基于优化光谱指数的新疆春小麦冠层叶绿素含量估算

为筛选可用于干旱半干旱区春小麦冠层叶绿素含量估算的高光谱植被指数,2017年通过测定春小麦关键生育时期冠层的田间高光谱与叶绿素含量,利用光谱指数波段优化算法分别计算400～1 300 nm光谱波段中不同波段两两组合的比值光谱指数(ration spectral index,RSI)、归一化光谱指数(normalized difference spectral index,NDSI)、叶绿素指数(chlorophyll index,CI)、简化光谱指数(CI/NDSI,NPDI),并将这些参数及其他17个不同高光谱植被指数分别与实测冠层叶绿素含量进行Pearson相关分析,通过变量重要性准则筛选最优光谱参数,使用偏最小二乘回归法建立冠层叶绿素含量的预测模型。结果表明:(1)RSIs、NDSIs、CIs和NPDIs与冠层叶绿素含量的相关性都优于前人研究中定义的17种高光谱植被指数,并且冠层叶绿素含量与NDSI(R_(849),R_(850))、RSI(R_(849),R_(850)),CI(R_(849),R_(850))和NPDI(R_(849),R_(850))表现出强相关性。(2)用此4个优化光谱指数分别建模时,以CI(R_(849),R_(850))、 CI(R_(539),R_(553))、 CI(R_(540),R_(553))、 CI(R_(536),R_(553))为自变量的X-3模型预测精度最高(r~2=0.74,RMSE=0.272 mg·g~(-1))。(3)结合4个优化光谱指数构建的组合模型预测精度,其r~2=0.83,RMSE=0.187 mg·g~(-1)。     

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。     

基于高光谱特征参数的冬小麦氮营养指数估算

为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术,利用美国SVC HR-1024I型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测,获取“三边”参数、任意两波段光谱指数和植被指数,通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数,结合偏最小二乘回归(PLSR)、随机森林算法(RFR)、支持向量机回归(SVR)和梯度增强回归(GBDT)建立冬小麦氮营养指数模型,并对模型估算精度进行验证。结果表明,从拔节期到灌浆期,各时期的氮营养指数与任意两波段光谱指数均呈极显著相关,其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期,且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大,为0.66。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r²)和均方根误差(RMSE)分别为0.96和0.05,模型验证的r²、RMSE和相对预测偏差(RPD)分别为0.95、0.12和2.12,模型预测精度最高。因此,拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测...     

冬小麦叶面积指数的品种差异性与高光谱估算研究

为给小麦叶面积指数（LAI）的高光谱估算提供技术支持,基于2年大田试验,以4个河南主推品种为材料,对小麦LAI和冠层光谱变化特点、估算模型及其品种间的差异等进行了系统分析。结果表明,在生育期内不同冬小麦品种冠层光谱反射率的变化与LAI变化有差异;在相同LAI下,不同冬小麦品种的光谱曲线存在差异。利用400~900 nm范围内冠层光谱反射率的任意两波段组合的比值光谱指数（RSI）、归一化差值光谱指数（NDSI）和差值光谱指数（DSI）所建立的单品种模型以及不同品种综合模型的决定系数（r）均达到0.84以上,单品种模型的r和调整r分别较综合模型高出3.1%~4.8%和2.0%~4.2%。利用独立于建模样本以外的数据对上述模型进行检验,单品种模型预测的r较综合模型提高了0.6%~11.0%,而均方根误差降低了10.0%~37.0%。因此,在利用高光谱遥感技术估算冬小麦LAI时,可以通过建立单品种模型来提高估算精度。     

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。     

不同冬小麦品种株高的高光谱估算模型

为建立小麦株高的高光谱估算适宜模型,通过连续两年田间不同品种试验,在拔节至抽穗期同步测定小麦冠层高光谱数据和株高,并对两者的关系进行系统分析。结果表明,小麦株高与可见光波段呈负相关,与近红外波段呈正相关,与可见光波段的相关性总体上高于近红外波段。株高可以利用统一的光谱参数进行定量反演,其中以F698、D550、Dy、λr、SDr/SDb和(SDr-SDb)/(SDr+SDb)等光谱参数拟合效果较好。经两年的独立试验数据检验表明,以参数F698、D550、Dy及(SDr-SDb)/(SDr+SDb)为变量建立的株高估算模型表现较为稳定,尤其是以光谱参数(SDr-SDb)/(SDr+SDb)建立的模型,建模决定系数为0.85,预测决定系数和均方根偏差分别为0.86和4.27,相对误差为9%。因此,该参数可以作为估测小麦株高的有效光谱参数,对小麦生长中期的株高进行监测。     

大豆叶面积指数的高光谱估算模型研究

通过测试大豆4个生育阶段350～2500nm波段的冠层高光谱数据,用近红外波段760nm-850nm及红光波段650nm-670nm的2个范围内的波段反射率,组成了高光谱比值植被指数（RVI）和800nm和670nm2个波段反射率组成修改型二次土壤调节植被指数（MSAVI2）;基于RVI和MSAVI2植被指数,建立了大豆叶面积指数（LAI）的6种单变量线性与非线性函数模型,经检验均达到1％极显著水平。其中,以RVI所构建洲的幂函数、MSAVI2所构建LAI的指数函数、对数函数估测模型的相关系数相对较高;用MSAVI2所构建的LAI精度较高的对数函数模型反演大豆叶面积指数,实测LAI与估测LAI呈极显著线性相关（R=0．9098^＊＊,n=46）,模型方程的估算精度达84．9％,实测值与估算值的RMSE=0．2420,平均相对误差为0．1510。表明采用高光谱植被指数,能够实时、无损、动态、定量提取大豆叶面积指数,为设计理想的大豆群体和大豆遥感估产提供了科学的依据。     

