烤烟叶片氯密度高光谱预测模型的建立

连续2 a设置烤烟3个品种处理和3个地点处理,提取10个植被指数[修正三角形植被指数(Modified triangular vegetation index,MTVI)、归一化植被指数1(Normalized difference vegetation index 1,NDVI1)、归一化植被指数2(Normalized difference vegetation index 2,NDVI2)、新型植被指数(New vegetation index,NVI)、比值植被指数1(Ratio vegetation index 1,RVI1)、比值植被指数2(Ratio vegetation index 2,RVI2)、比值植被指数3(Ratio vegetation index 3,RVI3)、水分指数(Water index,WI)、归一化色素叶绿素植被指数(Normalized chlorophyll pigment vegetation index,NCPI)、简单比值水分指数(Simple ratio water index,SRWI)],用一元线性回归模型、多元线性回归模型、BP神经网络模型分别对烤烟叶片氯密度进行估算,比较其对烤烟叶片氯密度的预测效果。结果表明,NDVI2、NVI、RVI2、RVI3、NCPI、SRWI 6个植被指数与烤烟叶片氯密度均极显著相关,相关系数均0.680。一元线性回归模型、多元线性回归模型、BP神经网络模型的决定系数分别为0.617、0.617、0.868,其均方根误差分别为1.573、1.577、0.828。BP神经网络的预测效果比一元线性回归模型、多元线性回归模型预测效果好。     

基于GF-1/WFV时间序列的葡萄遥感识别

为研究GF-1时间序列影像的识别技术对大尺度葡萄信息识别提取的可行性,探索大尺度葡萄快速精确提取的新思路。基于GF-1/WFV时间序列影像数据分析试验区主要植被类型的归一化植被指数(Normalized difference vegetation index,NDVI)、增强型植被指数(Enhanced vegetation index,EVI)的时序变化特征,结合葡萄物候期构建决策树,提取宁夏贺兰山东麓葡萄的空间分布信息。结果表明,该方法可以有效提取贺兰山东麓葡萄分布信息,分类总体精度为95%,Kappa系数为0.91。葡萄提取的生产精度为93%,用户精度为96%。在时间序列数据中,葡萄提取的窗口期为3—5月掩埋期和7—9月生长旺盛期。NDVI时间序列能够较好地区分作物和防护林,EVI时间序列能够区分葡萄地和防护林。     

基于无人机多光谱的棉花育种材料FPAR估测

快速、无损、高通量地获取棉花育种材料的光合有效辐射信息,对棉花高光效品种选育及栽培管理具有重要意义.于2020年8-9月在河南现代农业研究开发基地,采用大疆Matrice 600 Pro无人机搭载Micasense RedEdge-M多光谱成像仪获取棉花育种材料的多光谱影像,提取光合有效辐射吸收比率(Fraction of photosynthetically active radiation,FPAR)测量点蓝、绿、红、红边、近红外等5个通道反射率值构建多光谱变量;然后分析多光谱变量与FPAR的定量关系,建立FPAR的一元与多元回归模型;最后,基于实测FPAR对估测模型进行精度验证.结果表明:棉花育种材料的多光谱遥感影像可以快速、直观表征植株冠层叶片颜色、长势等表型性状信息;基于多光谱影像构建的变换土壤调节植被指数(Transformed soil adjusted vegetation index,TSAVI)、土壤调节植被指数(Soil adjusted vegetation index,SAVI)、垂直植被指数(Perpendicular vegetation index,PVI)、比值植被指数(Ratio vegetation index,RVI)、差值植被指数(Difference vegetation index,DVI)、增强型的植被指数(Enhanced vegetation index,EVI)、归一化差值植被指数(Normalized difference vegetation index,NDVI)、大气阻抗植被指数(Atmospherically resistant vegetation index,ARVI)等8种多光谱变量均与棉花FPAR具有较好的相关性,|r|为0.542～0.932;基于TSAVI构建的FPAR 一元线性回归模型,对棉花FPAR具有较好的估测效果,估测模型的R2为0.867,SE 为0.115,验证模型的R2为0.932,RPD 为2.468,RMSE 为0.119.     

