基于影像分割的覆膜玉米叶绿素含量反演

【目的】快速、准确监测覆膜玉米叶绿素含量,探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础,以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象,使用监督分类分割影像背景像元和玉米像元,分析背景像元对玉米冠层光谱的影响,计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入,利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】(1)苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。(2)基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g^-1,验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g^-1)。(3)基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著;其中光谱特征+...     

基于无人机多光谱影像的棉叶螨识别方法

【目的】利用无人机遥感在空间分辨率和光谱分辨率上的优势,研究大面积棉田棉叶螨监测方法,为类似的农作物虫害遥感监测研究提供参考。【方法】选20种光谱指数作为螨害监测的特征因子,使用赤池信息准则作为模型优选依据,获取最佳建模特征,建立棉田螨害监测识别的logistic回归模型。【结果】在所分析的全部光谱指数中,TVI、DVI和RDVI为螨害监测的最佳特征因子,基于该3个因子构建的logistic回归模型的分类准确率为95%,F1值为95.1%,能够较好地实现棉田螨害识别。【结论】监测模型可以实现区域范围的棉叶螨快速识别。     

基于固定翼无人机多光谱影像的水稻长势关键指标无损监测

【背景】近年来随着遥感技术的快速发展，实时无损监测作物生长状况已成为当前研究热点，遥感获取的农情信息将为实现大面积作物精确管理提供指导。在众多遥感监测平台里，无人机因其操作简单、使用成本低等特点而受到广泛关注，无人机搭载多光谱相机可以快速获取作物的长势信息。【目的】尝试将固定翼无人机多光谱影像纹理信息与光谱信息结合，探究“图谱”信息对水稻长势指标的监测效果。【方法】通过开展两年涉及不同播期、品种、播栽方式、施氮水平的水稻田间试验，在水稻关键生育期使用固定翼无人机搭载Sequoia多光谱相机获取水稻冠层遥感影像，同步进行地上部破坏性取样以获取水稻叶面积指数(LAI)、地上部生物量(AGB)和植株氮含量(PNC)等农学指标，采用简单线性回归、偏最小二乘回归和人工神经网络回归算法，构建基于固定翼无人机多光谱影像的水稻长势指标监测模型，比较分析光谱纹理信息在不同模型中的监测效果。【结果】利用简单线性回归方法探究了植被指数(VI)、单波段纹理特征与水稻LAI、AGB和PNC间的定量关系，结果表明植被指数与LAI和AGB之间有较强的相关性，表现最好的植被指数为CIRE和NDRE,R 2分别为0.8...     

基于无人机高光谱影像的水稻叶绿素含量反演

【目的】为实现快速无损地监测水稻叶绿素含量,采用大疆M600 Pro无人机搭载SENOP RIKOLA高光谱仪获取水稻分蘖期冠层高光谱影像。【方法】利用相关性分析筛选出光谱指数的特征波长,构建DSI、RSI、NDSI、MSR、OSAVI和RDVI 6种植被指数,并利用一阶光谱导数计算其红边面积和红边幅值,分析8种光谱参数参与水稻叶绿素含量之间的相关性分析。将这些光谱参数作为CatBoost回归模型的输入变量,分析8种光谱参数对水稻叶绿素含量的估算能力。【结果】基于红边参数的反演模型中红边幅值拟合效果最好,其R²为0.952 4,RSME为0.638 1;基于植被指数的反演模型中OSAVI指数拟合效果最好,其R²为0.941 6,RSME为0.588 5。2种模型均能有效预测水稻叶绿素含量信息,可以作为水稻叶绿素含量监测的依据。【结论】将无人机高光谱遥感影像与机器回归算法相结合,可以实现对水稻冠层叶绿素含量的精准预测,从而对水稻的生长和健康状况进行实时监测,进而实现对水稻的精准施肥和精准灌溉,对水稻的增产增收以及精准农业的发展具有重要意义。     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

