共查询到19条相似文献,搜索用时 156 毫秒
1.
基于无人机高光谱长势指标的冬小麦长势监测 总被引:5,自引:0,他引:5
为快速准确监测作物长势,以冬小麦为研究对象,获取了不同生育期的无人机高光谱影像。利用无人机高光谱数据构建光谱指数,并分析4个生育期的指数与生物量、叶面积指数以及由生物量和叶面积2个生理参数构建的长势监测指标(Growth monitoring indicator,GMI)的相关性;建立与GMI相关性较强的4个光谱指数的单指数回归模型,利用多元线性回归、偏最小二乘和随机森林3种机器学习方法分别建立冬小麦各生育期的GMI反演模型;将最佳模型应用于无人机高光谱影像,得到冬小麦长势监测图。结果表明:各生育期光谱指数与冬小麦GMI相关性较高,大部分指数都达到了显著水平,其中NDVI、SR、MSR和NDVI×SR与GMI的相关性高于生物量、叶面积指数与GMI的相关性;拔节期、挑旗期、开花期、灌浆期、全生育期,表现最好的回归模型对应光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR;对比3种方法构建的GMI反演模型,开花期模型MLR-GMI效果最佳,此时期的模型建模R~2、RMSE和NRMSE分别是0. 716 4、0. 096 3、15. 90%。 相似文献
2.
基于小波能量系数和叶面积指数的冬小麦生物量估算 总被引:1,自引:0,他引:1
生物量是评价作物长势及产量估算的重要指标,科学、快速、准确地获取生物量信息,对于监测冬小麦生长状况以及产量预测等具有重要意义。以冬小麦为研究对象,通过相关性分析,选取相关性较好的小波能量系数,同时耦合叶面积指数,基于支持向量回归算法、随机森林算法、高斯过程回归3种算法构建冬小麦生物量估算模型。结果显示,基于小波能量系数,分别利用支持向量回归算法、随机森林算法、高斯过程回归进行生物量估算,4个生育期的验证R2分别是0.55、0.40、0.39;0.75、0.70、0.83;0.84、0.92、0.93;0.84、0.89、0.85。表明高斯过程回归模型估算精度最优。叶面积指数耦合小波能量系数,利用支持向量回归算法、随机森林回归算法、高斯过程回归进行生物量估算,4个生育期的验证R2分别是0.76、0.73、0.77;0.76、0.72、0.84;0.87、0.94、0.94;0.85、0.90、0.91。表明高斯过程回归算法估算精度最优,并且在一定程度上能够克服冠层光谱饱和现象,提高模型估算精度。以小波能量系数和叶面积指数为输入变量结合高斯过程回归算法建立冬小麦生物量估算模型,可以提高生物量估算精度,为基于遥感技术的作物参数快速估算提供参考。 相似文献
3.
为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数:比值指数(Ratio index,RI)、差值指数(Difference index,DI)、归一化光谱指数(Normalized difference vegetation index,NDVI)、土壤调整光谱指数(Soil-adjusted iegetation index,SAVI)、三角光谱指数(Triangular vegetation index,TVI)、改进红边归一光谱指数(Modified normalized difference index,mNDI)和改进红边比值光谱指数(Modified simple ratio,mSR),使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机(Support vector machine,SVM)、随机森林(Random forest,RF)和反向神经网络(Back propagation neural network,BPNN)构建大豆产量估算模型并进行验证。结果表明,各生育期(全花期(R2)、全荚期(R4)和鼓粒期(R6))计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。 相似文献
4.
棉花冠层叶面积的动态模拟 总被引:1,自引:0,他引:1
根据试验资料,在系统分析棉花冠层叶面积时空分布规律的基础上,充分考虑叶面积空间垂直分布的异质性,以生育期内累积的每日相对热效应为预报因子,构建了棉花叶面积垂直分布和叶面积指数的动态模拟模型。利用不同年份不同播期的试验资料对模型进行了验证,累积叶面积指数L(z)的模拟结果与1∶1直线之间的R^2和均方根误差分别为0.969和0.257,叶面积指数LAI的模拟结果与1∶1直线之间的R^2和均方根误差分别为0.936和0.305。结果说明模型具有较好的预测性和实用性。模型的模拟结果可作为冠层结构参数,用于冠层辐射传输模型和光合作用模型。 相似文献
5.
