水稻微分光谱和植被指数的作用探讨

通过两年两个不同品种水稻在不同供氮水平下的田间试验，测定了水稻冠层在生长过程中不同时期的高光谱反射率及对应的叶绿素、类胡萝卜素含量，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度和供氮水平之间有一定的相关性，与叶面积指数、地上生物量及冠层叶绿素、类胡萝卜素含量有显著相关；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平、叶面积指数、地上生物量及叶绿素、类胡萝卜素含量之间存在相关性。这表明，用微分光谱技术与植被指数方法来监测水稻的色素含量和长势应该是可行的。     

不同生育期冬小麦光谱特征对叶绿素和氮素的响应研究

研究测定了不同施氮水平条件下冬小麦冠层在七个典型生育期叶片叶绿素、地上部分全氮含量以及冠层光谱,分析了单波段反射率、可见光和近红外波段组合而成的归一化植被指数(NDVI)、比值植被指数(RVI)与相应时期叶片叶绿素和地上部分全氮含量的相关性。结果表明,施氮量增加,两个农学参量、冠层近红外波段反射率都随之增加,但当施氮量增加到300kg hm-(2一次性施入)时,上述各项指标均降低;整个生长期中孕穗期在近红外区域反射率最高,与可见光波段反射率相差最大;除分蘖期外,其它时期单波段510nm～1100nm反射率、NDVI、RVI与叶绿素和全氮含量显著相关,植被指数的相关性较单波段高,且从分蘖期到乳熟期,相关性逐渐增强;整体来讲,可见光中560nm、660nm和近红外760nm、1100nm和1200nm组合的NDVI在各生育期与两个农学指标的相关性较好,选择NDVI(560,760)可以准确拟合叶片叶绿素和地上部分全氮含量。     

不同生育期水稻叶面积指数的高光谱遥感估算模型

2011年和2012年通过大田试验,利用便携式野外光谱仪实测水稻冠层不同生育时期的高光谱数据,同时使用SUNSCAN冠层分析系统采集水稻冠层叶面积指数（LAI）;采用光谱微分技术和统计分析技术,分别分析高光谱反射率及其植被指数与LAI之间的关系,建立LAI估算模型并进行模拟结果对比。结果表明：水稻抽穗-成熟期,利用光谱值的对数形式对LAI值的模拟效果较好,分蘖-抽穗期利用光谱反射率模拟LAI变化过程的效果不理想。 在利用各种植被指数估算LAI方法中,水稻分蘖-抽穗期以修改型土壤调整植被指数MSAVI[758,805]对LAI的估算效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.7754）,估算精度较高。在抽穗-成熟期,也以修改型土壤调整植被指数MSAVI[758,817]对LAI的模拟效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.6488）,估算精度较高。说明修改型土壤调整植被指数（MSAVI）能更好地模拟水稻不同生育期的叶面积指数,按照分蘖-抽穗期、抽穗-成熟期两个生育阶段分别建立水稻冠层LAI的高光谱估算模型能够提高LAI估算的准确度,研究结果也证实了分生育阶段建模的必要性。     

节水灌溉和遮光强度对水稻生长发育的耦合影响

采用两因素随机区组试验设计,通过大田模拟试验研究节水灌溉和遮光强度耦合对水稻生长及物候期的影响。灌溉方式设常规灌溉（F,水深5cm）和节水灌溉（W,无水层）2个水平;遮光强度设3个水平,即对照（CK,无遮光,自然光源）、轻度遮光（S1,单层遮光,光合有效辐射减弱60%）和重度遮光（S2,双层遮光,光合有效辐射减弱90%）。在水稻主要生育期即分蘖期、拔节期、抽穗期、灌浆期和成熟期,观测株高、叶面积指数（LAI）、叶绿素含量（SPAD值）、稻穗含水率和冠层高光谱。用冠层高光谱数据提取增强型植被指数（EVI）时间序列,经Spline法插值及小波滤波去噪后预测水稻抽穗盛期的日期。结果表明：随着遮光强度的加重,水稻叶面积指数和叶绿素含量显著下降,物候期明显延迟。节水灌溉对遮光处理下水稻株高和叶绿素含量有抑制作用,对叶面积指数有促进作用,节水灌溉可使遮光处理下水稻物候期提前,使生育期缩短。在一定遮光强度下,水稻冠层光谱反射率在拔节期、抽穗期表现为节水灌溉（W）＞常规灌溉（F）,而灌浆期、成熟期表现为常规灌溉（F）＞节水灌溉（W）。用去噪后的EVI时间序列预测水稻抽穗盛期,准确率为97%。     

