便携式作物生长监测诊断仪的设计与试验

为了解决当前作物生长信息实时、快速、无损测量手段瓶颈问题,研发了一种基于多光谱传感器的便携式作物生长监测诊断仪。该仪器由多光谱传感器系统、处理器系统及附属机构组成,能实时无损地获取作物叶层氮含量、叶层氮积累量、叶面积指数、生物量等主要生长指标。对水稻的试验结果表明,便携式作物生长监测诊断仪测得的DVI值与水稻叶层氮含量、氮积累量、叶面积指数、叶干重的决定系数R2分别为0.711,0.8231,0.7698,0.7212。该仪器结构简单,集成度高,性价比好,携带方便,易于田间操作。     

不同生育时期冬小麦叶面积指数高光谱遥感监测模型

高光谱遥感能快速无损获取植被冠层信息,是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型,提高叶面积指数高光谱监测精度,该研究连续5 a定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数,通过相关分析、回归分析等统计方法,构建不同生育时期冬小麦叶面积指数监测模型。结果表明:不同氮磷水平下,冬小麦叶面积指数随施肥量增加呈递增趋势,随生育时期改变呈抛物线趋势变化;随着氮磷供应量的增加,冠层光谱反射率在可见光波段显著降低2%~5%(P0.05),在近红外波段显著增加4%~10%(P0.05);不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关(P0.01);拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好,决定系数分别为0.952、0.979、0.989、0.960和0.993;以不同年份独立数据验证模型表明,所建预测模型均有较好的验证结果,相对误差分别为13.0%、13.5%、12.8%、12.6%和14.0%,均方根误差分别为:0.313、0.336、0.316、0.316、0.324。因此,优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时,叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。     

基于遥感影像的作物生长监测系统的设计与实现

利用遥感监测技术实时快速地获取作物长势参数和氮素营养状况,可以为作物的精确管理提供决策支持。在已有作物（小麦和水稻）生长监测模型的基础上,采用GDAL和GDI+信息处理方法,使用EM算法对反演的作物长势参数进行聚类分析,在Microsoft .NET平台上构建基于聚类分析和遥感影像的网络化作物生长监测系统。系统具有常见格式遥感影像读取、遥感信息提取、作物长势参数反演、聚类分析、专题图制作以及信息发布等功能,并以江苏省方强农场为案例区,对系统的部分功能进行了测试与检验。结果表明,该系统能够准确的读取遥感影像信息,反演作物生长参数,并可根据聚类分析结果自动制作专题图,通过互联网予以发布,从而初步突破了用户无法直接参与遥感影像分析过程的瓶颈,为区域尺度的作物生长监测和精确管理调控提供了决策支持。     

数学形态学辅助下基于光谱指数的作物冠层组分分类

近地遥感常被用于获取作物冠层组分信息,但在提取叶片反射率时常受到土壤背景、穗和阴影效应的影响。为准确分类并提取作物冠层组分信息,该研究通过分析小麦冠层各组分（光照/阴影叶片、土壤、穗）的光谱及纹理差异,提出了一种光谱指数与数学形态学结合的作物冠层组分分类方法,探讨不同生育时期的最佳冠层组分分类方法,并定量分析不同组分的归一化光谱指数与小麦叶片氮含量的关系。结果表明：光谱指数法能较好地区分小麦抽穗前的不同冠层组分,而抽穗期的分类效果易受麦穗影响;光谱指数与数学形态学结合的分类方法能较好地消除麦穗对光照/阴影叶片提取的干扰（总体分类精度为97.80%,Kappa系数为0.97,运行时间3.87 min）,该方法的分类精度及运行效率均优于传统分类方法（迭代自组织数据分析算法（Iterative Selforganizing Data Analysis Techniques Algorithm, ISODATA）和最大似然估计（Maximum Likelihood Estimation, MLE））;而且,基于光照和阴影叶片的归一化光谱指数对叶片氮含量最敏感。研究结果可为其他作物冠层组分分类和精准农业中农学参数的定量反演提供技术参考。     