一款无人机高光谱传感器的验证及其在玉米叶面积指数反演中的应用

【目的】验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积指数的新方法。【方法】以东北玉米为研究对象,在吉林省公主岭市开展了玉米氮肥梯度试验,共设5处理,每个处理3次重复。分别在玉米的V5-V6,V11,R1-R2等生育期（Ritchie生育期）进行无人机飞行试验和地面光谱及叶面积指数测定,共获得数据45组。为验证S185影像数据,在相同尺度下提取S185影像信息与地面光谱信息,一方面从测定同一目标地物两者光谱反射率间的相关性进行分析,另一方面筛选15种常用的各类光谱指数,从整个生育期通过影像数据计算的各光谱指值与地面光谱仪计算的相应值变化趋势的一致性进行分析;将45组样品随机选择30组,基于人工神经网络算法利用S185数据建立反演叶面积指数的模型,剩下15组样品作为外部验证样品,用来验证神经网络模型的预测效果。另外,基于相同的分组数据,利用前面筛选的各光谱指数分别建立叶面积指数的反演模型,以与人工神经网络建模结果进行比较。【结果】在各个生育时期,同种目标地物S185测定数据与地面光谱仪测定数据间具有很强的相关性,相关系数在0.99以上;在玉米整个生育期,S185数据计算的各光谱指数与地面光谱仪计算的各光谱指数变化趋势相同,相关系数在0.88以上;在构建基于人工神经网络法反演叶面积指数的模型中,建模时的决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%;外部验证时的决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%,这一结果优于基于各光谱指数建立的叶面积指数反演模型。【结论】无人机搭载S185传感器可用于准确获取玉米冠层高光谱信息,且可利用人工神经网络法基于这一数据建立玉米叶面积指数的反演模型。     

小麦籽粒蛋白质光谱特征变量筛选方法研究

【目的】筛选整粒小麦籽粒蛋白质的近红外特征光谱波段并建立优化模型,可实现快速、无损测定整粒小麦籽粒蛋白质含量,为田间便携式小麦籽粒蛋白质含量速测仪设计提供依据。【方法】2012-2013年以蛋白质含量有明显差异的8个冬小麦品种为试验品种,设置3个施氮量和2个灌溉量共6个处理,建立丰富的样本类型,共采集176个小麦籽粒光谱数据;将ASD FieldSpec Pro光谱仪采集到的基于全反射下垫面的整粒小麦籽粒反射光谱通过公式A=log(1/R)转换为吸收光谱,对吸收光谱采用S-G平滑、多元散射校正和基线校正等方法进行预处理,以消除背景噪声,然后采用交叉验证偏最小二乘回归方法进行特征波段压缩;分析比较无信息变量剔除法（UVE）结合交叉验证偏最小二乘回归、连续投影算法（SPA）结合交叉验证偏最小二乘回归、UVE与SPA组合后结合交叉验证偏最小二乘回归、UVE与SPA组合后结合多元线性回归（MLR）及UVE与SPA组合后结合逐步多元线性回归（SMLR）等多种特征光谱筛选方法选出的蛋白质特征波段的优劣,并与凯氏定氮法测定的小麦籽粒蛋白质含量进行回归分析,构建并优选小麦籽粒蛋白质最佳预测模型。【结果】利用无信息变量剔除（UVE）方法可将与小麦籽粒蛋白质含量无关的信息变量剔除,把籽粒的原始光谱由1 621个波段压缩至717个,在保留了蛋白质信息的同时,实现了特征谱段的初次优选;对逐步多元线性回归（SMLR）、连续投影算法（SPA）、连续投影算法（SPA）+逐步多元线性回归（SMLR）及连续投影算法（SPA）+偏最小二乘回归（PLS）+交叉验证（CV）等特征波段优选算法比较发现,不同的方法获得的特征谱段有差异,构建的模型及精度也明显不同。对经过无信息变量剔除（UVE）法筛选光谱特征谱段,利用SPA消除光谱矩阵中波段共线性影响,再利用SMLR筛选出小麦籽粒蛋白质信息贡献最大的15个特征谱段,所得模型的预测均方根误差（RMSEP）和R²分别为0.5898和0.9410,模型预测精度最高。【结论】本研究利用UVE、SPA与SMLR方法有效压缩了整粒小麦籽粒光谱矩阵,基于所筛选的蛋白质含量特征谱段数构建的预测模型可以实现无损、快速测定整粒小麦籽粒蛋白质含量,预测模型精度可靠,方法经济有效,为设计田间便携式整粒小麦籽粒蛋白质测定仪的波段选择和开发奠定了基础。     

