基于无人机多光谱遥感的冬小麦叶片含水量反演

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares, PLS)、极限学习机(extreme learning machine, ELM)和粒子群算法(particle swarm optimization, PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其r²和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%～75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为...     

冬小麦白粉病冠层光谱特征解析与病情指数反演

为探讨利用高光谱技术快速无损地监测小麦白粉病灾情的方法,通过人工田间诱发白粉病,在灌浆期对不同发病等级(病情指数)的冬小麦进行冠层高光谱测定,对原始光谱数据进行一阶微分处理,筛选最佳光谱特征参量和植被指数,构建冬小麦白粉病病情指数反演模型。结果表明,在冠层尺度,小麦白粉病"红边"位置均在730nm左右(±1nm);经验证,5种模型中三角植被指数(TVI)模型估算精度最好,r2和RMSE分别达到了0.700和0.112,与精度最低的优化土壤调节植被指数(OSAVI)模型相比,r2提高了0.071,RMSE降低了0.013。小麦白粉病"红边"蓝移现象并不明显;五种模型r2都达到了0.6以上,说明高光谱技术都能够有效地对冬小麦白粉病病情指数进行无损、快速、精确的反演,其中TVI的反演精度最佳。     

基于Landsat/TM遥感的冬小麦长势分级监测研究

为给遥感技术在冬小麦长势分级监测预报中的应用提供依据,以江苏省兴化市为例,利用TM卫星遥感影像,提取冬小麦的种植面积并分析了长势情况。在利用GPS实地取样调查和建立解译标志的基础上,进行TM影像校正、非监督分类和人机交互式判读解译等操作,并将GPS样点数据校验贯穿到整个分类过程中,信息解译精度在95%以上。结合NDVI指数反演的叶面积指数数据进行小麦长势分级分类,并制作了兴化市冬小麦长势分级监测图。     

冬小麦冠层降水截留性能研究

为定量分析冬小麦冠层降水截留量,采用"简易吸水法"分别研究了冬小麦单茎和群体的冠层截留性能,并对其影响因素进行了探讨。结果表明,在冬小麦抽穗前,叶数对单茎截留量影响显著(P<0.05),而对截留率影响不明显。在叶数相同条件下,单茎截留量在不同生育期间差异显著(P<0.01)。冬小麦单茎截留量随叶面积的增大而增大,而叶面积对截留率影响不显著。冬小麦单茎截留量与株高、鲜重呈线性正相关,相应截留率则与株高、鲜重呈线性负相关;群体截留量与叶面积指数(LAI)、地上部生物量呈线性正相关,相应截留率则与LAI、地上部生物量呈线性负相关。从拔节至成熟,冬小麦冠层截留量先增加后减少,最大冠层截留量出现在抽穗期(1.28mm),且不同生育期截留量差异极显著(P<0.01);相应截留率在不同生育期的变化无规律,各生育期间差异不显著。     

花生冠层APAR和FAPAR高光谱遥感估测模型研究

为了快速、无损监测花生生长发育,建立整个生育期内花生冠层吸收性光合有效辐射（APAR）和光合有效辐射吸收系数（FAPAR）的高光谱遥感估测模型,本试验利用高光谱遥感技术,测定沈阳地区5种不同生态类型的花生冠层光谱数据,同期获取APAR、FAPAR;并对原始光谱数据进行logρ、1/ρ、ρ′变换,构建6种植被指数,分别与APAR和FAPAR进行Pearson相关分析,并建立估测模型,对模型进行检验与评价。研究结果表明：4种变换形式的光谱数据中最优波段与APAR 和FAPAR 均达极显著相关（r≥0.3969,P<0.01）,以ρ′在759nm 波段处与APAR（r=0.7574）和FAPAR（r=0.6276）的相关性最好,ρ′759nm处的高光谱参数与APAR、FAPAR建立的估测方程y = 797.3846e271.4883x（R=0.5512,P<0.01;RE=0.1213）和y =0.756e85.21x（R=0.4204,P<0.01,RE=0.0788）拟合系数最高、预测精度较好,估测效果很好。比值植被指数（RVI）、差值植被指数（DVI）、归一化植被指数（NDVI）、复归一化差值植被指数（RDVI）、垂直植被指数（PVI）和修改土壤调整植被指数（MSAVI）这6种植被指数的最优波段与APAR的相关性优于与FAPAR的相关性,MSAVI[723,761]与APAR所建立的对数函数y = 1554ln（x）+ 1631（R=0.7566,P<0.01;RE=0.0870）和RDVI[731,764]与FAPAR建立的多项式函数y = 1.027x2 + 0.713x + 0.729（R=0.6194,P<0.01;RE=0.0699）的模拟值和实测值均达到了极显著、预测精度较高,MSAVI对APAR和RDVI对FAPAR估测效果很好。一阶微分光谱和植被指数可以较好地估测花生冠层APAR和FAPAR。     