不同品种夏玉米光谱特征差异及其与农学参量相关性研究

研究测定了不同品种夏玉米在六个典型生育期地上部分全氮、叶绿素含量、干生物量、叶面积指数(LAI)以及冠层光谱反射率,利用不同方法比较了不同品种玉米光谱特征的差异,系统分析了单波段反射率、可见光和近红外波段组合而成的8种常见植被指数与相应时期不同农学参量的相关性。结果表明:不同品种夏玉整个生育期不同品种冠层在可见光范围内反射率差异一直没有达到显著水平,苗期和拔节期在近红外区域反射率也无显著差异,从孕穗期到乳熟期在近红外区域反射率差异增大,普遍呈显著性差异。采用F检验法可以准确地反映不同品种在不同波段反射率的差异。常见光谱植被指数从拔节期到孕穗期绝大部分都可以准确反映不同品种夏玉米的农学参量,以GRVI最佳,它不仅可以区分不同品种夏玉米在中后期的长势,又可以准确拟合这段时期作物的农学参量。     

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。     

基于棉花红边参数的叶绿素密度及叶面积指数的估算

利用野外非成像高光谱仪,测试棉花两个品种4种配置种植方式两年关键生育时期的冠层反射光谱数据,应用光谱微分技术,获取棉花微分光谱680～750 nm波段的红边参数：红边面积（SDr）、红边斜率（Dr）以及红边位置（λr）变量;将棉花红边面积、红边斜率分别与其冠层叶绿素密度（CH.D）、叶面积指数（LAI）进行相关分析,它们的相关性均达到1%极显著水平,其中红边面积与叶绿素密度的相关性最好（RCH.D=0.8787**,n=137）;并且红边面积较红边斜率对叶绿素密度、叶面积指数的预测精度更高。以棉花新陆早13号和19号为建模样本,通过红边面积与叶绿素密度的线性相关模型,分别反演新陆早13号、19号冠层叶片的叶绿素密度,结果表明对这两个棉花品种的叶绿素密度估算精度分别达87.4%和83.3%,说明高光谱红边参数是估算棉花叶绿素密度和叶面积指数的一种简单、快捷、非破坏性的有效方法。     

白粉病胁迫下小麦冠层叶绿素密度的高光谱估测

为了明确病害胁迫下作物生长特征及其危害程度,基于大田小区和盆栽小麦白粉病接种试验,在病害胁迫下不同生育时期测定群体光谱及叶绿素密度。综合分析群体光谱反射率、一阶微分及传统光谱特征参数与冠层叶绿素密度间关系,建立病害叶绿素密度估算模型并检验。结果表明,随病情指数增加,叶绿素含量下降,不同感性品种均如此,对白粉病易感品种的危害较重。病害冠层叶绿素密度与红光600～630nm和红边690～718nm的反射率及红边长波段(718～756nm)的一阶微分间相关性最显著。在传统植被指数中,以SDr/SDb和VOG3为变量的估测模型拟合精度较高,决定系数R2分别为0.752和0.723,模型检验相对误差(RE)最小,RE分别为18.0%和18.6%。利用红边区域(680～760nm)波段差异特性,选取680、718和756nm波段新建红边角度指数(REAI),较传统植被指数的模型拟合精度更高,归一化角度指数NDAI(α,β)和比值角度指数RAI(α,β)的R2分别为0.783和0.776,模型检验误差更小,RE分别为16.8%和17.5%。因此,NDAI(α,β)是估测病害小麦冠层叶绿素密度的可靠指标,对利用该模型监测小麦光合潜力和病害影响评价具有积极意义。     

