近红外(710 ~ 760 nm)部分;转换为归一化植被指数(NDVI)以后,差异最显著的是 (R760 - R560) / (R760 R560)。对叶面积指数与冠层光谱反射率的相关分析结果表明:在水稻抽穗期以前,叶面积与冠层光谱反射率相关性较差;而抽穗期以后,二者有较好的相关性。     

基于无人机高光谱遥感的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

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。     

无人机多光谱遥感监测水稻高温胁迫的关键技术

选取长江中下游的芜湖地区超级水稻生产基地为试验区域,以2019年7月20日-8月9日连续高温日为试验时段,设计基于消费级无人机与便携式多光谱传感器的水稻长势遥感监测系统,并创建数据后处理分析与应用方法,对处于生育敏感期稻株的光谱特征进行研究,建立水稻高温胁迫的反演识别模型。结果表明:稻株植被指数与叶面积指数呈显著的指数关系,相关系数达到0.918,由此建立稻株叶面积指数反演模型,并进一步确定稻株出现高温胁迫的叶面积指数判别条件。利用叶面积指数反演模型和判别条件对实验区域内的水稻进行高温胁迫下的光谱特征提取与分析,结果显示,实验区域内15.3%的水稻受到了持续高温胁迫的影响,与农业部门田间调查事实相符,即实验区域内水稻灌浆率为82.2%。相对于传统人工田间调查和卫星遥感调查的作物长势监测方法,便携式无人机多光谱遥感监测技术具有空间分辨率高、可实时大范围监测、简单易行以及应用成本低等特点,利于普及与推广,在农作物自然灾害监测方面具有应用前景。     

水稻叶面积指数的普适增长模型

Ｌｏｇｉｓｔｉｃ模型仅以时间为自变量。本文发展了一个模拟叶面积指数动态变化的扩充的Ｌｏ－ｇｉｓｔｉｃ模型。它以生育期和干物重为预报因子，是模拟叶面积指数随地理位置和生育期变化的统一模型。用长沙、岳阳的水稻地理分期播种资料进行了拟合。结果表明，该模式可解释同一品种ＬＡＩ随地理位置、播种期和生育期变异的９５．５％。这种多因子复合的Ｌｏｇｉｓｔｉｃ模型可作为受环境因子影响的重复试验的统一模型。     

油菜红边特征及其叶面积指数的高光谱估算模型

在2003～2004年油菜生长季,选用6个油菜品种,设置3个氮素水平的小区试验。在不同发育期同步测定油菜冠层的光谱反射率及对应叶片的叶面积指数。利用油菜冠层的光谱反射率数据提取红边参数,分析其变化规律,油菜叶面积指数与红边参数的相关性,估算结果表明：油菜冠层红边一阶导数光谱具有“双峰” 现象,红边位置λ_red位于690～720 nm之间,在油菜生长旺盛期间出现“红边平台”,前期有“红移”,后期有“蓝移”现象;叶面积指数与冠层光谱红边参数λ_red、Dλ_red、S_red之间在开花前存在显著相关,但开花后相关性不显著;利用开花前的红边参数可以估算油菜的叶面积指数,开花后的红边参数不能用于估算油菜的叶面积指数;最后建立了不同时期和开花前油菜叶面积指数的估算模型。     

无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量

利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。     

利用无人机影像构建作物表面模型估测甘蔗LAI

为探讨从作物表面模型(crop surface models,CSMs)中提取株高来估算糖料蔗叶面积指数(leaf area index,LAI)的可行性,该文采用无人机-RGB高清数码相机构成的低空遥感平台,以广西糖料蔗为研究对象,采集了糖料蔗全生育期的高清数码影像,分别在有无地面控制点条件下建立各生育期CSMs并提取株高。此外,该文利用高清数码影像计算了6种可见光植被指数并建立LAI估算模型,用以对比从CSMs提取的株高对LAI的估算效果。结果表明:全生育期CSMs提取的株高与实测株高显著相关(P0.01),株高预测值与实测值高度拟合(R2=0.961 2,RMSE=0.215 2)。选取的6种可见光植被指数中,绿红植被指数对糖料蔗伸长末期以前的LAI的估测效果最好(R2=0.779 0,RMSE=0.556 1,MRE=0.168 0)。相同条件下,株高对LAI有更高的估测精度,其中CSMs提取的株高估测效果优于地面实测株高,预测模型R2=0.904 4,RMSE=0.366 2,MRE=0.124 3。研究表明,使用无人机拍摄RGB影像来提取株高并运用于糖料蔗重要生育期LAI的估算是可行的,CSMs提取的株高拥有较高的精度。该研究可为大区域进行精准快速的农情监测提供参考。     

基于无人机图像分割的冬小麦叶绿素与叶面积指数反演

叶绿素含量与叶面积指数是反映作物长势的重要理化参数,准确、高效定量估计小麦叶绿素含量与叶面积指数对于产量预测和田间管理决策具有重要意义,无人机(Unmanned Aerial Vehicle,UAV)遥感影像具有高空间分辨率的优势,被广泛应用于作物理化参数反演,但现有叶绿素含量与叶面积指数反演模型受土壤、阴影等背景噪声...     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index,LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative,FDR)、二阶导(Second Derivative,SDR)、S...     