基于卫星遥感的冬小麦拔节期长势监测

为给小麦调优栽培提供信息支持,利用卫星影像信息结合地面试验数据,通过分析小麦拔节期叶面积指数、生物量以及植株氮素含量三个群体质量指标与植被指数之间的关系,建立了基于归一化植被指数(NDVI)、比值植被指数(RVI)的小麦群体质量指标监测模型.结果表明,NDVI与叶面积指数和植株氮素含量呈现显著的正相关关系(R2分别为0.8483和0.8238),与地上部生物量间的相关性未达显著水平(R2=0.7746).RVI与叶面积指数和植株氮素含量呈线性正相关(R2=0.7651和R2=0.78),而与地上部生物量呈显著线性正相关(R2=0.8277).利用不同的试验数据对所建模型进行了检验,监测值与实测值较为吻合,根均方差(RMSE)分别为0.19、106.13 kg·ha-1和0.136%,显示模型具有较好的监测性和通用性.因此,在拔节期可以利用NDVI对叶面积指数和植株氮素含量进行监测,对地上部生物量的监测则以利用RVI数据较好.     

旱地冬小麦灌浆期冠层温度与产量和水分利用效率的关系

为给抗旱节水品种的快速鉴定和筛选提供科学依据,在甘肃陇东旱塬利用红外测温仪测定了23个冬小麦品种的冠层温度,并分析了其与产量、水分利用效率的关系.结果表明,不同基因型小麦在籽粒灌浆期存在着冠层温度高度分异的现象,其差异可反映在产量和水分利用效率上.无论灌浆初期还是中期或中后期,旱地冬小麦产量、水分利用效率与冠层温度均呈极显著的负相关,并且随着灌浆过程的推移,相关性增大.这表明,灌浆期冠层温度偏低的品种具有较高的产量和水分利用效率,冠层温度可作为旱地高产节水小麦品种田间筛选的指标.     

基于近地高光谱信息的小麦条锈病病情指数反演

为探究小麦条锈病病情状况与冠层光谱的关系,通过田间人工接种条锈病菌,在不同生育期测定各个种植小区的冠层光谱、病情指数,对测定的光谱进行了连续统去除,提取光谱吸收深度、吸收峰总面积、吸收峰左端面积、对称度等吸收特征参数,计算光谱敏感度值,以病害区光谱吸收特征参数和光谱敏感度两个指标定量分析了小麦病害随生育期推进的变化程度,并且以不同生育期的光谱敏感度值和全生育期吸收特征参数为自变量建立回归模型,精确反演了小麦全生育期的病情指数。结果表明,以光谱敏感度值为自变量的组合模型预测值拟合度为0.97,以光谱吸收特征参数为自变量的模型预测值拟合度为0.95,均达到显著水平。     

基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究

为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。     

不同生育时期冬小麦叶片相对含水量高光谱监测

为实现冬小麦不同生育时期叶片水分含量的快速监测,以冬小麦冠层高光谱数据和红外热成像数据为基础,计算得到5种光谱参数,通过对不同生育时期叶片相对含水量与光谱参数拟合状况进行分析和筛选,分别构建了基于光谱参数的叶片相对含水量反演模型,并对模型进行检验。结果表明,不同生育时期叶片相对含水量与比值指数（RVI）、归一化差值植被指数（NDVI）、比值/归一化植被指数（R/ND）、优化土壤调整植被指数（OSAVI）、冠气温差（TDc-a）均呈极显著相关（P＜0.01）;拔节期、抽穗期、开花期、灌浆前期和灌浆后期叶片相对含水量分别与NDVI、OSAVI、R/ND、TDc-a和TDc-a拟合效果较好,决定系数分别为0.842、0.884、0.831、0.864和0.945;预测模型的均方根误差分别为0.019、0.016、0.027、0.032和0.024,相对误差分别为2.16%、1.80%、3.30%、3.81%和3.53%。因此,在拔节期、抽穗期、开花期、灌浆前期和灌浆后期,可以分别利用NDVI、OSAVI、R/ND、TDc-a和TDc-a估测冬小麦叶片相对含水量。     

