基于支持向量机模型的冬小麦全蚀病为害等级遥感监测

为了解利用高光谱遥感技术对小麦全蚀病进行有效监测的可行性,对感染不同发病等级全蚀病的冬小麦冠层光谱反射率数据进行采集分析,选取监测敏感波段,在Matlab和Libsvm工具箱支持下,利用支持向量机分类方法构建小麦全蚀病病害等级预测模型。结果表明,在不同程度小麦全蚀病的为害下,小麦冠层光谱反射率存在明显变化。通过对数据分析,选择700~900nm波段作为敏感波段进行训练建立模型的结果最好;经检验,基于此波段构建的预测模型预测值与实际值相关系数可达0.943,均方根达0.63,因此生产上可利用波段光谱特征对小麦全蚀病进行监测。     

基于面向对象分类的冬小麦种植面积提取

为探索冬小麦种植面积的多源遥感提取方法,以江苏省中部宝应、高邮和兴化三市为研究区域,对冬小麦拔节期Land/TM和ERS/SAR遥感影像进行数据融合,基于波段最佳指数和地物光谱可分性,选择3-4-5波段进行分类,针对传统的基于像素分类方法结果易受"同物异谱"和"异物同谱"现象影响的问题,采用面向对象分类方法,以影像对象为处理单元,结合地物丰富的空间、纹理信息进行小麦面积提取,并与基于像素分类方法(SVM分类)结果进行了比较。结果表明,面向对象分类精度达到了94.16%,较准确地提取出研究区内冬小麦种植面积,比SVM分类结果具有明显优势。该方法可为南方冬小麦种植面积信息的快速获取提供技术支持。     

基于Radarsat-2的冬小麦种植面积提取方法研究

为探寻基于Radarsat-2的冬小麦种植面积提取方法,以设立在江苏盐城研究区的冬小麦为研究对象,选用2014年3月3日-2014年6月7日期间5期Radarsat-2全极化影像,采用支持向量机法和最大似然法分别对各时相的冬小麦种植面积进行提取,并以地面实测GPS样方进行精度验证。结果表明,以支持向量机法和最大似然法提取冬小麦面积的精度均在4月20日达到最高,分别为66.4%和63.9%。对4月20日支持向量机法的冬小麦面积提取结果进一步进行耕地地块优化和碎小图斑去除处理后,冬小麦面积的提取精度可提高到79.6%。     

基于NDVI密度分割的冬小麦种植面积提取

为解决作物面积遥感监测中常遇的混合像元问题,选用江苏省沭阳县冬小麦扬花期HJ-1A卫星遥感影像,基于不同地物光谱信息的差异性与可分割性,提出基于归一化植被指数(NDVI)密度分割的冬小麦种植面积提取方法。在利用GPS实地取样调查和建立解译标志的基础上,对HJ-1A卫星影像进行了几何与大气校正。利用NDVI灰度影像提取混合像元训练样本的NDVI值和小麦种植面积,计算小麦面积权重,确定混合像元的NDVI阈值。利用NDVI再归一化结果对NDVI灰度影像进行密度分割,依据不同密度分割系数下像元总面积及其所对应的小麦面积权重关系,最终得到沭阳县冬小麦种植面积。结果表明,根据NDVI密度分割法提取冬小麦面积为8.37×104 hm2,面积精度为92.37%,样本精度为93.31%。基于密度分割系数(P0.5)制作沭阳县冬小麦种植分布图,获取了全县冬小麦空间分布特征信息。以上结果说明NDVI密度分割法能较准确地提取研究区内冬小麦种植面积,可有效解决农作物种植面积提取中混合像元问题。     

基于支持向量机（SVM）的稻纵卷叶螟危害水稻高光谱遥感识别

 对健康水稻叶片以及受稻纵卷叶螟危害后的水稻叶片进行了室内光谱的测定及分析。对430~530 nm和560~730 nm波段采用连续统去除的方法,分别提取了波深、斜率参量作为径向基核函数支持向量机的输入变量,利用LIBSVM软件包构建叶片高光谱识别模型。当参数γ和惩罚系数C分别取0.25和1时构建的径向基支持向量机模型的分类性能最佳,识别精度达100%。研究结果为实时水稻病虫害的早期监测以及田间管理提供了一定的理论基础。     

多光谱与热红外数据融合在冬小麦产量估测中的应用

为了解多光谱与热红外数据融合对冬小麦产量估测精度的影响,以30个黄淮麦区冬小麦品种为材料,利用三种灌溉处理(处理1、处理2和处理3灌水量分别为240、190和145 mm)下冬小麦拔节期、挑旗期、抽穗期与灌浆期的无人机多光谱和热红外动态数据,构造了多个光谱指数,以支持向量机构建冬小麦产量估测模型,并验证其精度.结果表明...     