估算水稻叶面积指数的调节型归一化植被指数

【目的】叶面积指数（LAI）是描述植物冠层结构、群落生长分析和陆地生态系统研究的重要参数,提高叶面积指数的估算精度是遥感工作者的重要研究方向之一。【方法】通过不同氮素营养水平的水稻小区实验,利用2004年中稻高光谱反射率数据,模拟中等分辨率成像光谱仪（MODIS）前四个通道,提出包含蓝、绿、红和近红外四个谱段的调节型归一化植被指数ANDVI（adjusted-normalized difference vegetation index）。对ANDVI和归一化植被指数NDVI（normalized difference vegetation index）、增强型植被指数EVI（enhanced vegetation index）、绿波比值指数GRI（green ratio index）、红边比值指数RRI（red-edge ratio index）等5个光谱植被指数与水稻LAI的相关关系进行了分析。利用2004年晚稻试验数据,对与LAI相关关系较好的ANDVI进行验证。【结果】ANDVI指数模型预测效果最好,均方根误差为1.771,估算精度达到63.1%。【结论】说明ANDVI具有进行在大面积范围内监测水稻LAI的能力。     

基于光谱特征分异的玉米种植面积提取

玉米种植面积的准确获取是进行玉米长势监测和产量估测的前提与基础。在对Landsat-8/OLI影像进行辐射定标、大气校正、几何精校正和裁剪等预处理的基础上,基于典型地物光谱空间差异与物候特征的异同,选取具有代表性的4种植被指数[归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、绿度植被指数(GVI)]和近红外波段反射率,通过构建植被光谱特征指标阈值对不同地物进行识别和分类,最后获取玉米种植面积。结果表明,利用近红外波段反射率可以将农作物与其他地物区分开来,即当其反射率值大于0.37时,地物为农作物。对不同种类农作物识别时,选择NDVI0.86、DVI0.53、RVI13.00、GVI3 713.60作为分类阈值,可以将玉米与水稻和大豆区分,准确提取到玉米的种植面积。利用样本数据和当地农业部门提供的数据进行面积提取精度验证,总体精度为92.75%,说明基于多光谱特征指标建立分类阈值的方法可以准确提取玉米种植面积,该方法可以为江淮玉米种植区县域玉米种植面积的提取提供参考。     

基于EOS/MODIS资料的江西省水稻长势遥感监测

基于2010年的MODIS数据,进行江西省水稻长势遥感监测指标的研究,提取了4种植被指数作为遥感参数,即比值植被指数RVI、归一化植被指数NDVI、植被状态指数VCI和增强植被指数EVI,并利用植被指数进行叶面积指数LAI的反演,建立了植被指数VI-LAI模型。在VI-LAI模型中EVI、NDVI与LAI的相关性较好。利用LAI的预测值和地面实测数据进行精度的分析,结果显示EVI的三次方(Cubic)模型在各方面都优于其他植被指数和其他模型,因此选择EVI作为水稻的长势遥感监测指标。     

高分一号提取植被信息方法对比

针对高分一号WFV传感器的参数特点,选取归一化植被指数(NDVI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)3种植被指数,采用不同时期的数据对四川省茂县地区进行植被信息提取,计算分析不同植被指数提取植被信息的差异性。结果表明:高分一号数据提取的NDVI植被效果最好,其中2013年分类总精度为94.55%,Kappa系数为0.88;2015年分类总精度为90.47%,Kappa系数为0.85。根据统计指标分析表明:在高原山区地形环境下,利用植被指数提取植被信息,高分一号卫星采用NDVI比较合适。     

基于像元二分法的冬小麦植被覆盖度提取模型

【目的】快速准确提取冬小麦返青期植被覆盖度信息。【方法】利用无人机获取田间冬小麦可见光图像,提取图像中4种常见可见光植被指数;在像元二分法原理的基础上,分别构建基于差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)、归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI)和归一化绿红差异指数(Normalized green-red difference index,NGRDI)的植被覆盖度提取模型,采用支持向量机(Support vector machine,SVM)监督分类结果作为真值对各模型进行精度验证。【结果】4种模型中,利用VDVI植被覆盖度提取模型获取的植被覆盖度精度最高,提取效果较好。与监督分类结果对比,4种植被覆盖度提取模型的提取误差(EF)分别为3.36%、15.68%、8.74%和15.46%,R2分别为0.946 1、0.934 4、0.695 3和0.746 0,均方根误差(RMSE)分别为0.021 9、0.059 5、0.042 0和0.055 9。【结论】采用可见光植被指数结合像元二分法构建植被覆盖度提取模型实现了冬小麦返青期植被覆盖度准确快速提取,为植被覆盖度提取提供了一种新途径,可为无人机遥感监测提供参考。     