基于冠层高光谱的冬小麦植株含水率估算

为确定适用于冬小麦植株水分诊断的最佳高光谱指数及其在植株水分处于适宜状态时的阈值,设置4个水分处理（灌溉定额分别为0、60、120和180 mm）,获取了小麦关键生育时期（返青期、拔节期和灌浆期）的冠层高光谱反射率、植株含水率、土壤含水率和产量等数据。依据高光谱指数与冬小麦植株含水率之间的相关性对高光谱指数进行筛选,以筛选的高光谱指数为输入变量,分别构建一元回归、偏最小二乘回归、随机森林回归和支持向量回归的冬小麦植株含水率估测模型。考虑到土壤含水率对冬小麦植株含水率的影响,进一步量化了当日植株含水率与不同时间土壤含水率的关系,通过产量比较法分别确定了冬小麦植株水分、土壤水分的阈值。结果表明：（1）在返青期、拔节期和灌浆期,一元回归模型的精度（r²=0.673,RMSE=3.144%,RE=5.489%）较好,能确定高光谱指数阈值,可以较精准、快捷地实现冬小麦水分诊断。机器学习算法中随机森林回归的模型精度（r²=0.904,RMSE=1.701%,RE=3.606%）最高,但模型参数较多,无法给出高光谱指数阈值。（2）当日植株含水率与其前一天0~50 cm土层的含水率之间具有较强的正相关关系（r²为0.708,RMSE为2.436%,RE为7.755%）。（3）返青期、拔节期和灌浆期估测冬小麦植株水分最佳高光谱指数分别为 MCARI/0SAVI、PRI3和VEG,其相应的阈值分别为0.765 1~1.130 1、0.155 2~0.225 7、1.633 9~1.668 5。因此,可根据植株含水率与土壤含水率之间的关系确定冬小麦在关键生育期内所处水分状态,从而采取相应对策。     

基于高光谱的倒伏冬小麦产量预测模型研究

为利用高光谱遥感技术对倒伏小麦产量进行准确、快速地估算,选取在乳熟期发生不同程度倒伏的两个春性冬小麦品种为材料,利用光谱仪测定了不同倒伏级别下小麦冠层光谱反射率,研究植被指数与产量及其构成因素间的相关性,最终建立快速、有效估测倒伏小麦产量的数学模型。结果表明,不同级别倒伏对小麦千粒重和产量的影响均达显著水平（P<0.05）,随倒伏级别的增加,千粒重和产量均呈降低趋势,二者最高降幅分别为10.72%和17.69%。对倒伏小麦产量与冠层光谱反射率进行相关分析,在350~690 nm波段,相关系数随波长的增加总体呈下降趋势;在690~760 nm波段,相关系数呈上升趋势,在764 nm处,相关系数绝对值达最大,为0.734。千粒重与DVI_570,670的相关系数值最高,产量与DVI_764,407的相关性最好,且都通过了0.01水平检验。利用植被指数-千粒重-产量构建的反演模型,可提高模型预测精度,与单因子植被指数-产量模型、多因子植被指数-产量模型相比,能更好地反演不同倒伏程度的小麦产量。     

关中冬小麦叶片氮素含量高光谱遥感监测模型

为给黄土高原大范围的冬小麦氮素营养遥感监测提供理论依据,通过田间试验,研究了冬小麦叶片氮素含量遥感监测的最佳生育时期、最敏感波段及其他最优光谱参量。结果表明,灌浆期是利用高光谱遥感监测冬小麦叶片氮素营养状况的最佳生育时期;在拔节、抽穗和灌浆期680nm波段光谱反射率R680均能较好地反映冬小麦叶片氮素含量,基于光谱位置以及叶面积指数的光谱参量也能较好地反映冬小麦叶片氮素含量。拔节期、抽穗期和灌浆期分别以680nm波段光谱反射率R680、绿峰反射率Rg和植被指数(SDr-SDb)/(SDr+SDb)对小麦叶片氮素含量的拟合效果最佳,其回归方程分别为Y=27.54-280.247 X+1456.245 X2、Y=8.632 X-0.24和Y=25.83 X1.012。     

