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。     

海南岛橡胶林叶面积指数遥感估算模型比较研究

叶面积指数(LAI)是描述植被生长状况和冠层结构的一个重要参数,快速获取大面积植被与作物LAI对于生态系统科学研究、农林业生产指导具有十分重要的理论和实践意义.本研究选取海南岛典型热带作物——橡胶树为研究对象,构建基于卫星遥感植被指数的橡胶林LAI估算模型并分析其变化规律.结果表明,相较于归一化植被指数(NDVI)、绿...     

基于随机森林模型的林地叶面积指数遥感估算

林地叶面积指数(Leaf area index,LAI)的准确估测是精准林业的重要体现。为了快速、准确、无损监测林地LAI,利用LAI-2200型植物冠层分析仪获取福建省西部森林样地的LAI数据,结合同期Pleiades卫星影像计算12种遥感植被指数,分析了各样地实测LAI数据和相应植被指数的相关性,进而使用随机森林(RF)算法构建了林地LAI估算模型,以支持向量回归(SVR)模型和反向传播神经网络(BP)模型作为参比模型,以决定系数(R~2)、均方根误差(RMSE)、平均相对误差(MAE)和相对分析误差(RPD)为指标评价并比较了模型预测精度。结果表明:全样本数据中,各植被指数与对应LAI值均呈极显著相关(P0.01),且相关系数都大于0.4;RF模型在3次不同样本组中的预测精度均高于同期的SVR模型和BP模型;3个样本组中RF模型的LAI估测值与实测值的R~2分别为0.688、0.796和0.707,RPD分别为1.653、1.984和1.731,均高于同期SVR模型和BP模型,对应的RMSE分别为0.509、0.658和0.696,MAE分别为0.417、0.414和0.466,均低于同期其他2种模型。     

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...     

花生叶面积指数地面高光谱遥感估算模型研究

【目的】掌握花生叶面积指数(LAI)及其动态变化,并用于其生长监测和作物估产。【方法】试验于2019年在郑州市农业气象试验站进行,设置了3个不同氮素水平处理,以花生(豫花40)为研究对象,利用便携式光谱仪ASDHandHeld2测量花生冠层高光谱数据,使用LAI2200冠层分析系统采集花生叶面积指数。对原始光谱数据进行倒数对数和导数变换,并选取常见高光谱特征参数建立LAI估算模型,通过模型精度比较从中选择出最优估算模型。最后通过多元逐步回归,建立了花生LAI估算的多元回归模型。【结果】LAI单变量估算模型中,指数模型的R~2较大,其中VI_1(VI_1=R_g/R_r。R_g绿峰反射率,R_r红谷反射率)、VI_2(VI_2=(R_g-R_r)/(R_g+R_r))和R_r的指数模型R2超过0.68,拟合程度最高。同时利用检验样本计算均方根误差(RMSE),VI_2的RMSE值最小,其次是VI_1。【结论】以VI_2为自变量的指数模型最优,其次为VI_1。多元回归模型模拟精度高于单变量估算模型,当多种光谱参数均可获取的情况下,应优先选用多元回归模型对花生冠层LAI进行估算。     

基于分数阶微分和最优光谱指数的大豆叶面积指数估算

高光谱遥感技术可对作物生长状况进行无损、高效地监测,是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象,对原始开花期大豆高光谱反射率数据进行0～2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0～2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率,分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性;相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为：TVI(687 nm, 754 nm)、DI(687 n...     