县域冬小麦生物量动态变化遥感估测研究

为给生产管理中及时掌握县域冬小麦长势的动态变化提供有效手段,以江苏省沭阳县为研究区,基于冬小麦生物量形成的生理生态过程,重构冬小麦生物量遥感估测模型。选用两景不同时相的HJ星影像数据,利用植被指数反演的LAI数据,对冬小麦生物量模型进行参数修订,并对县域冬小麦拔节期生物量的空间分布进行估测。在此基础上,进一步估测冬小麦抽穗期生物量分布特征及其动态变化特点。结果表明：（1）冬小麦拔节期生物量估测值和观测值范围分别为2 054.3~4 828.3 和1 962.5~4 568.4 kg·hm^-2 ,平均值分别为3 148和3 045.5 kg·hm^-2 ,RMSE为214.8 kg·hm^-2 ,决定系数为0.919 1,表明冬小麦生物量模型模拟精度较好;（2）冬小麦抽穗期生物量较拔节期发生明显变化,其中长势变化快的田块面积为20 108.7hm,占总种植面积的23.4%。春季气候因素的转好以及肥水措施的实施对冬小麦营养与生殖共生阶段的生长起到明显促进作用。说明本研究提出的基于遥感反演信息与生长模型协同的冬小麦生物量估测方法能有效估测县域冬小麦不同生长时期生物量的空间分布及其动态变化。     

基于无人机多光谱遥感的冬小麦叶片含水量反演

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares, PLS)、极限学习机(extreme learning machine, ELM)和粒子群算法(particle swarm optimization, PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其r²和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%～75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为...     

星机协同的冬小麦长势遥感监测研究—以陕西省咸阳市为例

为了解决作物长势遥感监测中星机协同性问题,在田块尺度上通过设置小麦氮素和灌溉梯度试验,在各关键生育时期测定SPAD和LAI两个长势指标并获取无人机遥感数据,构建小麦长势多光谱监测模型,并将优化的波段比值修正法与Sentinel-2A影像结合进行模型升尺度应用。结果表明,在拔节期、孕穗期、开花期和灌浆期,分别利用Clgreen、Clrededge、OSAVI和OSAVI构建的三次函数、指数函数、指数函数和幂函数对小麦SPAD的拟合效果最佳,升尺度应用至孕穗期、开花期和灌浆期卫星遥感监测后验证精度均较好;上述四个生育时期分别利用Clgreen、Clrededge、DATT和OSAVI构建的幂函数、二次函数、指数函数和指数函数对LAI拟合效果最佳,升尺度应用验证精度均较好。基于该星机协同方法对咸阳市冬小麦长势进行监测发现,2021年武功县、兴平市、三原县等区域小麦各生育时期长势均较优,永寿县、淳化县、彬州市等地的小麦长势均较差。这说明通过对无人机和卫星遥感影像融合方法的完善,可提高冬小麦长势监测中星机协同性。     

基于生态因子的冬小麦产量遥感估测研究

为提高冬小麦遥感估产的精确性与适用性,在河南省的孟州市和沁阳市利用GPS定位布设田间试验,利用P-6卫星数据进行了冬小麦遥感估产研究.通过对遥感植被指数和冬小麦长势与产量GPS定位数据的综合分析,基于遥感影像信息获取的瞬时性和准确性,结合小麦灌浆期生态条件对小麦产量形成的影响,利用开花期遥感影像归一化植被指数(NDVI)和灌浆期生态因子(气温、日照、氮素营养、土壤水分)建立了冬小麦产量遥感估测模型,并检验了该模型的可靠性.结果表明,模型预测值与实测值较为一致,利用开花期遥感影像NDVI和灌浆期生态数据估测冬小麦产量的RMSE值为369.27 kg·ha-1,相对误差为6.45%.模型估测性能好,且具有一定的解释性.     