不同覆膜处理下春玉米叶面积指数高光谱估算 总被引:1,自引:0,他引:1
为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数(Leaf area index,LAI),研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下LAI的高光谱估算模型。结果表明,覆膜对LAI的影响主要在抽雄期之前,相同施肥水平下覆膜与无覆膜处理之间LAI的差异随生育期的推进呈先减小、后增大的趋势,其中苗期差异最大,覆膜比无覆膜处理LAI增加78%以上;各覆膜处理冠层反射率之间的差异由大到小为生育中期、生育末期、生育初期,覆膜主要影响玉米对绿光和红光的吸收。基于3个指标构建各覆膜处理下LAI的估算模型,以特征指数为因变量建立的模型对LAI的反演结果精度较高,其拟合和验证决定系数R2均在0.8以上,均方根误差RMSE为0.45~0.65cm2/cm2,剩余预测偏差RPD均大于2,由于覆膜的影响,无覆膜处理LAI反演精度高于覆膜处理。以特征指数NI(722,731)为自变量建立的所有处理的混合LAI估算模型表现了反演的优越性,能降低覆膜对LAI反演的影响。 相似文献
6.
为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合(小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise),并利用去噪后的小麦冠层光谱建立偏最小二乘回归(PLS)模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差(RMSEC)为0.260,预测集均方根误差(RMSEP)为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析(PCA)进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型(LS-SVR),其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明:以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。 相似文献
7.
基于无人机遥感影像的冬小麦氮素监测 总被引:7,自引:0,他引:7
精准氮素管理是一项提高作物氮肥利用效率的有效策略,利用无人机遥感技术精确估测小麦氮素状况是必要的。试验在山东省乐陵市科技小院实验基地进行,利用八旋翼无人机搭载Mini-MCA多光谱相机于2016年获取冬小麦4个关键生育时期(返青期、拔节期、孕穗期、扬花期)冠层多光谱数据,同步获取地上部植株样品并测定其生物量、吸氮量、氮营养指数,及成熟期籽粒产量,根据各关键生育期与全生育期分别构建植被指数与农学参数回归分析模型,评估基于无人机遥感影像的冬小麦氮素营养诊断潜力。结果表明:基于无人机遥感影像能够较好地估测冬小麦氮素指标(R2为0.45~0.96),决定系数随着生育期推移而逐渐增大。拔节期、孕穗期和扬花期估产效果接近且具有很好的估测能力,扬花期DATT幂函数模型对小麦氮营养指数的解释能力最强(R2=0.95)。因此,以多旋翼无人机为平台同步搭载多光谱相机对冬小麦有较好的氮素诊断潜力,可利用估测结果指导精准氮肥管理。 相似文献
8.
基于Android手机平台的冬小麦叶面积指数快速测量系统 总被引:3,自引:0,他引:3
叶面积指数(Leaf area index,LAI)是衡量作物生长状况的重要参数,也是科学确定无人机喷药量的主要指标。为了建立一套作物叶面积指数实时测量方法,基于Android手机平台开发了一种冬小麦叶面积指数快速测量系统。在大田条件下选取长势均匀的10个试验区域,在不同生长期采用Android手机平台和ADC多光谱相机分别获取小麦冠层图像,同时手工测量小麦实际叶面积,根据不同测量结果计算3种叶面积指数: 将Android手机图像由RGB空间转换到HSV空间,在H-V双通道组合图像上进行图像分割后计算绿色叶片的面积IArea;由ADC多光谱相机自带软件获取的归一化植被指数(NDVI)和调节土壤植被指数(SAVI)数据反演的叶面积指数ALAI;实际手工测量的叶面积指数LAI。对以上3种叶面积指数的相关分析和建模分析结果表明,随着小麦不同生长期的变化,Android手机平台获取IArea与实际测量叶面积指数LAI的R2大于0.84(P小于0.01),ADC获取的叶面积指数ALAI与实际测量叶面积指数LAI的R2大于0.83。 相似文献
9.