基于冠层光谱的冬油菜光合性状监测模型研究

为了建立冬油菜光合性状监测模型,实现油菜无损获取农作物信息,方便油菜生产过程中实时诊断、精确管理和估产,以甘蓝型冬油菜为试材,分析不同施肥量和密度条件下油菜冠层光谱与油菜净光合速率(Pn)、叶片叶绿素含量(SPAD)、叶面积指数(LAI)的定量关系,以获取最佳敏感波段的光谱指数;以最佳光谱指数为基础,建立冬油菜光合性状...     

区域尺度冬小麦叶绿素含量的高光谱预测和空间变异研究

为从区域尺度探讨小麦SPAD的近地高光谱遥感监测技术,采用ASDField Spec 3.0型便携式高光谱仪获取的冬小麦冠层高光谱数据,利用相关分析和偏最小二乘法(PLSR)对SPAD进行建模预测,并采用地统计学方法进行空间变异制图。结果表明,冬小麦叶片SPAD值在不同生长阶段存在一定的差异,但在不同区域之间差异不显著。基于PLSR建立模型,并利用原始光谱和二阶导数光谱进行预测,R~2分别为0.653和0.995,均方根误差分别为2.622和0.327,相对析误差分别为1.549和13.66。综合来看,二阶导数光谱所建立的模型预测能力比原始光谱好。选择拔节期和成熟期进行区域化表达,与实测得到的SPAD空间分布图相比,采用全光谱数据和二阶导数光谱数据预测的SPAD均表现出了较高的空间相似性,其中二阶导数接近实测值。     

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。     

基于红边特性和连续小波变换的冬小麦叶绿素含量估算

为充分利用高光谱数据红边区域对冬小麦叶绿素含量进行估算,以关中地区冬小麦为研究对象,基于红边波段反射率的一阶导数进行连续小波变换,对变换后得到的小波系数与叶绿素含量进行相关性分析,选取相关性较好的小波系数分别结合偏最小二乘法(PLS)、BP神经网络(BPNN)算法、随机森林(RF)算法和XGBoost算法构建冬小麦叶绿素含量估算模型。结果表明：(1)通过对建模数据和验证数据的决定系数(R²)、均方根误差(RMSE)和相对分析误差(relativepredictive derivation, RPD)进行比较,利用XGBoost算法构建的估算模型表现最好;(2)通过XGBoost算法的特征重要性分析得到13个有效小波系数,将其与7个红边指数共同作为自变量代入XGBoost算法发现,优化后的模型精度得到显著提高,建模集决定系数(R²=0.91)和验证集决定系数(R²=0.802)分别提高了1.34%和11.54%。这说明该方法可以作为一种挖掘高光谱敏感特征信息的途径来估算冬小麦叶绿素含量。     

基于分数阶微分的春小麦叶绿素含量高光谱估算

为提高农作物叶片叶绿素含量高光谱估算的准确度,以阜康农作物试验地为研究靶区,测定了165个采样点的春小麦叶片叶绿素含量和叶片光谱反射率,运用分数阶微分算法进行光谱预处理,最后运用偏最小二乘法(PLSR)建立叶绿素含量估算模型。结果表明,对数学变换■、lg~R、1/lg~R、1/R)的光谱及原始光谱(R)的数据进行0～2阶分数阶微分预处理时,通过0.01水平显著性检验的波段数量明显增加,且光谱数据经4种数学变换后均在1.2阶微分与小麦叶绿素含量有较高的相关性。1.2阶微分处理后,对叶绿素含量的敏感波段数量表现为■。利用对数变换和1.2阶微分计算的植被指数(NDVI、DVI、RVI、MSR_(705)、MSR_(670,800)、CI)建立的PLSR模型的估算精度最优,其预测的相对误差、决定系数和平方根差分别为2.17、0.87和0.243mg·g~(-1),可作为小麦叶片叶绿素含量的最佳估算模型,也说明对光谱数据进行数学转换和分数阶微分处理可显著提高春小麦叶绿素含量的估算精度。     

基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算

为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(PCA)对叶绿素敏感的可见光波段(390～780 nm)一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证。结果表明,小麦冠层叶绿素含量与一阶导数光谱在751 nm处的相关性最高(r=0.71),特征参数中红边蓝边归一化(SDr-SDb)/(SDr+SDb)与叶绿素含量的相关性最高(r=0.66),植被指数(VI)中修正归一化差异指数(mND705)相关性最高(r=0.74)。在输入变量相同的情况下,基于随机森林(RF)回归的预测模型均优于偏最小二乘回归(PLSR)模型,其中PCA-VI-RF模型的各精度指标均达到最优(r²=0.94,RMSE=1.05,RPD=3.70),是冬小麦冠层叶绿素...