基于机载LiDAR数据的农作物叶面积指数估算方法研究

叶面积指数(LAI)是农作物长势监测及估产的重要参数,激光雷达能够提供精确的农作物冠层结构信息,可弥补光学遥感在提取冠层结构信息方面的不足。因此,本文旨在挖掘激光雷达所能提取的农作物垂直结构信息,并研究冠层结构参数与农作物叶面积指数之间的关系,从而估算整个研究区的叶面积指数。首先,基于机载激光雷达数据提取平均高度(Hmean)、最大高度(H_(max))、最小高度(H_(min))、高度百分位数(H_(25th)、H_(50th)、H_(75th)、H_(90th))、激光穿透力指数(LPI)、回波点云密度、孔隙率(fgap)、叶倾角(MTA)等结构参数;然后,利用Pearson相关性分析法对以上参数与地面实测LAI进行相关性分析,并选择与LAI相关性高的参数;最后,对选择的敏感性参数进行回归分析,构建激光雷达参数与实测LAI的LiDAR-LAI估算模型,估算整个研究区的农作物冠层LAI。精度评价结果表明:预测LAI与实测LAI之间的相关系数为0.79,均方根误差为0.47,说明激光雷达所提取的农作物冠层结构参数可用于估算空间上连续、大面积的农作物LAI。     

基于小波能量系数和叶面积指数的冬小麦生物量估算

生物量是评价作物长势及产量估算的重要指标,科学、快速、准确地获取生物量信息,对于监测冬小麦生长状况以及产量预测等具有重要意义.以冬小麦为研究对象,通过相关性分析,选取相关性较好的小波能量系数,同时耦合叶面积指数,基于支持向量回归算法、随机森林算法、高斯过程回归3种算法构建冬小麦生物量估算模型.结果 显示,基于小波能量系...     

不同覆膜处理下春玉米叶面积指数高光谱估算

为实现快速、无损、实时监测不同覆膜处理下春玉米的叶面积指数(Leaf area index,LAI),研究覆膜因子对LAI及冠层反射率的影响,借助高光谱遥感技术获取了各生育期春玉米的冠层反射率,在对光谱数据进行预处理后,经相关性分析提取各覆膜处理LAI的敏感单波段、敏感植被指数和特征指数,据此构建了全生育期各覆膜处理下...     

基于SPOT遥感数据的甘蔗叶面积指数反演和产量估算

利用SPOT遥感数据进行甘蔗叶面积指数LAI反演,建立最佳NDVI-LAI反演模型,同时结合不同生育期甘蔗叶面积指数的时序变化规律,建立各生育期甘蔗叶面积指数LAI与产量的相关关系,得到甘蔗叶面积指数LAI 产量最佳估产模型.在验证甘蔗叶面积指数LAI的基础上,利用遥感反演的甘蔗叶面积指数LAI进行甘蔗单产估算.结果表明:甘蔗叶面积指数LAI与NDVI之间存在显著的正相关关系,全生育期二者的相关性最高,以二次函数模型拟合效果最佳,决定系数R2为0.8429.将遥感数据反演得到的平均叶面积指数LAI数据代入甘蔗叶面积LAI-产量模型得到全县平均单产,与统计数据相比,相对误差仅为2.6％.说明该模型具有较好的估产效果,可以为甘蔗区域估产提供重要参考.     

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。     

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。     

作物群体叶面积指数的测定

作物群体叶面积指数的测定段爱旺（中国农科院农田灌溉研究所河南新乡４５３００３）１前言叶面积指数（ＬｅａｆＡｒｅａＩｎｄｅｘ，ＬＡＩ）是描述作物群体状况的一个非常重要的参数，农学研究的许多领域都要用到它。比如辐射在群体中的分布模式，群体对光能的吸收利用...     

基于三维点云的叶面积估算方法

为实现低成本无损精确测定叶片面积,基于运动恢复结构算法获取点云,提出了一种融合叶片点云分割、表面重建及叶片面积无损估测等过程的植物叶片面积提取方法。首先,基于运动结构恢复算法,以智能手机获取的可见光图像重建植物的三维点云;其次,为了还原叶片表面形状,基于HSV颜色空间,使用阈值分割法去除叶片点云的噪点;使用K-means聚类算法对点云的三维坐标矩阵进行分类,实现单片叶片点云的分割;基于滚球算法重建叶片的表面网格模型;最后,通过计算网格面积求得叶片面积。与常规叶面积测定方法进行了对比,本文方法的计算结果与扫描叶片法测定值相比平均误差为1.21cm2,误差占叶片面积的平均百分比为4.67%;与叶形纸称量法测定值相比平均误差为1.41cm2,误差占叶片面积的平均百分比为6.05%。结果表明,本文方法成本低、精确度高,可满足植物叶片面积无损精确测定的需求。     