基于DSSAT模型的南疆膜下滴灌棉花生长与产量模拟 总被引:1,自引:0,他引:1
目前关于膜下滴灌棉花的灌水定额制定仍以田间灌溉试验为主,而考虑播期土壤含水率及采用模型的方法确定膜下滴灌棉花灌水定额的研究较少。本文通过2017、2018年两季的新疆南疆地区棉花大田试验,利用2017、2018年棉花开花期、成熟期的土壤含水率、叶面积指数、生物量和籽棉产量实测数据对DSSAT-CROPGRO-Cotton模型进行参数校正和验证。试验共设计了24、30、36mm 3个膜下滴灌棉花灌水定额水平,并采用验证的DSSAT-CROPGRO-Cotton模型对1.2θFC、1.1θFC、θFC、0.9θFC、0.8θFC、0.7θFC、0.6θFC和0.5θFC(θFC为田间持水率)8个不同初始土壤含水率条件下的膜下滴灌棉花的生长及产量进行了模拟。结果表明,模型经过参数校正和验证后对土壤含水率、棉花物候期、叶面积指数和籽棉产量的模拟值与实测值吻合度较好,能够满足大田膜下滴灌棉花的模拟精度要求,但对生物量的模拟与实测值偏差较大。同时,基于验证的DSSAT-CROPGRO-Cotton模型对不同初始土壤含水率及灌水定额条件下的棉花籽棉产量和生物量进行了模拟。结果表明,棉花籽棉产量和生物量模拟值达到最大值的初始土壤含水率为0.8θFC~θFC。同时,要保证棉花生育期灌溉定额在330~396mm之间。模拟结果在南疆地区的棉花播期及生育期灌溉管理中可供借鉴使用。 相似文献
10.
基于无人机高光谱遥感的冬小麦株高和叶面积指数估算 总被引:1,自引:0,他引:1
为了快速、准确地估算叶面积指数(LAI),通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据,从中提取出株高(Hcsm)。首先,分析了植被指数、Hcsm与LAI的相关性,挑选出最优植被指数;然后,分别构建了单个参数的LAI线性估算模型;最后,以植被指数、植被指数结合Hcsm为模型输入因子,采用偏最小二乘回归方法构建LAI估算模型。结果表明:通过无人机高光谱遥感影像提取的Hcsm精度较高(R2=0.95);在不同生育期,大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度;以植被指数、植被指数结合Hcsm为输入变量,通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳(建模R2=0.73,RMSE为0.64)。本研究方法可以提高LAI估算精度,为农业管理者提供参考。 相似文献
11.
在防雨棚测坑试验条件下,研究了不同生育阶段水分亏缺对麦后移栽棉生长发育及生理特性的影响。结果表明,蕾期水分亏缺抑制了植株的正常生长发育,棉花株高、茎粗和叶面积指数等生长发育指标均随水分亏缺程度的增大而减小,而花铃期水分亏缺对其影响较小;在植株快速生长阶段,蕾铃数和叶面积指数呈现良好的对数正相关关系,决定系数达到0.90以上;不论蕾期还是花铃期,与对照处理相比,水分亏缺均显著提高了叶片可溶性糖和丙二醛(MDA)的质量分数,且随水分亏缺程度的增大而增大,进而限制了蕾铃的正常生长发育,复水后可溶性糖与MDA均降低至与对照无明显差异的程度。 相似文献
12.
以黄淮区种植面积相对较大的棉、瓜间作模式为研究对象,开展了不同生育阶段水分亏缺对棉花的生长发育、产量及水分生产效益的影响研究,确定棉、瓜间作的适宜土壤水分控制指标。结果表明,苗期适度亏水对棉花生育和棉、瓜产量的影响较小,节水效果较明显;蕾期缺水对棉花影响较少,节水效果最明显,但对甜瓜产量影响最大;花铃前期不同程度水分亏缺的成铃数低于其他处理且脱落率较高,棉、瓜减产幅度均较大,为棉、瓜需水关键期;花铃后期缺水仍会导致蕾铃脱落率增加,不利于产量的进一步提高。综合比较各项指标,大田棉、瓜间作高产高效的土壤水分适宜控制下限指标为:苗期土壤含水率不低于田间持水率(FC)50%,蕾期为60%FC~65%FC,花铃前期为75%FC~80%FC,花铃后期为70%FC~75%FC。 相似文献
13.
基于无人机成像高光谱影像的冬小麦LAI估测 总被引:4,自引:0,他引:4
利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。 相似文献
14.