基于NDVI和EVI不同植被指数表征的粤港澳大湾区植被空间格局驱动因子影响力比较分析

为研究归一化植被指数（normalized difference vegetation index,NDVI）和增强植被指数（enhanced vegetation index,EVI）的表征差异是否会造成有关植被研究的结果差异，分别在采用2005—2020年MODISNDVI、MODIS-EVI 2种不同遥感植被指数表征粤港澳大湾区植被空间特征的基础上，以同时期17个自然因子和人为因子作为驱动因子，通过地理探测器模型方法，计算各驱动因子对基于NDVI和EVI的植被空间特征的影响力。结果显示，虽然粤港澳大湾区南亚热带-热带植被在NDVI和EVI的表征下，其结果存在差异，但在不同植被指数下，通过地理探测器模型方法计算各驱动因子影响力量化及排序结果基本一致，未受不同植被指数表征差异的影响。在驱动因子中，土地利用类型、高程均是最主要驱动因子，对植被空间分布影响力均超过50%。因子之间均表现出双因子增强作用。土地利用类型协同人口分布因子对NDVI表征下的植被空间分布影响力最强；高程协同人口分布因子对EVI表征下的植被空间分布影响力最强。研究结果表明，虽然NDVI、EVI在表征植被覆盖特征方面存...     

基于多分类器集成的GF-2作物信息精细提取研究

【目的】将多种分类器的优点融合，以便提升遥感影像作物信息提取的精度。【方法】以渭库绿洲为研究区，利用国产高分2号(GF-2)数据和野外调查数据，基于提取的遥感识别特征制定不同分类方案，采用马氏距离(MsDC)、最小距离(MDC)、最大似然(MLC)、神经网络(NNC)、支持向量机(SVM)5种传统机器学习方法分别对6种特征组合方案的影像进行分类，然后选择基分类器，并应用多数投票法和保守投票法2种多分类器集成算法，对研究区农作物进行精细分类提取。【结果】(1)辅助特征的加入对于子分类器的精度提高明显。5种分类器中除了MLC,其余4种分类器都是在加入归一化植被指数特征(NDVI)和纹理特征后取得了最高精度。(2)基分类器中精度最高的是NNC-4(人工神经网络的第4种特征组合方案),OA达到83.54%,Kappa系数为0.77。(3)相比基分类器，多分类器集成方法能够在制图精度和用户精度两方面提高农作物的提取精度。并且保守投票法优于多数投票法，OA为85.89%,Kappa系数为0.80。(4)集成分类结果中除了棉花的识别精度与最优基分类器NNC-4相等，达到94.94%外，其他的农作物如...     

不同水氮耦合条件下棉花冠层NDVI分析与产量估算

为研究冠层归一化差值植被指数(Normalized difference vegetation index,NDVI)在棉花重要生育时期估算棉花产量的可行性,使用GreenSeeker分别对不同灌水施肥条件下棉花光谱反射率NDVI值进行测定优化,建立NDVI值与产量关系数学模型,并对模型精度进行验证。结果显示:不同水氮组合随着生育期的推移棉花冠层NDVI值变化趋势基本一致,都呈"低-高-低"的变化规律;选取在棉花出苗后80、105和140d冠层NDVI值分别与产量进行相关性分析,得出冠层NDVI值与产量具有明显的正相关关系,相关系数分别为R2=0.376 0,0.093 4,0.363 9。利用独立的试验数据对相关性最高的水氮组合棉花出苗后80d的产量模型进行模型验证,其相关系数R2=0.712 6,均方根误差(Root mean square error,RMSE)561.04kg/hm2。因此,棉花出苗后80d的冠层NDVI值可以估测棉花产量。     