基于高光谱遥感的小麦黄花叶病害等级监测研究

为了构建小麦黄花叶病的遥感监测技术,在小麦返青期、拔节前期和拔节后期测定了不同黄花叶病等级下的冠层反射率,并同步调查与病害等级相关的小麦株高、含水量、氮含量、色素含量等农学参数,筛选出适宜监测小麦黄花叶病的植被指数,并构建病害等级监测模型。结果表明,小麦黄花叶病的反射光谱敏感波段在返青期和拔节前期集中于560～720 nm范围,而拔节后期则集中于800～900 nm区域。随病害等级的增加,光谱反射率在可见光波段逐渐增加,而在近红外波段区域降低。植被指数与病害等级相关性在不同生育时期间存在显著差异,整体上以拔节前期最好,决定系数(r²)为0.72～0.82,而拔节后期模型精度急剧下降(r²=0.26～0.72)。在植被指数中,整体上以表征色素变化的mND705模型预测精度最好,r²和RMSE分别为0.59～0.68和0.79～0.98。采用偏最小二乘回归(PLSR)建立黄花叶病害分级模型,三个时期的模型精度均高于植被指数模型,且整体上以返青期和拔节期前期估算效果较好,模型验证r²为0.93～0.97,...     

基于冬小麦筋型修正系数的籽粒蛋白质含量遥感预测

为优化冬小麦籽粒蛋白含量(GPC)的遥感预测模型,基于2012-2013、2014-2015和2017-2018年冬小麦生长季的田间试验,以植株氮代谢过程及GPC形成规律为依据,构建"植被指数(VI)-农学参数-GPC"的半机理模型,并在此基础上通过引入筋型修正系数λ优化"PNC-GPC"模型,修正小麦筋型对模型的影响,进一步提高"VI-PNC-GPC"模型的精度。结果表明,选取的VI与植株氮浓度(PNC)均极显著相关,其中比值光谱植被指数(RSI)与PNC的相关性最高,相关系数达到0.777,建立的PNC估算模型的决定系数(r~2)达到0.604,验证nRMSE为9.93%;构建的PNC-GPC模型为GPC=(5.843×PNC+4.847)×λ,r~2=0.792,验证nRMSE为7.43%;对比不考虑冬小麦筋型的"RSI-PNC-GPC"模型,其r~2提高了0.145,验证的nRMSE降低了0.86%。综合来看,以PNC为中间变量,通过考虑不同筋型的差异构建的筋型修正系数可以更加准确地预测GPC。     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明,WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...     

基于遥感信息和产量形成过程的小麦估产模型

为提高小麦遥感估产的精确性和机理性,在广域环境条件下进行了多品种小麦的种植试验,并基于遥感信息获取的瞬时性与广域性,结合小麦产量形成的生理生态过程及其与气候环境的相互关系,建立了较为简化的小麦估产模型.通过组件化的设计方法实现了遥感信息和估产模型的耦合,即利用抽穗期遥感影像反演的LAI和生物量及时替换小麦估产模型对应参数变量,进而实现对小麦产量的估测.通过试验验证,小麦产量的预测值与实测值较为一致,预测小麦产量的RMSE为354.18 kg·ha-1,利用小麦估产模型可以对不同年份、不同区域的小麦产量形成情况进行监测预报.     

基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算

为探讨基于Dualex植物多酚-叶绿素仪和高光谱遥感技术反演小麦叶绿素含量的可行性,利用Dualex植物多酚-叶绿素仪,测定不同生育时期冬小麦叶片叶绿素含量(Chl),同时进行叶片光谱测定,以对Chl敏感的1个一阶导数波段、3个三边参数和3个植被指数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建估测模型,并利用验证样本对各生育时期估测模型进行精度检验,同时与传统的单因素模型进行了比较。结果表明,冬小麦反射光谱曲线在不同生育时期有所不同,且随着叶绿素含量的增加,可见光波段的光谱反射率不断降低;在以一阶导数光谱敏感波段、三边参数以及植被指数构建的冬小麦Chl单因素估算模型中,基于各生育时期显著相关的植被指数构建的模型精度最优;以7个参数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建的模型在各生育时期均表现出较好的拟合性及预测精度,尤其利用SVR建立的模型建模决定系数在0.8以上,预测决定系数在0.7以上,是进行冬小麦叶片Chl估测的最优模型。