矿山恢复治理区植被物候与健康状况遥感监测

矿山恢复治理区植被物候与植被健康状况可以定量评价恢复治理工程实施效果,以往矿山恢复治理遥感监测多侧重于监测植被覆盖变化,忽略了对恢复治理区域植被物候特征和健康状况的评估。该研究使用时间序列哨兵2号影像,基于Savitzky-Golay滤波、动态阈值、曲率曲线等方法,以黑龙江省七台河市一玄武岩采石场及周边区域为例,分别提取了恢复治理区和正常耕作区玉米出苗期、拔节期、抽雄期、成熟期、物候期间隔长度等遥感物候指标,研究恢复治理区和正常耕作区玉米生长状态的差异。同时,提取并对比恢复治理区和正常耕作区植被红边位置指数(REIP)、归一化植被指数(NDVI)、绿色归一化植被指数(GNDVI)、陆地叶绿素指数(MTCI)、特征色素简单比值指数(PSSRA)、倒红边叶绿素指数(IRECI)、改进的叶绿素吸收指数(MCARI)和植被覆盖度(FVC)等遥感指标值,评估各遥感指标区分恢复治理区作物的能力和诊断矿山恢复治理区作物健康程度的可行性和敏感性。结果表明:1)相较正常耕作区,恢复治理区玉米关键物候期推迟,出苗期、拔节期、成熟期分别推迟了5～12、9～12和21～22 d,恢复治理区作物生长状态的差异随着作物生长阶段的推移逐步显现;2)恢复治理区和正常耕作区REIP、NDVI、GNDVI、PSSRA、IRECI和FVC等遥感指数值有明显差异,其中GNDVI指数反映恢复治理区作物的整体光谱特征更稳定,PSSRA指数对于区分恢复治理区和正常耕作区作物光谱特征差异最敏感,这种差异受两区域玉米作物叶绿素含量、叶面积指数和叶片含水量等生理信息差异的综合影响。该研究可为矿山恢复治理效果快速评估提供一种技术思路。     

基于多光谱和气象参数的菜心水分胁迫指数反演

作物水分胁迫指数（Crop Water Stress Index，CWSI）的监测对掌握作物的水分状况、指导灌溉具有重要意义。该研究以菜心为试验对象，测量了不同土壤水分条件下的冠层温度，采集了空气温度、相对湿度、风速、光合有效辐射和4个波段（450、650、808、940 nm）的光谱反射图像，并计算了归一化植被指数（Normalized Difference Vegetation Index，NDVI）、差值植被指数（Difference Vegetation Index，DVI）、再归一化差值植被指数（Re-Difference Vegetation Index，RDVI）和转换型土壤调整指数（Optimized Soil-Adjusted Vegetation Index，OSAVI）等，通过支持向量回归（Support Vector Regression，SVR）分别构建了CWSI上基线、CWSI下基线和冠层温度的反演模型。结果表明，菜心在450和650 nm的冠层光谱反射率在0～0.1之间，在808和940 nm的反射率较高，在0.4～0.6之间，当菜心由营养生长阶段进入生殖生长阶段，808和940 nm的反射率有所上升。植被指数能反映菜心的生长状态和植被覆盖度，随着冠层温度的升高，NDVI、DVI、RDVI上升，OSAVI下降；而同一个水分处理组在不同生长期的植被指数有明显的差异，生殖生长期的植被指数变化范围小于营养生长期。结果表明，使用空气温度、相对湿度、风速、光合有效辐射反演CWSI上、下基线具有可行性，决定系数均大于0.75；使用植被指数反演菜心在两个生长期的冠层温度具有较好精度，决定系数均大于0.7。基于反演值计算的CWSI与基于测量值计算的CWSI有较好的相关性，决定系数为0.70；CWSI与气孔导度是负相关的关系，决定系数为0.53。该研究应用气象参数反演CWSI上基线和CWSI下基线，利用植被指数反演冠层温度，基于SVR的模型反演值达到了一定的拟合效果，为实现菜心水分胁迫指数的光谱监测提供支持。     