基于GreenSeeker的水稻氮素估测

为研究水稻植株氮素指标与GreenSeeker植被指数的定量关系,通过设置不同年份、不同氮肥水平的田间试验,于移栽后定期使用GreenSeeker获取冠层归一化差值植被指数(NDVI)和比值植被指数(RVI),并同步破坏性取样获取植株生物量和氮含量,分析不同品种和不同氮营养条件下氮素和植被指数(NDVI和RVI)变化规律,建立基于NDVI和RVI的氮素监测模型。结果表明,植株氮含量可以基于NDVI和RVI分时期进行估算,植株氮积累量可以被分阶段反演。利用GreenSeeker可以实现水稻氮素快速无损监测,为水稻氮肥精确管理提供技术支持。     

水稻多时相植被指数特征及覆盖度提取研究

为准确快速获取水稻的植被指数特征和植被覆盖度信息,利用无人机采集水稻分蘖期、抽穗期和结实期的多光谱影像数据,选择不同类型的植被指数,利用样本统计法和植被指数交点法,提取并探究水稻3个生长期在地块和像元尺度下的植被指数特征,并运用阈值分割法提取水稻植被信息及覆盖度信息。结果表明,水稻3个生长期内,在像元和地块尺度下均表现出明显的物候特征,且与杂草和树木存在明显区别;多光谱植被指数的植被覆盖度提取精度整体高于可见光植被指数;归一化植被指数（normalized difference vegetation index,NDVI）对水稻3个时期植被覆盖度提取精度最高,提取误差分别为0.40%、0.43%和0.81%,R²为0.77、0.92和0.98,均方根误差（root mean square error,RMSE）为9.09%、2.97%和0.38%;可见光波段差异植被指数（visible-band difference vegetation index,VDVI）提取精度高于超绿红蓝差分指数（excess green-red-blue difference index,EGEBDI）和过绿减过红指数（excess green-excess red index,ExG-ExR）,提取误差分别为4.30%、1.36%和1.60%,R²分别为0.53、0.77和0.80,RMSE分别为14.62%、3.70%和5.50%。该研究成果可为作物长势监测及其植被覆盖度提取提供技术支撑。     

基于GF-1/WFV EVI时间序列数据的水稻种植面积提取

随着国产高分系列卫星的发射,国产高分辨率遥感影像在作物种植面积提取方面逐渐得到了应用,但目前仅有少量基于高分一号(GF-1)卫星影像归一化植被指数(Normalized Difference Vegetation Index,NDVI)进行作物分类或遥感估产的研究。本文针对NDVI指数在南方多植被覆盖区域易饱和及不敏感的缺陷,利用在NDVI基础上改进的增强型植被指数(Enhanced Vegetation Index,EVI),首次提出基于GF-1卫星16m宽覆盖影像(Wide Field of View,WFV)EVI时间序列的水稻种植面积提取方法。选取四川省乐至县为研究区域,获取覆盖整个水稻生长周期的GF-1/WFV影像数据,构建EVI时间序列,并分析水稻不同生长期的EVI曲线特征。利用时间序列谐波分析法(Harmonic Analysis of Time Series,HANTS)对EVI时间序列进行平滑处理,尽可能减少噪声影响,使EVI时间序列能够更好地反应水稻及其他植被或非植被随时间的变化规律;根据水稻和其他植被及非植被的EVI曲线特征差异构建水稻种植面积提取决策树模型,对水稻种植面积进行准确提取。通过与同期地理国情监测成果的对比,本研究方法提取的水稻种植面积和精度都较高,表明该方法对于提取水稻种植面积效果良好。研究表明,相对于以往用中低分辨率卫星影像进行作物种植结构提取,GF1/WFV影像在南方较破碎的水稻种植面积提取方面应用效果良好,GF-1卫星影像在农业遥感领域具备很大的应用潜力。     