夏玉米叶面积指数遥感反演研究

利用LAI-2000的观测数据与基于HJ卫星遥感数据生成的植被指数,结合3种常用的回归模型,构造了夏玉米分别按全生育期、不同生育阶段和阈值分段的叶面积指数(Leaf area index,LAI)反演模型;获取了3种模式下LAI的最优反演模型;在验证和评价各模型可靠性之后,生成了夏玉米在营养生长期、抽雄期和生殖生长期的LAI分布图;并将基于HJ影像反演得到的LAIHJ与MODIS LAI产品(MOD15A2)LAIM进行了对比。研究发现,与各种通用植被指数相比,针对HJ CCD数据构造的环境植被指数HJVI与LAI的相关性在3种反演模式中均为最佳。HJVI与全生育期LAI的相关性达到0.875,在不同生育阶段与LAI的相关性也高于其他植被指数(营养生长期线性模型最佳,决定系数为0.769;抽雄期对数模型最佳,决定系数为0.783;生殖生长期指数模型最佳,决定系数为0.703)。普适性植被指数中,OSAVI适用于夏玉米生长前中期的LAI反演,NDVI适用于夏玉米生长后期的LAI反演。在夏玉米全生育期内,各植被指数与LAI的相关性整体较高,但最优回归模型出现在按不同生育阶段反演的模式中。LAI小于3时EVI为精度最佳指数(决定系数为0.358),LAI不小于3时OSAVI为精度最佳指数(决定系数为0.515)。在夏玉米3个生育阶段,LAIM与LAIHJ的相关性分别达到0.732、0.761、0.661。HJ遥感数据具有较强的LAI反演能力,其高时间和高空间分辨率的特征可以使其代替传统的中分辨率遥感数据而成为农业遥感研究的重要数据源。     

投影称重法求植物叶面积指数

<正> 在作物需水量研究中,需求出叶面积指数,下面介绍一种叶面积指数的测定方法。 植物叶子的形状,千姿百态,没有任何几何法则能够定量的描述它。当前最先进的手段是用扫描法。使用的仪器叫做光电叶面积仪,测定误差在5％左右(其原因是有的叶子不可能充份展平、加之仪器本身的误差所致)。这种仪器也不普及加之基层站、点的电源又没有保证,所以我们试用了叶面积投影称重法。 据多次重复试验证明,此方法简易可靠,误差为±1％。 投影称重法的测定步骤: (一)材料与设备 1mm厚的机用纸垫(烘干)、削尖的硬铅笔、剃须刀片、天秤(感量0.01g)、剪刀、曲线尺、记录纸笔。     

用遮光率间接测定叶面积指数

介绍了一个简便、快捷地用遮光率间接测定叶面积指数的方法及其率定过程，并根据在实际操作过程中遇到的问题，提出了保证精度要求应注意的事项     

用遮光率间接测定叶面积指数

介绍了一个简便、快捷地用遮光率间接测定叶面积指数的方法及其率定过程，并根据在实际操作过程中遇到的问题，提出了保下精度要求应注意的事项。     

稻麦变量施肥机控制系统设计与试验

针对稻麦变量施肥智能化程度低、通信系统可靠性和兼容性差等问题,研究设计了一种稻麦变量施肥机控制系统。该系统以CAN总线通讯作为现场总线,实现各控制节点之间的实时通信;通过GPS导航和处方图得到当前位置需肥量,根据变量施肥数学模型,通过步进电机节点实时调节外槽轮排肥器开度,实现施肥变量调节。试验结果表明:该系统机械结构设计合理,动作响应迅速,定位精准,各行排肥器之间排肥量变异系数最大为1. 78%,变量施肥精度达97%以上,作业效果良好。其控制程序稳定可靠,各控制节点之间通信及时、准确,整机设计合理,系统工作稳定,智能化程度高,各项技术指标满足农艺要求。