基于赤池信息量准则的冬小麦叶面积指数估算

冬小麦叶面积指数(LAI)是重要的农学参数之一,对冬小麦长势分析、产量预测具有重要意义。使用2008/2009年在中国北京市通州区和顺义区获取的整个生育期冬小麦叶面积指数和对应的光谱数据,将相关系数(|r|)-赤池信息量准则(AIC)、灰色关联分析(GRA)-AIC、变量投影重要性(VIP)-AIC、VIP-预测残差平方和(PRESS)系数分别与偏最小二乘法(PLS)进行整合,提出利用AIC择优构建冬小麦LAI估算模型,并与传统PRESS方法构建的冬小麦LAI模型进行比较。结果表明:|r|-PLS-AIC、GRA-PLS-AIC、VIP-PLS-AIC、VIP-PLS-PRESS建模的R2分别为0.72、0.67、0.73和0.70,VIP-PLS-AIC比|r|-PLS-AIC、GRA-PLS-AIC和VIP-PLS-PRESS有更好的冬小麦LAI预测能力。考虑到冬小麦LAI的时域特性,将2009/2010年相关数据引入模型中,评价模型对不同年际的冬小麦估测能力。研究表明VIP-PLS-AIC(RMSE为0.81)较|r|-PLS-AIC(RMSE为0.87)、GRA-PLS-AIC(RMSE为0.96)和VIPPLS-PRESS(RMSE为0.83)有更高的精度。将AIC作为冬小麦LAI最优估测模型筛选条件不仅能获得同年LAI的最优估算模型,而且适用于不同年际的冬小麦LAI探测研究。     

基于多维高光谱植被指数的冬小麦叶面积指数估算

为提高干旱区冬小麦叶面积指数（Leaf area index, LAI）遥感估算精度,以拔节期冬小麦LAI为研究对象,在对冠层高光谱数据进行一阶（First derivative, FD）、二阶（Second derivative, SD）微分预处理的基础上,计算了任意波段组合的二维植被指数（Two-dimensional vegetation index, 2DVI）和三维植被指数（Three-dimensional vegetation index, 3DVI）,通过进行与LAI之间相关性分析,寻求最佳波段组合的植被指数;利用人工神经网络（Artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（Support vector regression, SVR）算法分别建立LAI估算模型,并进行精度验证。结果表明：任意波段组合的植被指数与LAI相关性均显著提高,尤其是基于一阶微分预处理光谱的FD-3DVI-4（714 nm, 400 nm, 1 001 nm）相关系数达到0.93（P<0.01）,且最...     

基于高光谱遥感与SAFY模型的冬小麦地上生物量估算

为了探索准确、高效地估算冬小麦地上生物量(Dry aerial mass,DAM)的方法,获取了2013—2014年和2014—2015年2个生长季的冬小麦试验数据,采用植被指数反演叶面积指数(LAI),以遥感反演LAI作为遥感与SAFY(Simple algorithm for yield estimates)模型之间的耦合变量,利用主成分分析的复合型混合演化(Shuffled complex evolution with PCA,SP-UCI)算法优化出苗日期(D0)、有效光能利用率(ELUE)和衰老温度(STT) 3个敏感参数,对冬小麦全生育期进行动态生长模拟。结果表明,2014—2015年和2013—2014年冬小麦全生育期模型模拟地上生物量R~2、RMSE和NRMSE分别为0. 887、1. 001 t/hm~2、19. 41%和0. 856、1. 033 t/hm~2、19. 86%。研究表明,耦合高光谱遥感与SAFY作物生长模型能够准确地模拟冬小麦长势的动态变化,对冬小麦地上生物量估算精度较高,可为遥感监测冬小麦长势提供参考。     

基于高光谱数据的玉米叶面积指数和生物量评估

利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平.本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,...     

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。     

基于Android手机平台的冬小麦叶面积指数快速测量系统

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。     

基于PROSAIL结合VMG模型的冬小麦叶面积指数反演方法

针对物理模型抗噪能力差且容易过拟合的问题,提出一种PROSAIL模型结合VMG（VARI（Visible atmospherically resistant index）、MGRVI （Modified green red vegetation index）、GRRI （Green red ratio index））多元回归模型反演冬小麦叶面积指数（Leaf area index,LAI）方法。实验基于无人机影像（Unmanned aerial vehicles,UAV）,选择河南省焦作市东南部的山阳区为实验区,结合实测2个生育期冬小麦LAI数据。首先,构建RGB植被指数模型,选取其中最优VMG模型反演冬小麦LAI;然后,对PROSAIL参数敏感性进行分析,得到参数最优值,反演冬小麦LAI;最后,采用快速模拟退火（Very fast simulated annealing,VFSA）算法将两种模型结合,获得最优冬小麦LAI。结果表明：VFSA可以有效将PROSAIL模型和VMG模型结合,提高了反演精度,且优于VMG模型和PROSAIL模型,决定系数R2高于0.8,均方根误差（RMSE）低于0.4m2/m2。综上所述,冬小麦生长过程中,地面覆盖度增高,本文方法具有较强的辐射传输机理,为LAI反演提供一种有效的反演方法。     

基于PROSAIL结合VMG模型的冬小麦叶面积指数反演方法

针对物理模型抗噪能力差且容易过拟合的问题,提出一种PROSAIL模型结合VMG(VARI（Visible atmospherically resistant index）、MGRVI （Modified green red vegetation index）、GRRI （Green red ratio index）)多元回归模型反演冬小麦叶面积指数（Leaf area index, LAI）方法。实验基于无人机影像（Unmanned aerial vehicles, UAV）,选择河南省焦作市东南部的山阳区为实验区,结合实测2个生育期冬小麦LAI数据。首先,构建RGB植被指数模型,选取其中最优VMG模型反演冬小麦LAI;然后,对PROSAIL参数敏感性进行分析,得到参数最优值,反演冬小麦LAI;最后,采用快速模拟退火（Very fast simulated annealing, VFSA）算法将两种模型结合,获得最优冬小麦LAI。结果表明：VFSA可以有效将PROSAIL模型和VMG模型结合,提高了反演精度,且优于VMG模型和PROSAIL模型,决定系数R²高于0...     