基于高光谱的倒伏冬小麦产量预测模型研究

为利用高光谱遥感技术对倒伏小麦产量进行准确、快速地估算,选取在乳熟期发生不同程度倒伏的两个春性冬小麦品种为材料,利用光谱仪测定了不同倒伏级别下小麦冠层光谱反射率,研究植被指数与产量及其构成因素间的相关性,最终建立快速、有效估测倒伏小麦产量的数学模型。结果表明,不同级别倒伏对小麦千粒重和产量的影响均达显著水平（P<0.05）,随倒伏级别的增加,千粒重和产量均呈降低趋势,二者最高降幅分别为10.72%和17.69%。对倒伏小麦产量与冠层光谱反射率进行相关分析,在350~690 nm波段,相关系数随波长的增加总体呈下降趋势;在690~760 nm波段,相关系数呈上升趋势,在764 nm处,相关系数绝对值达最大,为0.734。千粒重与DVI_570,670的相关系数值最高,产量与DVI_764,407的相关性最好,且都通过了0.01水平检验。利用植被指数-千粒重-产量构建的反演模型,可提高模型预测精度,与单因子植被指数-产量模型、多因子植被指数-产量模型相比,能更好地反演不同倒伏程度的小麦产量。     

基于多源遥感数据和机器学习算法的冬小麦产量预测研究

为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F₇代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型。结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量。相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数(r²)为0.74,平均均方根误差(RMSE)为517.78 kg·hm^-2。相对于决策树(DT)、随机森林(RF)、支持向量机(SVM)三种传统机器学习算法,岭回归(RR)算法预测产量的精度最高,平均r²为0.73,平均RMSE为516.1 kg·hm^-2。与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r²高达0.77,RMSE也...     

基于GF-6/WFV卫星遥感的大田冬小麦叶片氮素含量估测

为对大田冬小麦叶片氮素含量（LNC）进行快速、准确及无损监测,通过在江苏省泰州泰兴市、盐城大丰区和南通如皋市布设冬小麦遥感监测大田试验,在获取试验样点冬小麦冠层红光波段反射率（RED_ref）、近红外波段反射率（NIR_ref）和计算的十个光谱指数（RVI、NDVI、DVI、SAVI、OSAVI、MSR、RDVI、EVI2、NLI和SVI）基础上,将12个遥感光谱指标与冬小麦LNC进行相关分析,选出与LNC相关性较好的作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型, 并利用GF-6/WFV卫星遥感影像对县域冬小麦LNC的空间分布开展监测。结果表明,12个遥感光谱指标与冬小麦LNC之间存在不同程度的相关性,其中NDVI、RVI、MSR、OSAVI和NLI与冬小麦LNC的相关性较好（相关系数不低于0.65）。将优选的5个遥感光谱指标作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型（LNC-BPEM）,模型的估测精度r²=0.866,RMSE=0.246%,ARE=12.9%。将冬小麦LNC-BPEM估测模型和GF-6/WFV影像结合对县域冬小麦LNC的空间信息监测,获得了如皋县域冬小麦LNC的空间分布特征,该区域冬小麦LNC范围在0.9%~2.0%（长势正常）的种植面积为29 693.3 hm²,占冬小麦总种植面积的74%。这说明利用GF-6/WFV卫星的多个遥感光谱指标与神经网络结合建模可有效估测县域大田冬小麦叶片氮素含量。     

冬小麦播期遥感监测研究现状与展望

播期是影响小麦产量与品质的一个重要因素,冬小麦生产管理对播期的及时和准确监测有强烈需求。遥感数据源的日趋丰富及遥感定量化水平的日益提高,为大面积、低成本监测小麦播期提供了可能。本文对冬小麦播期遥感监测的研究进展进行了回顾,系统归纳了当前国内外播期遥感监测方法,分析了目前冬小麦播期遥感监测中存在的问题。推进高时空分辨率遥感数据的使用、强化多尺度传感器遥感数据融合算法的应用、开展冬小麦生长前期不同播期光谱数据的挖掘、探索冬小麦生长前期光谱与上茬作物时序遥感数据的综合及尝试遥感数据与作物模型同化方法的借鉴是冬小麦播期遥感监测的未来发展方向。     

遥感光谱指标和神经网络结合的冬小麦地上部生物量估测

为探讨基于神经网络对小麦地上部生物量(aboveground biomass, AGB)进行遥感估测的可行性,在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验,在对冬小麦近红外波段反射率(near-infrared band reflectance, REF_nir)、红光波段反射率(red band reflectance, REF_red)、归一化差值植被指数(normalized difference vegetation index, NDVI)、差值植被指数(difference vegetation index, DVI)、比值植被指数(ratio vegetation index, RVI)、土壤调节植被指数(soil adjusted vegetation index, SAVI)和优化土壤调节植被指数(optimized soil adjusted vegetation index, OSAVI)等7个遥感光谱指标与冬小麦生长指标(LAI和AGB)进行相关性分析基础上,构建基于BP神经网络的冬小麦AGB估测模型,并与...     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明,WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...