基于作物生长监测诊断仪的双季稻叶面积指数监测模型

为探索作物生长监测诊断仪(Crop Growth Monitoring and Diagnosis Apparatus,CGMD)在不同株型双季稻长势指标监测应用的准确性和适用性,该研究开展了不同株型品种和施氮量的田间试验,采用CGMD获取冠层差值植被指数(Differential Vegetation Index,DVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和比值植被指数(RatioVegetationIndex,RVI),并同步采用高光谱仪(AnalyticalSpectralDevices,ASD)获取冠层光谱反射率,构建DVI、NDVI和RVI;通过比较2种光谱仪获取的植被指数变化特征及相互定量关系,评价CGMD的监测精度,建立基于CGMD的不同株型双季稻叶面积指数(Leaf Area Index,LAI)监测模型,并用独立数据对模型进行检验。结果表明:不同株型品种的LAI、DVI、NDVI和RVI随施氮量增加而增大,随生育进程推进呈"低—高—低"的变化趋势;基于CGMD与ASD的DVI、NDVI和RVI间的决定系数(Determination Coefficient,R2)分别为0.959～0.968、0.961～0.966和0.957～0.959,表明CGMD具有较高监测精度,可替代价格昂贵的ASD获取DVI、NDVI和RVI。基于CGMD植被指数的单生育期LAI监测模型的预测效果优于全生育期,基于CGMD植被指数的松散型品种LAI监测模型的预测效果优于紧凑型品种;基于DVICGMD的线性方程可较好地预测LAI,模型R2为0.857～0.903,模型检验的相关系数(Correlation Coefficient,r)、均方根误差(Root Mean Square Error,RMSE)和相对均方根误差(Relative Root Mean Square Error,RRMSE)分别为0.950～0.984、0.18～0.43和3.95%～9.40%;基于NDVICGMD的指数方程可较好地预测LAI,模型R2为0.831～0.884,模型检验的r、RMSE和RRMSE分别为0.906～0.967、0.24～0.38和5.73%～9.16%;基于RVICGMD的幂函数方程可较好地预测LAI,模型R2为0.830～0.881,模型检验的r、RMSE和RRMSE分别为0.905～0.954、0.25～0.56和7.37%～9.99%。与传统人工取样测定LAI法相比,利用CGMD可实时无损监测双季稻LAI动态变化,可替代SunScan植物冠层分析仪获取双季稻LAI,在双季稻生产中具有推广应用价值。     

基于无人机多光谱影像的棉花SPAD值及叶片含水量估测

利用多光谱快速准确获取棉花花铃期旱胁迫性状对棉花后期产量和纤维品质具有重要帮助。为实现棉花关键抗旱指标的快速检测,该研究以253份棉花品种为材料,设置干旱胁迫和正常灌溉2个处理,在花铃期通过大疆精灵4多光谱无人机获得图像,分析花铃期干旱胁迫和正常处理棉花的光谱反射率,结合地面调查叶绿素相对值(S_PAD)和叶片含水量(L_WC)数据,结合神经网络算法中的径向基函数进行模型的预测。结果显示：棉花干旱胁迫前后除红光反射值略上升,其余4个光谱均小于正常处理;通过径向基函数模型估测S_PAD和L_WC的最佳估测模型都为二次函数,决定系数R²分别为0.848 8和0.936 6,均方根误差R_MSE分别为2.005和0.930,相对误差R_E分别为0.004和0.011;将2个模型应用于试验区影像,对S_PAD及L_WC预测值进行聚类分析,根据S_PAD聚类结果,试验棉花旱情等级划分为特旱、重旱、...     

水稻叶面积指数和产量的空间变异性及关系研究

该文运用地质统计学方法分析了水稻叶面积指数与产量的空间分布及关系,结果表明：叶面积指数和产量均近似正态分布;在所研究的条件下,产量和大部分生育阶段(除拔节期)的叶面积指数都具有空间结构;孕穗期、抽穗期和乳熟期叶面积指数与产量在一定范围内具有显著空间相关关系。借鉴指示克立格的思想,提出了指示值分布法,分析了以上3个生育阶段的综合叶面积指数分布与产量的关系,该方法不仅对于水稻的遥感估产和精确农业的实施具有借鉴意义,且对于其它领域研究某一变量与某几个变量的空间分布关系,或某一变量随时间的动态变化与另一个变量的关系具有一定的参考价值。     

融合CLAHE-SV增强Lab颜色特征的水稻覆盖度提取

为解决由于阈值不确定和光照强度不稳定所造成的植被覆盖度提取效果不理想的问题,该研究提出一种融合CLAHE-SV（contrast limited adaptive histogram equalization-saturation value）增强Lab颜色空间特征的高斯混合模型聚类算法。以分蘖后期的水稻为对象,利用无人机获取2、3、4和5 m高度下的水稻可见光图像,采用限制对比度自适应直方图均衡化算法（contrast limited adaptive histogram equalization,CLAHE）对HSV颜色空间中饱和度（S）和亮度（V）分量进行增强,并在此基础上应用高斯混合模型（gaussian mixture model,GMM）结合Lab颜色空间的a分量分割图像背景和提取水稻覆盖度,并与GMM-RGB、GMM-HSV、GMM-Lab进行对比分析。结果表明,基于a分量构建的GMM-CLAHE-SV-a与GMM-a模型在不同高度图像中的分割效果均优于RGB、HSV、Lab,其中GMM-CLAHE-SV-a精度最佳。相比于GMM-a,在高度为2 、3 、4 和5 m时GMM-CLAHE-SV-a的总体分割精度均值分别提高了2.16、1.01、1.03和1.26个百分点,Kappa系数均值分别提高了0.0414、0.0173、0.0190和0.0221;覆盖度的平均提取误差分别降低了8.75、7.01、5.93和5.34个百分点,决定系数R²分别提高了0.0960、0.0502、0.0622和0.1906,较好地降低了光强和倒影的影响。与已有方法相比,该算法无需标记训练集或计算阈值,可直接对无人机图像进行处理,具有较高的普适性,可以在复杂的大田环境下快速分割水稻像素并提取植被覆盖度信息。