不同氮营养冬小麦冠层光谱红边特征分析

利用FieldSpec FR2500光谱仪测定了不同氮素处理冬小麦冠层光谱,分析其红边特征变化规律及与农学成分的相关关系。结果表明,波长550 nm、680 nm、980 nm、1100 nm与350～680 nm和750～1100 nm可作为氮素营养诊断的敏感特征点与波段范围。随着施氮量的提高,拔节期、抽穗期以及灌浆期的红边位置（REP）、红谷位置（Lo）与光谱反射率一阶微分极大值（FD_Max）均增大,红边宽度（Lwidth）则有减小的趋势。总体上看,施氮与无氮处理在整个生育期均存在较大差异,施氮处理之间差异较小。冠层反射光谱的红边位置、红谷位置、随生育期向长波方向移动,呈现红移现象;从抽穗期开始逐渐减小,呈现蓝移现象。冬小麦红边参数中红边位置与农学组分之间的相关性优于其他参数,除与地上部生物量正相关显著外,与叶面积指数、叶含水率、叶绿素含量、叶可溶性蛋白含量、叶鲜重、叶含氮量均呈正相关且达到极显著水平。红谷位置则与叶面积指数、叶含水率、叶绿素含量、叶鲜重以及SPAD值呈极显著正相关;与可溶性蛋白呈显著正相关。红边宽度与叶面积指数、叶含水率、叶氮含量、叶绿素含量以及叶鲜重均呈极显著正相关;与可溶性蛋白含量呈显著正相关。反射率一阶导数极大值与叶面积指数、叶含水率、叶鲜重呈极显著正相关,与叶含氮量极显著负相关。通过红边参数与农学组分稳定良好的数学关系,可以对农学组分进行预测估算。     

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。     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

冬小麦冠层对入射光合有效辐射吸收比例的估算方法评价

目前研究估算作物冠层对入射光合有效辐射的吸收比例 (fAPAR)时多采用冠层光能截获效率 (fIPAR)、冠层叶面积指数 (LAI) 和Beer-Lambert法则、冠层光谱植被指数等信息。该文以冬小麦为例,利用田间观测数据序列 (包括冠层LAI、冠层fIPAR和冠层光谱特性等方面)对各种fAPAR估算方法进行了较为全面的总结、分析、评价,以明确各法的优势和不足,为今后相关研究提供参考。结果表明,冬小麦营养生长期内fAPAR与fIPAR值较为接近,而冬小麦生殖生长期内二者差异显著;整个研究时段内,利用fIPAR估算的fAPAR结果较好;根据叶面积指数和Beer-Lambert法则估算的fAPAR在抽穗至腊熟期间结果偏小,原因在于该法不能体现穗部对光合有效辐射的有效吸收;直接借用文献记载的fAPAR～NDVI（归一化差值植被指数）函数关系估算的fAPAR在冬小麦营养生长阶段及生殖生长季末期均明显偏大。此外,通过将fAPAR与NDVI、比值植被指数 (RVI)、土壤调整植被指数 (SAVI)、修改型土壤调整植被指数 (MSAVI)等常用植被指数进行相关性分析,发现fAPAR与NDVI的相关关系最强,基于田间数据证实了采用NDVI估算fAPAR的合理性。     

基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较

高光谱遥感反演LAI时,由于实际样本数远小于光谱维数,易导致基于全谱段建立的模型不稳定。针对该问题,该文提出将基于原始光谱反射率与LAI相关性和基于光谱曲线特征的2种波段选择方式分别与主成分回归(PCR)或偏最小二乘回归(PLSR)结合的高光谱维数约简方法,估算冬小麦LAI。并选择归一化植被指数(NDVI)、增强型植被指数(EVI)、重归一化植被指数(RDVI)、修正土壤调节植被指数(MSAVI)和三角形植被指数(TVI)5种代表性植被指数,利用2009、2010年实测大田冬小麦冠层高光谱和LAI数据,将提出的基于维数约简的方法与基于植被指数的LAI估算方法进行了比较,独立样本集验证结果和交叉验证结果均表明,提出的基于维数约简的方法比基于植被指数方法的估算精度高,在交叉验证结果中,基于维数约简的方法R2最高达到0.818,相应RMSE为0.685。该研究可为后续基于高光谱的LAI估算提供参考。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