基于作物生长监测诊断仪的双季稻叶面积指数监测模型

为探索作物生长监测诊断仪(Crop Growth Monitoring and Diagnosis Apparatus,CGMD)在不同株型双季稻长势指标监测应用的准确性和适用性,该研究开展了不同株型品种和施氮量的田间试验,采用CGMD获取冠层差值植被指数(Differential Vegetation Index,DVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和比值植被指数(RatioVegetationIndex,RVI),并同步采用高光谱仪(AnalyticalSpectralDevices,ASD)获取冠层光谱反射率,构建DVI、NDVI和RVI;通过比较2种光谱仪获取的植被指数变化特征及相互定量关系,评价CGMD的监测精度,建立基于CGMD的不同株型双季稻叶面积指数(Leaf Area Index,LAI)监测模型,并用独立数据对模型进行检验。结果表明:不同株型品种的LAI、DVI、NDVI和RVI随施氮量增加而增大,随生育进程推进呈"低—高—低"的变化趋势;基于CGMD与ASD的DVI、NDVI和RVI间的决定系数(Determination Coefficient,R2)分别为0.959～0.968、0.961～0.966和0.957～0.959,表明CGMD具有较高监测精度,可替代价格昂贵的ASD获取DVI、NDVI和RVI。基于CGMD植被指数的单生育期LAI监测模型的预测效果优于全生育期,基于CGMD植被指数的松散型品种LAI监测模型的预测效果优于紧凑型品种;基于DVICGMD的线性方程可较好地预测LAI,模型R2为0.857～0.903,模型检验的相关系数(Correlation Coefficient,r)、均方根误差(Root Mean Square Error,RMSE)和相对均方根误差(Relative Root Mean Square Error,RRMSE)分别为0.950～0.984、0.18～0.43和3.95%～9.40%;基于NDVICGMD的指数方程可较好地预测LAI,模型R2为0.831～0.884,模型检验的r、RMSE和RRMSE分别为0.906～0.967、0.24～0.38和5.73%～9.16%;基于RVICGMD的幂函数方程可较好地预测LAI,模型R2为0.830～0.881,模型检验的r、RMSE和RRMSE分别为0.905～0.954、0.25～0.56和7.37%～9.99%。与传统人工取样测定LAI法相比,利用CGMD可实时无损监测双季稻LAI动态变化,可替代SunScan植物冠层分析仪获取双季稻LAI,在双季稻生产中具有推广应用价值。     

基于机器视觉技术的尖椒冠层SPAD值测定仪的开发

为了快速准确地测量尖椒的冠层植被指数值,该文在理论分析的基础之上,开发了一套基于机器视觉技术的用于测量尖椒冠层SPAD(soil and plant analyzer development,SPAD)值的仪器。该仪器利用步进电机控制载有绿波段和近红外波段两片滤光片的转台,实现滤光片在CCD相机镜头前的切换,从而得到冠层的绿色波段图像和近红外波段图像。制作了近红外反射率在尖椒冠层和土壤背景之间的参照板,并以其为阈值结合冠层的近红外图像来分离尖椒冠层和土壤背景。通过建立图像灰度值和反射率之间的动态模型,计算作物冠层在相应波段的反射率,得到冠层植被指数,将作物冠层的SPAD值作为对比进行分析。经过试验建立该仪器测得的冠层植被指数GNDVI(green normalized difference vegetation index,GNDVI)值和冠层实际SPAD值之间的模型,结果表明两者之间具有较高的相关性,决定系数R2=0.8768。表明该仪器适用于尖椒冠层SPAD值的测定。     

