基于采样点光谱信息窗口尺度优化的土壤含水率无人机多光谱遥感反演

针对空间异质性导致的土壤含水率反演误差较大的问题,分别以玉米灌浆期和小麦苗期的土壤含水率反演为例,利用无人机多光谱遥感技术获取喷灌和畦灌灌溉方式下的正射影像。将34组光谱特征变量按照滑动窗口法提取不同空间尺度的光谱信息平均值,通过极端梯度提升（Extreme gradient boosting,XGBoost）、支持向量机回归（Support vector machine regression,SVR）以及偏最小二乘回归（Partial least squares regression,PLSR）3种机器学习模型确定采样点光谱信息最优窗口尺度;然后,采用皮尔逊相关系数特征变量筛选法（Pearson correlation coefficient feature variable screening method,R）结合XGBoost和SVR模型对提取的34组光谱特征变量进行筛选,选取与土壤含水率敏感的特征变量;最后,估算土壤含水率。结果表明：喷灌方式下所选择的采样点最优光谱信息窗口尺度比畦灌小,其最优窗口尺度范围分别为11×11~21×21和15×15~29×29;采用皮尔逊相关系数特征变量筛选方法结合机器学习模型可有效提高土壤含水率反演精度;5种机器学习模型（R_XGBoost、R_SVR、XGBoost、SVR、PLSR）中R_XGBoost模型估算土壤含水率精度最优,在喷灌和畦灌方式下玉米灌浆期R_XGBoost模型的测试集决定系数R2分别为0.80、0.83,均方根误差（Root mean square error,RMSE）分别为1.27%和0.98%,小麦苗期R2分别为0.76、0.79,RMSE分别为1.68%和0.85%;土壤含水率反演模型在畦灌条件下的精度优于喷灌条件下。该研究可为基于无人机多光谱影像分析的信息挖掘和土壤水分监测提供参考。     

基于无人机多光谱遥感的土壤含盐量反演模型研究

为探究无人机多光谱遥感技术快速监测植被覆盖下的土壤含盐量问题,以内蒙古河套灌区沙壕渠灌域内4块不同盐分梯度的耕地为研究区域,利用无人机搭载多光谱传感器获取2018年8月遥感影像数据,并对0~40cm〖JP〗的土壤进行盐分测定。分别引入敏感波段组、光谱指数组、全变量组作为模型输入变量,采用支持向量机（Support vector machine,SVM）、BP神经网络（Back propagation neural network,BPNN）、随机森林（Random forest,RF）、多元线性回归（Multiple linear regression, MLR）4种回归方法,建立基于3组输入变量下的土壤盐分反演模型,并进行精度评价,比较不同输入变量、不同回归方法对模型精度的影响,评价并优选出最佳盐分反演模型。结果表明,通过分析3个变量组的R2和RMSE,光谱指数组在4种回归方法中均取得了最佳的反演效果,敏感波段组和全变量组在不同的回归方法中反演效果不同。4种回归方法中,3种机器学习算法反演精度明显高于MLR模型,且MLR模型中的敏感波段组和全变量组均出现了“过拟合”现象,RF算法在3种机器学习算法中表现最优,SVM算法和BPNN算法在基于不同变量组的模型中表现也不相同。基于光谱指数组的RF的盐分反演模型在12个模型中取得了最佳的反演效果,R2c和R2v分别达到了0.72和0.67,RMSEv仅为0.112%。     

基于无人机遥感图像纹理与植被指数的土壤含盐量反演

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0～20cm的土壤含盐量，并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类（土壤背景和植被冠层），基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征，采用支持向量机（SVM）和极限学习机（ELM）构建土壤含盐量监测模型，其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4)，通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明：策略3、4所计算出的土壤含盐量反演精度高于策略1、2，策略1~4验证集决定系数R2v分别为0.614、0.640、0.657、0.681，因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4，图像纹理特征+植被指数受到土壤背景的影响，策略4精度低于策略3精度，其R2v分别为0.614、0.657；各变量处理的最优模型均为ELM模型，建模集R2c分别为0.625、0.644、0.618、0.683，标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。     