利用HJ-1-A/B CCD2数据反演冬小麦叶面积指数

叶面积指数是十分重要的作物生理生态参数,为提高利用国产环境减灾小卫星CCD数据反演冬小麦叶面积指数的精度,该文以5种常用的植被指数(归一化差值植被指数(normalized difference vegetation index,NDVI),增强植被指数(enhanced vegetation index,EVI),双波段增强植被指数(2-bands enhanced vegetation index,EVI2),比值植被指数(ratiovegetation index,RVI),土壤调节植被指数(soil-adjusted vegetation index,SAVI)为基础,结合3种常用的回归模型,按生长阶段比较分析了不同植被指数和回归模型反演叶面积指数的精度。结果表明,除生殖生长阶段外,叶面积指数和5种植被指数之间均有较强的相关关系;指数模型和一元线性模型分别为全生育期和营养生长阶段的最佳拟合模型;EVI在全生育期拟合时的表现好于其他4个指数(R2=0.9348),SAVI则是营养生长阶段表现最佳的指数(R2=0.9404)。该研究为进一步利用植被指数反演叶面积指数提供了参考。     

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HJ-CCD数据和随机森林算法的小麦叶面积指数反演

为给小麦长势的遥感监测提供技术支持,该文运用随机森林回归(RF,random forest)算法建立小麦叶面积指数(LAI)遥感反演模型。首先基于2010-2013年江苏地区小麦环境减灾卫星HJ-CCD的影像数据,提取拔节、孕穗和开花3个生育期的卫星植被指数,进而根据各生育期植被指数和相应实测LAI数据,利用RF算法构建各期小麦LAI反演模型,并以人工神经网络(ANN,artificial neural network)模型为参比模型进行预测精度的比较。结果表明:RF算法模型在3个生育期的预测结果均好于同期的ANN模型。拔节、孕穗和开花3个生育期RF模型预测值与地面实测值的R2分别为0.79,0.67和0.59,对应的RMSE分别为0.57,0.90和0.78;ANN模型的R2分别为0.67,0.31和0.30,对应的RMSE分别为0.82,1.94和1.43。该研究结果为提高大田尺度下的小麦LAI遥感预测精度提供了技术和方法。     

不同施肥决策对冬小麦生长影响的高光谱监测及对比分析

为了明确不同变量施肥算法下的冬小麦冠层光谱特征,以及确定适宜我国气候条件的变量施肥算法,于2006年通过田间试验,分别测量了六种不同施肥决策下的冬小麦冠层光谱和产量,对这六种施肥算法进行了对比分析.结果表明,通过对施肥后冬小麦冠层光谱反射率、施肥前后反射率变化量以及不同时期的归一化植被指数的分析,得知不同施肥处理的冬小麦冠层光谱反射率存在差异,可以反映出冬小麦长势的强弱,其中基于光谱指数和作物生长模型相结合的算法(Z)进行施肥的冬小麦长势最佳.与均一施肥(W)和不施肥(CK)处理相比,变量施肥处理均显著提高小麦产量;除基于土壤养分变量施肥处理(T)外,产量变异系数明显降低,其中基于归一化SPAD值变量施肥处理(S)的变异系数最小.Z变量施肥算法综合效果最佳,S变量施肥算法在降低产量变异度方面效果最佳.拔节期施肥对开花期或灌浆初期小麦生长影响最大;并且这两时期的植被指数与产量的相关性也最好,尤其红边三角光谱指数(RTVI)最好(相关系数达到0.700),可见采用RTVI指数进行产量预测效果更优.