作物长势遥感监测指标的改进与比较分析

为改善归一化植被指数（NDVI）作为遥感监测作物长势指标的性能,该文分析了归一化植被指数的内在设计缺陷,在不增加额外波段的情况下,以近红外波段和红色波段为基础引入一种新的作物长势遥感监测指标——GRNDVI。通过在像素和区域层次上同其他4种指数进行比较发现：GRNDVI能够改善归一化植被指数在低植被覆盖度时期/地区容易受到作物冠层土壤背景的影响,而在高植被覆盖度时期/地区又容易发生饱和现象的设计缺陷,可以作为遥感监测作物长势过程中替代归一化植被指数的指标。     

基于便携式三波段作物生长监测仪的水稻长势监测

针对现有两波段光谱仪在实际应用中存在的植被指数单一、生长指标反演精度低等问题,该研究研发了一款便携式三波段作物生长监测仪CGMD303（Crop-Growth Monitoring and Diagnosis,CGMD）并于2018年7-8月开展了水稻田间试验研究。结果表明,CGMD303获取的植被指数与商用仪器ASD FieldSpec HandHeld2呈良好的线性相关关系,同时基于CGMD303构建的水稻生长监测模型可以有效预测叶面积指数、叶片干重、叶片含氮率和叶片氮积累量,决定系数分别为0.85、0.72、0.45和0.68,相对均方根误差分别为0.21、0.32 g/m2、0.13%和0.39 g/m2。CGMD303可以有效获取冠层光谱反射率,构建的水稻指标监测模型可以精确预测叶面积指数、生物量和氮素指标,可为水稻田间栽培工作提供决策依据。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

不同土壤水分条件下玉米叶片/冠层气孔导度的光谱监测模型

通过玉米水分控制试验,测定不同水分条件下各生育期叶片气孔导度、叶面积指数和冠层光谱反射率等,以分析玉米叶片气孔导度的变化规律及其与光谱植被指数的相关性,从而建立基于光谱植被指数和土壤湿度的叶片气孔导度模型。结果表明：玉米在可见光区和近红外中、长波区的反射率随着土壤水分的降低而上升,但叶片气孔导度（Gs）、叶面积指数（LAI）、比值植被指数（RVI）和归一化植被指数（NDVI）随着土壤水分的下降而降低;玉米NDVI和RVI与单叶片和冠层气孔导度均呈极显著指数函数关系（P〈0.01）,且对单叶片气孔导度的拟合效果优于对冠层导度的拟合效果,而经土壤湿度订正的RVI监测模型优于NDVI监测模型。表明通过测定冠层反射光谱率可实时、迅速地定量监测玉米叶片的气孔导度,为大面积作物气孔导度估算奠定基础。     

冬小麦变量施肥机控制系统的设计与试验

为了实现冬小麦生长过程中的实时变量精准追肥,使用近地光谱探测技术,结合模糊PID(proportion integration differentiation,比例-积分-微分)控制技术,研究设计了适合中国大田作业的实时变量追肥机控制系统。追肥机采用轴分段式设计,开度和转速双变量调节,通过光谱传感器获取作物冠层归一化植被指数,结合追肥算法计算出当前的目标施肥量,采用测速和测距法反馈肥料流量信息,并根据追肥机实际行进速度,实时调整追肥量,实现精准变量追肥。试验结果表明,模糊PID控制具有良好的动态稳定性和跟踪性能,大田试验的结果表明,追肥机控制精度均达到90%以上,测速系统的检测绝对误差小于0.25 km/h,可以实现精准施肥的目标。该研究为变量施肥机的在线变量施肥控制提供了参考。     