基于双变量同化和交叉小波变换的冬小麦单产估测

为进一步提高陕西省关中平原冬小麦产量估测的精度,利用集合卡尔曼滤波算法(EnKF)将CERES-Wheat模型模拟的0～20 cm土壤含水率和叶面积指数(LAI)与遥感观测的条件植被温度指数(VTCI)和LAI进行同化,同时利用交叉小波变换分析冬小麦各生育时期同化VTCI和LAI与产量之间的共振周期,通过计算小波互相关度获得各生育时期同化VTCI和LAI的权重,进而构建基于加权VTCI和LAI的冬小麦单产估测模型。结果表明,在样点尺度,经过EnKF同化的VTCI和LAI能够综合表达模型模拟值和遥感观测值的变化趋势;在区域尺度,无论是否同化,经过交叉小波变换的各生育时期VTCI和LAI分别与产量之间存在特定的共振周期,同时发现,同化有助于对关键生育时期的特征提取;相较于未同化构建的估产模型,经过同化构建的估产模型的归一化均方根误差为13.23%,决定系数为0.50,平均相对误差为10.58%,精度略有提升,且估测产量的分布与统计产量的分布更为一致,因此认为将同化与交叉小波相结合构建的双变量单产估测模型精度更高,可为进一步实现高精度的区域产量估测提供研究基础。     

冬小麦株高和叶面积指数变化动态分析及模拟模型

在试验的基础上,分析了冬小麦株高及叶面积指数的变化动态,并分别以播后天数和积温为自变量,建立多项式和扩充的Logistic模型对二者的变化动态进行模拟。结果表明,基于播后天数的多项式,能较好的反应LAI的变化动态,但对于株高后期的不变情况描述不够理想;基于积温的扩充Logistic模型能得到更高的精度,该模型为通过天气预报中的温度预报值,对株高和LAI的变化进行预测奠定了基础。     

基于无人机成像高光谱影像的冬小麦LAI估测

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%)。     

基于纹理-颜色特征与植被指数融合的冬小麦LAI估测

准确、快速、无损估测叶面积指数(LAI)对于冬小麦生产管理具有重要意义。利用无人机搭载Prime ALTUM多光谱相机获取冬小麦拔节期、孕穗期、抽穗期、灌浆期多光谱图像,利用LAI-2200C型植物冠层分析仪获取地面LAI数据。通过Pearson相关性分析筛选出25个植被指数,并提取植被指数影像中8种纹理特征：对比度(CON)、熵(ENT)、方差(VAR)、均值(MEA)、协同性(HOM)、相异性(DIS)、二阶矩(SEM)和相关性(COR),以及3种颜色特征：一阶矩(M)、二阶矩(V)和三阶矩(S),再分别利用多元逐步回归模型(MSR)、支持向量回归模型(SVR)和高斯过程回归模型(GPR)构建冬小麦LAI估测模型。结果表明：相对于考虑单一类型变量,考虑结合纹理特征和颜色特征进行估测时模型精度更高;3类模型中,GPR模型估测冬小麦LAI的精度最高;所有模型中,基于纹理-颜色特征与植被指数融合的GPR模型估测冬小麦LAI精度最高(决定系数R²为0.94,均方根误差(RMSE)为0.17 m²/m²,平均绝对误差(MAE)...     

基于双参数和Morlet多时间尺度特性的冬小麦单产估测

为进一步研究冬小麦在不同时间尺度下长势及产量变化情况,以陕西省关中平原为研究区域,选择与作物长势密切相关的条件植被温度指数（VTCI）和叶面积指数（LAI）作为研究指数,Morlet小波作为函数,利用小波变换和交叉小波变换分别分析不同时间尺度下冬小麦各生育时期VTCI和LAI与单产时间序列间的主振荡周期和共振周期。通过计算小波互相关度,确定各生育时期VTCI和LAI的权重,从而分别构建基于加权VTCI、加权LAI的单参数和双参数估产模型。结果表明,不同生育时期VTCI和LAI与单产间存在不同的主振荡周期和共振周期;通过小波变换构建的基于加权VTCI、加权LAI单产估测模型的归一化均方根误差（NRMSE）分别为16.88%、13.58%,决定系数（R2）分别为0.259、0.520,基于双参数的估产模型NRMSE为13.52%, R2为0.531,表明基于双参数估产模型精度更高。通过交叉小波变换构建的基于加权VTCI、加权LAI单产估测模型的NRMSE分别为16.83%、13.56%,R2分别为0.263、0.522,基于双参数的估产模型NRMSE为13.40%,R2为0.533,表明基于交叉小波构建的估产模型比基于小波变换的估产模型精度均有所提高。利用共振周期构建的双参数估产模型对关中平原2011—2018年冬小麦的单产进行估测,结果显示,产量分布呈现西部高东部低的空间分布特征。