基于导数光谱的小麦冠层叶片含水量反演

【目的】以高光谱技术实现小麦含水量信息的快速、无损与准确获取,为小麦灌溉的精确管理提供科学依据。【方法】利用水氮胁迫试验条件下小麦主要生长期的导数光谱构建了16种新指数,将其与NDII、WBI以及NDWI等常用指数进行比较分析,筛选小麦叶片含水量反演最佳光谱指数,并利用其建立反演模型进行小麦含水量的遥感填图。【结果】在各指数中,FD730-955对小麦冠层叶片含水量的估测结果最佳,其估测模型（对数形式）校正决定系数（C-R2）与检验决定系数（V-R2）分别达0.749与0.742,优于NDII等常用指数;FD730-955所建模型对32个未知样的预测结果与实测值相似度较高,其回归拟合模型R2达0.763,RMSE仅为0.024,取得了良好预测结果,且对叶片含水量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对含水量估测的影响;反演模型对OMIS影像的填图结果与地面实测值拟合模型R2达0.647,RMSE仅为0.027,具有较高的反演精度。【结论】导数光谱可实现小麦冠层叶片含水量信息的准确估测,其中FD730-955系反演的优选指数。     

基于无人机影像特征的冬小麦植株氮含量预测及模型迁移能力分析

【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量,探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展,在冬小麦拔节期、孕穗期、开花期和灌浆期,采用M600大疆无人机搭载K6多光谱成像仪获取5波段(Red、Green、Blue、Rededge、Nir)多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征,采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征,采用BP神经网络(BP)、随机森林(RF)、Adaboost、支持向量机(SVR)4种机器学习回归方法构建植株氮含量预测模型,并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】(1)植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。(2)4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异,RF和Adaboost方法预测植株氮含量集中于95%的置信区间,多分布于1:1直线附近...     

基于VSURF-CA的小麦条锈病高光谱病情指数估测模型

【目的】条锈病对小麦生长和产量造成严重威胁,为确保有效防控,精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型,能快速、准确地估测病情指数(DI),为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期(抽穗期、灌浆期和成熟期)高光谱数据,采用随机森林变量选择(VSURF)方法结合相关性分析(CA)对原始光谱(OR)和一阶微分光谱(FD)进行特征波段筛选。使用随机森林(RF)对比不同数据集的特征波段建模结果,确定模型效果最佳的特征集。随后借助偏最小二乘回归(PLSR)、极致梯度提升(XGBoost)以及反向传播神经网络(BPNN),对比特征集在不同算法中的建模效果。通过对比建模效果,确定针对全生育期小麦条锈病病情指数的最佳估测模型。为了验证特征集在不同生育期中的效果,利用特征集在3个生育期重新构建模型,并对比模型效果。【结果】对不同数据集进行特征筛选,并使用RF构建条锈病DI估测模型,通过比较模型效果,确定VSURF-CA-FD特征集(绿光范围的537 nm以及近红外范围的821和846nm)在RF模型中的估测效果最好。采用RF算法构建的模型表现出优异的精度,R     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。     

基于无人机多光谱影像特征融合的小麦倒伏监测

【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM）,从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦...     

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。     

基于无人机影像的作物土壤水分亏缺反演方法

【目的】基于无人机影像进行作物土壤水分亏缺反演研究有利于提高农田集约化管理效率,提升农田精准灌溉水肥空间分布信息高效获取技术水平。【方法】文章以冬小麦为例,采用大型喷灌机变量灌溉的方式,设置3个灌溉水平和6个不同施肥处理;利用无人机携带热红外、可见光、多光谱相机,规划航线飞行采集影像数据,结合田间布点取样校准,反演冬小麦长势;根据获取的无人机遥感影像,经图像拼接、数据提取等处理,获得田间不同试验小区光谱数据,计算植被指数,反演水肥指标,构建土壤水分反演模型。【结果】水分亏缺情境下,灌水的多少直接影响冬小麦的生理生长指标,灌水量越多,冬小麦株高和叶面积发育越好;3个灌溉水平处理间冠层温度差异在2～5℃;植被指数与灌溉处理一致性较好,而不同的施肥处理反演效果不理想。【结论】热红外影像反演作物冠层温度计算得到的作物水分亏缺指数可以展现冬小麦作物水分亏缺空间分布,作物水分亏缺指数与土壤水分平均含水率有很好的相关性。无人机遥感在田间水肥管理的应用有效提升了大田时空数据的获取能力,下一步应开展水肥时空变异性研究,探讨水肥精准施用技术,从理论和技术两方面着手提升精准管理水平。     