基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型

为了探索寒地玉米冠层氮素含量,以不同氮素水平下玉米大田试验为基础,利用高光谱成像技术探讨苗期玉米冠层光谱,通过相关矩阵法选择植被指数的变量,并依据叶片氮素含量与植被指数的相关性,建立玉米冠层氮素含量预测模型。结果表明:根据玉米冠层高光谱图像,选择与各波段相关性较强的525、566、700、715、895 nm作为植被指数的变量,构建与氮素含量相关性强的植被指数归一化植被指数NDVI(normalized difference vegetation index)、归一化光谱植被指数NDSI(normalized difference spectral index)、比值光谱指数RSI(ratio spectral index)、差值光谱指数DSI(difference spectral index)。以与叶片氮素含量相关性较高的植被指数为自变量,建立单变量、多变量回归预测模型。采用单变量NDVI二次函数回归模型作为0、50 kg/hm~2施氮量下玉米冠层氮素含量预测模型,其R~2分别为0.719、0.803。在100 kg/hm~2施氮量下玉米冠层氮素含量的预测模型为3变量回归模型,其R~2达到0.657。用置信椭圆F检验法检验预测模型,其F值均小于F0.05,估测值与实测值间R2分别是0.724、0.798、0.655,标准误差RMSE分别为0.156、0.140、0.156 mg/g,表明实测值和估测值间的差异不明显,预测模型可用。     

基于高光谱的夏玉米冠层SPAD值监测研究

开展夏玉米冠层SPAD值监测技术研究,建立叶绿素含量与敏感波段、光谱指数间的定量关系模型,以促进高光谱技术在玉米快速、无损长势监测及水肥精准管理的应用。以小型蒸渗仪夏玉米光谱反射率与植株冠层SPAD值的监测为基础,研究了夏玉米植株冠层光谱信息与SPAD值的响应关系,并优选出监测夏玉米冠层SPAD值的敏感波段与最优光谱指数。结果表明:夏玉米冠层光谱反射率在可见光波段随玉米冠层SPAD值增加而下降,在近红外波段却与之相反;采用原始光谱反射率、一阶微分光谱监测夏玉米冠层SPAD值的最敏感波段分别为700,690nm,与SPAD值的相关性分别为-0.498(p<0.05)和-0.538(p<0.01);而根据多元逐步回归分析获得的最优波段组合由405,408,700nm波段构成;从已报道的73个光谱指数中筛选出与夏玉米冠层SPAD值相关性较高的(SDr-SDb)/(SDr+SDb)、MCARI∥OSAVI、TCARI/OSAVI、SDr/SDb和MTCI等5个光谱指数,光谱指数(SDr-SDb)/(SDr+SDb)与SPAD值的相关性在各生育期均达极显著正相关,且在全生育期相关系数高达0.697(p<0.01),进一步优选出监测夏玉米冠层SPAD值最适宜的光谱指数为(SDr-SDb)/(SDr+SDb);在基于敏感波段、光谱指数和最优波段组合建立的夏玉米SPAD值的回归模型中,按照模拟效果由高到低排序依次为最优波段组合、光谱指数、原始光谱反射率、一阶微分光谱,其决定系数分别为0.777,0.539,0.351,0.282;推荐以(SDr-SDb)/(SDr+SDb)指数构建的二次多项式模型与基于405,408,700nm波段组合建立的线性回归监测模型作为夏玉米植株冠层SPAD值光谱监测适宜模型,且R2大于0.539,RMSE及MAE分别小于6.194和4.702。     

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。     

基于高光谱的中国干旱区棉花遥感估产（英）

该文测定了棉花盛蕾期至吐絮后期各时期冠层的高光谱反射率以及产量,并对棉花产量与冠层光谱植被指数进行相关分析。结果表明：棉花各生育期可见光波段、近红外波段及短波红外波段光谱反射率与产量间分别呈显著负相关、显著正相关与显著负相关。根据棉花冠层光谱波形特征,利用植被红边波段560 nm反射峰、670 nm吸收谷、近红外波段890 nm反射峰、980和1?210 nm两个弱水汽吸收谷、短波红外1?650和2 200 nm反射峰,设计归一化差值光谱指数,并与棉花产量进行相关分析,上述波段组合定义的归一化差值光谱指数与产量在各生育期均达显著或极显著相关。VARI_700抗大气植被指数在各生育期均达极显著相关。     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。