基于地物高光谱和无人机多光谱的黄河三角洲土壤盐分机器学习反演模型

土壤盐渍化是限制黄河三角洲地区农业经济发展的重要因素,进一步阻碍了农业生产。为了探索无人机影像在地表无植被覆盖条件下的土壤盐分含量反演状况,以黄河三角洲典型区域为研究区,获取地物高光谱和无人机多光谱两种数据源与样点土壤盐分含量,通过优选敏感光谱参量,使用偏最小二乘回归（Partial Least Squares Regression,PLSR）和随机森林（Random Forest,RF）两种机器学习算法建立土壤盐分含量反演模型,实现研究区的土壤盐分含量反演。结果表明：（1）高光谱1972 nm波段与土壤盐分含量间的敏感性最高,相关系数为-0.31。（2）两种不同数据源优化后的RF模型均优于PLSR,且稳定性更好。（3）基于地物高光谱的RF模型（R² =0.54,RMSEv＝3.30 g/kg）优于基于无人机多光谱的RF模型（R² =0.54,验证RMSRv＝3.35 g/kg）。（4）结合无人机影像采用多光谱RF模型对研究区耕地的土壤盐分含量进行反演,研究区总体以轻、中度盐渍化土壤为主,对作物的耕种具有一定程度的限制。本研究构建并对比了两种不同源数据的黄河三角洲土壤盐分反演模型,并结合各自数据源的优势进行优化,探索了地表无植被覆盖情况下的土壤盐分含量反演方法,对更精准反演土地盐渍化程度提供了参考。     

无人机多源光谱反演大田夏玉米叶面积指数

【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P0.000 1水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R~2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R~2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。     

不同植被覆盖度下无人机多光谱遥感土壤含盐量反演

准确快速获取植被覆盖条件下农田土壤盐分信息,为土壤盐渍化治理提供依据。利用无人机遥感平台,获取2019年7、8、9月内蒙古河套灌区沙壕渠灌域试验地的多光谱遥感图像以及取样点0~10cm、10~20cm、20~40cm、40~60cm深度处土壤含盐量,通过多光谱遥感图像计算得到光谱指数,选择归一化植被指数（NDVI-2）代入像元二分模型计算植被覆盖度,并划分为T1（裸土）、T2（低植被覆盖度）、T3（中植被覆盖度）、T4（高植被覆盖度）4个覆盖度等级;同时,对光谱指数进行全子集变量筛选,并利用偏最小二乘回归算法和极限学习机算法,构建不同覆盖度下各深度土壤含盐量反演模型。研究结果表明,裸土和高植被覆盖度下的反演模型精度高于低植被覆盖度和中植被覆盖度下的反演模型精度;对比PLSR和ELM 2种SSC反演模型精度,ELM模型的反演精度比PLSR模型高;覆盖度T1、T2、T3和T4的最佳反演深度分别为0~10cm、10~20cm、20~40cm、20~40cm。研究结果为无人机多光谱遥感监测农田土壤盐渍化提供了思路。     

基于无人机多光谱影像的柑橘冠层叶绿素含量反演

叶绿素是一种反映植物生长水平和健康状况的重要生理生化指标,为快速、无损地大规模获取柑橘冠层的叶绿素含量以精确指导果园管理,利用多旋翼无人机搭载多光谱传感器获取多波段反射率数据,使用多光谱阴影指数对冠层阴影和土壤背景进行剔除,计算得到植被指数与纹理特征,将地面实测的叶绿素含量作为验证,综合对比了全子集回归、偏最小二乘回归和深层神经网络的反演精度以选取最优模型。结果表明,植被指数与叶绿素含量的相关性良好;将仅使用植被指数与仅使用纹理特征的建模结果进行对比,仅使用纹理特征的模型在全子集回归和偏最小二乘回归的反演精度均有明显提升;结合植被指数与纹理特征共同建模后,全子集回归和偏最小二乘回归的反演精度相比仅使用纹理特征的模型均能获得提升;深层神经网络因其良好的非线性拟合能力,获得了最高的反演精度,R²、MAE、RMSE分别为0.665、7.69 mg/m²、9.49 mg/m²,成为本文最优模型。本研究利用无人机多光谱影像反演得到柑橘冠层叶绿素含量,为实现柑橘生长监测提供指导作用。     