田间冬小麦抽穗期长势分析——基于可见-近红外光 总被引:1,自引:0,他引:1
为了快速估测大田冬小麦叶绿素含量指标,指导冬小麦抽穗期追肥管理,基于光谱分析技术在可见光和近红外波段(325~1 075 nm)处,对陕西省杨凌区揉谷镇粮食基地的冬小麦进行长势检测、分析。试验在1 000 m×600 m区域内划分为30个采样区进行数据采集,使用ASD Field Spec Hand Held光谱辐射仪(Analytical Spectral Devices.,USA)采集冬小麦的冠层光谱反射率数据,使用SPAD-5 0 2 Plus便携式叶绿素仪测量小麦倒一叶和倒二叶的叶绿素指标(SPAD值),使用G738 CM型手持式GPS记录采样点的位置信息。分别进行冠层光谱反射率小麦倒一叶和倒二叶的预处理,结果表明:冠层反射光谱倒二叶的SPAD值相关系数高于倒一叶。基于相关性分析,选取4个敏感波段538、661、740、850 nm分别与预处理前后的光谱数据进行多元线性回归分析,结果表明:预处理后的模型精度较高,建模精度R2=0.8 3,验证建模精度R2=0.7。同时,绘制了大田作物长势分布图,可为冬小麦抽穗期追肥提供支持。 相似文献
15.
基于平稳小波变换的冬小麦覆盖度高光谱监测 总被引:1,自引:1,他引:1
在2010与2011年度冬小麦生长季,通过大田小区试验,实测了冬小麦冠层的高光谱反射率与覆盖度。分析了不同覆盖度下的冬小麦冠层光谱特征以及不同生育期冬小麦冠层光谱反射率与覆盖度的相关性,建立了基于归一化植被指数(NDVI)与比值植被指数(RVI)、小波能量系数的不同生育期冬小麦覆盖度估算模型。结果表明:覆盖度越大,冬小麦光谱反射率在可见光波段越小,在近红外波段越大。在可见光波段,光谱反射率与覆盖度负相关,在"红边"处,由负相关变成正相关。在返青期、拔节期,NDVI估算效果好(R2为0.835 9、0.805 7);在抽穗期、灌浆期,RVI估算效果好(R2为0.803 1、0.829 4)。在返青期、拔节期、抽穗期、灌浆期,以高频、低频小波能量系数为自变量的冬小麦覆盖度估算模型的R2分别达到0.911 2、0.895 4、0.880 2、0.927 5。 相似文献
16.
基于无人机高光谱影像的水稻叶片磷素含量估算 总被引:1,自引:0,他引:1
为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量(质量分数)(Leaf phosphorus content,LPC)。分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,基于特征波长反射率和光谱指数建立水稻LPC的估算模型,利用最佳模型对高光谱影像进行反演填图,得到LPC空间分布信息。结果表明:全生育期内LPC与462~718 nm范围内光谱反射率显著负相关,负相关最大处相关系数达到-0.902; LPC的特征波长为670、706、722、846 nm,基于特征波长、使用偏最小二乘回归建立的LPC估算模型精度最高,验证R2达到0.925,RMSE为0.027%;在任意波段组合构建的3种类型的光谱指数中,NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586... 相似文献
17.
18.
高光谱遥感技术可对作物生长状况进行无损、高效地监测,是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象,对原始开花期大豆高光谱反射率数据进行0~2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明:0~2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率,分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性;相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为:TVI(687 nm, 754 nm)、DI(687 n... 相似文献
19.
膜下滴灌棉花根系分布规律研究 总被引:1,自引:1,他引:0
在棉花不同的生育期,在窄行及宽行采用根钻取样的方法,对棉花根系分布进行研究,结果表明:随着深度的增加,窄行和宽行的根重密度及根长密度逐渐减小,在棉花蕾期,宽行根系分布较多,窄行较少,棉花花期根系主要集中在20~40 cm土层内;进入铃期后,0~20 cm土层内宽行根重密度大于窄行,20~40 cm的土层范围内,窄行根重密度大于宽行,而在40 cm以下,宽行大于窄行,根系的分布宽行较广;在棉花进入絮期后,窄行根系的生长优于宽行,窄行的土壤条件对根系的生长更为有利,窄行分布的吸水根系相对较多。 相似文献