基于无人机多光谱影像的云南松林蓄积量估测模型

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R²)、平均绝对误差(E_MA)、均方根误差(E₍RMS()、平均相对误差(E_MR)评价模型精度。【结果】(1) 3种模型中,随机森林的精度最高(R²=0.89,E_MA=4.69m³·hm^-2, E_RMS=5.45m³·hm^-2, E_MR     

基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例

【目的】探究黄河三角洲麦田土壤盐分准确高效的遥感提取方法,掌握土壤盐渍化程度与分布。【方法】以垦利区为研究区,均匀布设冬小麦种植区样点77个,同时设置代表性试验区2个,网格布设样点99个,实测采集麦田土壤表层盐分数据及试验区无人机多光谱图像。筛选红、绿、红边、近红4个波段及SI、NDVI、DVI、RVI、GRVI 5个光谱指数中的敏感光谱参量,采用逐步回归、偏最小二乘法、BP神经网络及SVM支持向量机4种方法建立土壤盐分估测模型,使用波段比值均值法得到Sentinel-2A卫星影像相应波段的修正系数,进而将筛选的土壤盐分估测模型转换为基于卫星影像的反演模型,经麦区实测样点数据验证,得到最佳的麦区土壤盐分反演模型,实现试验区和研究区2个尺度的麦田土壤盐分反演。【结果】无人机4个波段及光谱指数NVDI、RVI、SI与土壤盐分含量相关性显著,4种建模方法的13个模型中,以NDVI、RVI、SI建立的4个指数模型的建模及验证R²均优于其他模型;对4个模型进行升尺度修正及验证,效果最佳的反演模型为偏最小二乘法光谱指数模型：Y=-9.4774×NDVI₁+0.4794×RVI₁+3.0747×SI₁+5.0604,验证R²为0.513,RMSE为1.379;利用该模型反演得到了试验区及整个研究区麦田土壤盐分等级分布图,结合实测插值及调查结果,证明反演模型及空间分布结果准确、可靠。【结论】本研究构建了卫星、无人机一体化的滨海麦区土壤盐分反演模型,对滨海盐渍区农作物的生产管理有积极参考价值。     

基于分数阶微分的葡萄叶片SPAD值高光谱遥感反演研究

【目的】探明高光谱遥感技术反演葡萄叶片叶绿素含量的可能性,构建葡萄叶片叶绿素含量反演模型,为快速且无损估测葡萄长势提供技术参考。【方法】以西南山区成熟期葡萄叶片为研究对象,同步获取冠层叶片高光谱数据和SPAD值,研究不同分数阶(0.0～1.4阶,步长0.2阶)微分光谱反演葡萄叶片SPAD值的能力,构建多个基于特征波段和光谱指数的单因素模型及基于连续投影算法的多因素模型。【结果】不同SPAD值葡萄叶片原始光谱曲线整体一致,在可见光区域反射率较低而在近红外区域反射率高;可见光、近红外区域反射率与SPAD值分别呈反比和正比;随着分数阶上升,特征波段由近红外向红边靠近,光谱指数由近红外与蓝光组合变更为近红外与绿光组合,单因素模型建模变量相关性呈先升后降趋势,在0.6阶达峰值;除0.6与0.8阶外,其余分数阶微分光谱单因素模型建模变量均为DSI;多因素模型优于单因素模型,机器学习算法可提升传统回归模型精度,所有模型以0.6阶下SPA-GA-XGBoost回归模型精度最优,其建模与验证R²分别为0.79和0.75,相应均方根误差(nRMSE)分别为15.54%和14.45%。...     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数（LAI）是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。     

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数(LAI)是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。