基于无人机多光谱遥感的夏玉米叶面积指数估算方法

无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下,利用无人机多光谱植被指数估算夏玉米LAI的可行性,本研究基于无人机多光谱遥感系统,结合同时期实地采集的夏玉米LAI,选择5种植被指数,包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI）,作为模型输入参数,使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型,并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明,在充分灌溉条件下,植被指数的多元线性回归模型可以较好地估算LAI（R² = 0.83）;在水分胁迫条件下,植被指数的随机森林回归模型可以较好地估算LAI（R² = 0.74~0.87）,水分胁迫因素对该模型影响较小,且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术,使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。     

大田葵花土壤含盐量无人机遥感反演研究

以内蒙古河套灌区沙壕渠灌域内大田葵花为研究对象,划分4块不同盐分梯度的试验地,利用无人机搭载六波段多光谱相机和热红外成像仪获取遥感数据,并同步采集区域内不同土壤深度处的盐分数据。利用灰色关联法对构建的光谱指数进行筛选,同时结合冠层温度数据,采用偏最小二乘回归(PLSR)、支持向量机(SVM)、反向传播神经网络(BPNN)和极限学习机(ELM) 4种建模方法构建大田葵花不同生育期、不同土壤深度的盐分反演模型。结果表明,基于葵花现蕾期数据构建的盐分反演模型整体效果优于开花期,以优选盐分指数和光谱指数作为变量组构建的模型效果优于植被指数变量组,盐分反演效果较好的土壤深度为0～20 cm和20～40 cm。不同建模方法对比结果表明,机器学习盐分反演模型的效果优于偏最小二乘回归模型,其中在葵花现蕾期0～20 cm土壤深度处,以光谱指数作为变量组构建的BPNN盐分模型反演效果最好,建模集和验证集R2分别达到0.773和0.718,验证集RMSE、CC分别达到0.062%和0.813。本研究成果可为无人机遥感在大田葵花土壤盐分监测方面的应用及相关研究提供参考。     

基于无人机多光谱影像的矮林芳樟叶片含水率与叶水势反演

叶片含水率和叶水势反映植物组织中水分的状态,是衡量植物水分供应和水分利用效率的重要指标。为探究基于不同高度下无人机多光谱影像反演叶片含水率和叶水势模型的差异,本研究在3个飞行高度处理F30、F60、F100 (30、60、100m)下采集多光谱影像数据,通过使用6种光谱反射率+经验植被指数的组合与地面实测数据进行相关性分析,获得不同飞行高度下的光谱反射率+经验植被指数组合与叶片含水率和叶水势的反演模型及其决定系数,以决定系数为依据分别构建支持向量机（SVM）、随机森林（RF）和径向基神经网络（RBFNN）模型,分析不同飞行高度无人机多光谱影像反演芳樟叶片含水率和叶水势的精度。结果发现：3个飞行高度下,基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30处理对叶片含水率与叶水势反演效果均优于F60和F100处理。F30处理对叶片含水率反演的敏感光谱反射率+植被指数组合为红光波段反射率（R）、红边1波段反射率（RE1）、红边2波段反射率（RE2）、近红外波段反射率（NIR）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）。RF模型训练集的R2、RMSE、MRE分别为0.845、0.548%、0.712%;测试集的R2、RMSE、MRE分别为0.832、0.683%、0897%。对叶水势反演的敏感光谱反射率+植被指数组合为R、RE2、NIR、EVI、SAVI、花青素反射指数（ARI）。RF模型训练集的R2、RMSE、MRE分别为0.814、0.073MPa、3.550%;测试集的R2、RMSE、MRE分别为0.806、0.095MPa、4.250%。研究结果表明飞行高度30m与RF方法分别为反演叶片含水率和叶水势的最优光谱获取高度与最优模型构建方法。本研究可为基于无人机平台的矮林芳樟水分监测提供技术支持,并可为筛选无人机多光谱波段与经验植被指数、实现植物长势参数快速估测提供应用参考。     

基于有机质特征谱段的土壤Cd含量高光谱遥感反演

针对土壤Cd高光谱遥感定量反演中的机理性不足及数据冗余问题,提出一种基于有机质特征谱段的反演方法。该方法首先提取土壤光谱中对重金属Cd具有吸附作用的有机质特征谱段,进而通过竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）优选特征谱段,采用偏最小二乘回归法（Partial least squares regression,PLSR）建立重金属Cd的反演模型,并利用郴州矿区土壤实验室光谱数据和哈密黄山南矿区野外光谱数据进行方法验证。研究表明：有机质特征谱段提取在降低数据冗余的同时提高了重金属Cd的反演精度,CARS算法相对于相关系数法（Correlation coefficient,CC）和遗传算法(Genetic algorithm,GA)特征选择具有更高的反演精度,基于有机质特征谱段的CARS-PLSR算法在土壤实验室光谱和野外实测光谱所得验证精度R2分别为0.94和0.80,表明该算法对于实验室和野外光谱均具有一定适用性。研究可为土壤重金属含量高光谱反演的特征波段选择和算法优选提供参考。     