基于Sentinel-2时序多特征的植被分类

植被分类是研究森林资源状况和动态变化规律的基础,利用遥感手段可以更加快速、准确地识别植被类型。以位于内蒙古赤峰市喀喇沁旗西南部的旺业甸实验林场为研究对象进行植被分类。采用分层分类的思想,首先根据植被物候特征选取植被生长旺盛时期的影像,计算归一化植被指数（normalized difference vegetation index,NDVI）并设定合适的阈值将研究区内的植被提取出来,剩余部分归为非植被。然后选取NDVI时间序列、最佳时相的Sentinel-2数据中10个波段的光谱反射率特征和主成分分析前3个分量的纹理特征作为分类特征,利用支持向量机分类器将研究区内的植被类型分为耕地、草地、常绿针叶林、落叶针叶林和落叶阔叶林五大类,并将分类结果与最大似然法、NDVI时序+光谱特征的分类结果进行对比分析。NDVI时序+光谱特征+纹理特征的多特征植被分类总体精度达87.64%,Kappa系数为0.85,分别比最大似然法和结合NDVI时序+光谱特征的分类总体精度提高了15.73%和14.61%,Kappa系数提高了0.20和0.18。其中常绿针叶林和耕地的分类结果与实地调查情况高度一致,分类精度分别达到95.65%和92.31%。从而得出:①基于多特征的分类方法有助于提高分类精度;②NDVI时序特征对于植被的区分具有很大帮助;③采用分层分类的思想,首先将研究区内的植被提取出来,可以排除非植被因素的干扰,有效提高植被类型的分类精度。     

小麦不同生育期水肥管理与产量模型构建

[目的]建立小麦在不同生育期的水肥管理与产量的关系模型.[方法]用主动遥感仪器Green seeker 进行检测小麦冠层归一化植被指数(NDVI)以及比值植被指数(RVI),解析小麦冠层植被指数与生长状况的变化规律;分析NDVI、RVI与实际产量关系,建立小麦产量预测模型;最终以NDVI、RVI作为过渡参数,反演产量与小麦在不同生育期的水肥管理的最佳模型.[结果]小麦水肥一体化管理直接影响小麦产量,不同生育期水肥一体化小麦生长模型和植被指数小麦估产模型的标准误差都小于0.05.[结论]建立了小麦不同生育期的产量与水肥一体化管理模型.     

基于多种植被指数时间序列与机器学习的作物遥感分类研究

开展了基于多种植被指数(vegetation index,VI)时间序列和机器学习(machine learning,ML)算法的作物遥感分类研究。从Landsat-8 OLI与EO-1 ALI影像中提取了内蒙古五原县的时间序列数据。2颗卫星的参数类似,且它们联合提供了更多无云覆盖的数据。7种常用的VI从时间序列遥感数据中提取出来,以用作ML算法的输入。对比分析了SVM、RF、DT 3种ML算法对玉米、向日葵和小麦的区分效果。共选取了2 584个样本,其中1 556个样本用于算法训练。得到了127种VI组合作为输入时3种算法的分类精度。结果表明,SVM的分类效果优于另外2种算法;VI数目并非越多越好,综合考虑算法的精度和稳定性,3种VI可以取得最佳的效果;SVM+NDI5+NDVI+TVI是平均分类精度最高的组合,平均精度为91.97%。     

基于Landsat-8OLI数据的植被覆盖度反演模型研究——以西安市雁塔区为例

植被覆盖度遥感反演模型是用定量的方法来估算研究区范围内植被的覆盖分布。本文主要利用Landsat-8OLI遥感数据分别提取3类常用植被指数包括归一化植被指数NDVI、增强植被指数EVI、比值植被指数RVI,根据像元二分模型建立植被覆盖度反演模型。同时利用交叉验证的方式对其估算模型进行验证,来反映估算模型的精度。     

引入地形因子的无人机遥感精准管理分区研究

根据作物长势的空间差异对耕地进行精准管理分区,可以指导田间变量管理,漫川漫岗黑土区地形复杂,分区时应考虑微地形对作物的影响.以典型黑土区玉米田块为研究区,利用1.1m空间分辨率的无人机多光谱影像提取玉米大喇叭口期(播种后约45 d)归一化植被指数(Normalized difference vegetation ind...     

水稻不同品种光谱监测试验研究

应用CGMD和ASD光谱监测设备,结合生物学考查测试方法,获取影响水稻生长发育的比值植被指数(RVI)、归一化植被指数(NDVI)等相关参数,为建立基于光谱监测技术的管理模型提供技术支持。