基于纹理特征与植被指数融合的水稻含水量无人机遥感监测

含水量是表征水稻生理和健康状况的关键参数，精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前，利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数，针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长，并且这些参数随水稻生长呈现出了相似的动态变化趋势；（2）与RGB图像相比，多光谱图像评估水稻含水量具有更高的潜力，其中归一化光谱指数NDSI_771,611实现了更好的预测精度（R²=0.68，RMSEP=0.039，rRMSE =5.24%）；（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R²=0.86，RMSEP=0.026，rRMSE=3.51%），预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉和田间管理决策提供新思路。     

基于环境变量和机器学习的土壤水分反演模型研究

为利用多源数据构建毛乌素沙地腹部土壤含水率建模指示因子,通过微波后向散射系数、地表温度、缨帽变换要素、波段反射率、干旱指数和地形要素等17个变量为建模因子,分别以偏最小二乘（Partial least squares regression, PLSR）、极限学习机（Extreme learning machine, ELM）和随机森林（Random forest, RF）3种方法构建土壤含水率反演模型,对模型进行验证和对比,并对研究区的土壤水分分布进行制图。结果表明：温度植被干旱指数是土壤水分空间变异性的最重要的预测因子（决定系数为0.64）,其次是地表温度（0.6）、σ_VV（0.38）、植被指数（0.38）、波段7反射率（0.35）、σ_VH（0.32）、波段6反射率（0.3）和反照率（0.26）。相比于未筛选变量所构建的模型,利用最优子集筛选（Best subset selection, BSS）变量所构建的模型精度均有所提升。其中PLSR在处理共线性方面表现最优,ELM回归模型最稳定。RF模型具有最高的精确度,4月,决定系数为0.74,均...     

基于无人机高光谱遥感的冬小麦株高和叶面积指数估算

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（R2=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R2=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。     

无人机多光谱数据可靠性分析与冬小麦产量估算研究

无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R²)、均方根误差(RMSE)分别为0.69、428.91 kg/hm²,验证...     

基于无人机-卫星遥感升尺度的土壤盐渍化监测方法

为提高卫星遥感对裸土期土壤盐渍化的监测精度,以河套灌区沙壕渠灌域为研究区域,利用无人机多光谱遥感和GF-1卫星遥感分别获取图像数据,并同步采集土壤表层含盐量;将实测含盐量与无人机和GF-1卫星两种数据的光谱因子进行相关性分析,引入多元线性回归模型（Multivariable linear regression,MLR）、逐步回归模型（Stepwise regression,SR）和岭回归模型（Ridge regression,RR）,分别构建盐渍化监测模型;采用改进的TsHARP尺度转换方法,将无人机数据建立的趋势面应用到GF-1卫星尺度上,经过转换残差校正,对升尺度结果进行定性和定量分析。结果表明：在两种遥感数据的光谱波段和盐分指数中,蓝波段B1、近红外波段B5、盐分指数SI、盐分指数S5和改进的光谱指数NDVI-S1与表层土壤盐分的相关性较好,相关系数均在0.3以上;在3种回归模型中,利用无人机多光谱影像数据和GF-1多光谱影像数据反演表层土壤含盐量的最优模型分别是SRU模型和MLRS模型;升尺度后土壤含盐量的反演精度高于直接采用卫星遥感数据反演的精度。本研究可为裸土期土壤盐渍化的大范围快速精准监测提供参考。     

基于无人机偏振遥感的水稻冠层氮素含量反演模型

受水稻冠层几何结构的影响,传统的无人机高光谱获取到的反射光谱信息中包含与水稻内部组成物质无关的镜面反射信息,从而影响水稻氮素含量的反演精度,因此在利用无人机获取水稻冠层反射光谱信息时,有必要考虑通过偏振测量技术去除反射光谱中的镜面反射分量,进而实现提升水稻氮素含量反演精度的目的。基于无人机偏振遥感测量得到的水稻分蘖期多角度偏振光谱数据和与之对应的氮素含量数据,采用植被指数方法分析二者之间的相关性,得到了水稻冠层偏振光谱数据与其对应氮素含量相关性最高时对应的角度,选取该观测角度下的偏振光谱数据,利用连续投影法(Successive projections algorithm, SPA)提取特征波段,在此基础上,基于数学变换的方法,提出了构建植被指数的新思路,构建了由2个波段组成的偏振光谱植被指数(Polarisation spectrum vegetation index, PSVI),并利用线性回归方法建立水稻冠层氮素含量的反演模型。结果表明,通过对不同观测天顶角下水稻冠层偏振光谱数据与氮素含量相关性分析,得到最佳观测角度为-15°(后向观测15°);利用连续投影法提取得到该角度下偏振...     

基于无人机多光谱遥感的水稻冠层SPAD值反演

为研究水稻叶片叶绿素相对含量（SPAD）在3种水分处理和5种施氮处理下的变化规律，探讨无人机多光谱遥感技术反演水稻SPAD的可行性，本研究利用大疆精灵4多光谱无人机，采集了水稻拔节孕穗期、抽穗开花期和乳熟期的冠层多光谱遥感影像，并同步测定水稻SPAD值，基于25个光谱变量（5个波段反射率和20个植被指数），采用多元线性逐步回归、岭回归和套索回归3种方法构建了水稻SPAD的反演模型。结果表明：水稻3个生育期的SPAD最佳反演模型均是采用套索回归方法构建的，其中乳熟期建立的SPAD最佳反演模型在3个生育期中的反演精度最高，决定系数为0.782，均方根误差为1.217 7，相对误差为6.611 3%。因此，该研究可对水稻叶片SPAD进行遥感监测，并为水稻精准灌溉和施肥提供科学依据和数据支撑。     

基于无人机可见光影像的玉米冠层SPAD反演模型研究

叶绿素是植物进行光合作用的重要色素,利用作物光谱、纹理信息对叶绿素进行反演,为作物的实时监测和健康状况诊断提供重要依据。以大田环境下5个不同品种四叶期、拔节期的玉米为研究对象,利用无人机获取试验区可见光影像,对土壤背景进行掩膜处理,提取25种可见光植被指数、24种纹理特征,综合分析植被指数、纹理特征与玉米冠层叶绿素相对含量（SPAD）的相关性,分别建立基于植被指数、纹理特征和植被指数+纹理特征的逐步回归（SR）、偏最小二乘回归（PLSR）和支持向量回归（SVR）模型,定量估算叶绿素相对含量。在SR模型中,植被指数+纹理特征模型与植被指数模型相同,R2为0.7316,RMSE为2.9580,RPD为1.926,优于纹理特征模型;在PLSR模型中,植被指数+纹理特征模型较优,R2为0.8025,RMSE为2.4952,RPD为2.284,纹理特征模型次之,植被指数模型最差;在SVR模型中,植被指数+纹理特征模型较优,R2为0.8055,RMSE为2.6408,RPD为2.158,植被指数模型次之,纹理特征模型最差。综合分析采用基于PLSR植被指数+纹理特征模型可以实现玉米冠层SPAD快速、准确提取,为叶绿素反演提供一种新的方法,可为无人机遥感作物长势监测提供参考。     

基于岭回归的土壤全氮含量反演模型

全氮含量是土壤肥力的核心指标之一,快速、准确测定耕层土壤全氮含量对农业生产具有重要意义.以南京市江宁区典型水稻田为研究对象,采用棋盘式布点法选取了60个点位,每个点位均在0～30 cm表土层进行取样,利用大疆精灵4多光谱无人机同时获取了土壤样本分别在5个波段(450,560,650,730,840 nm)的光谱反射率,通过土壤全氮含量与光谱反射率多元线性分析,揭示了光谱反射率数据特有的多重共线性问题,构建了基于岭回归的无人机遥感影像反演土壤全氮含量预测模型.计算结果表明,岭回归系数取0.12时,其回归R²达到了0.408,方差膨胀因子均在10以下,且回归系数具有统计学意义.基于岭回归的反演模型可以较好兼顾反演精度与光谱数据多重共线性问题.研究成果可为无人机遥感土壤氮素营养诊断提供理论依据.