基于冠层反射光谱的夏玉米叶片色素含量估算模型研究

通过分析不同施氮水平下夏玉米叶片色素含量与冠层光谱反射率及其衍生的比值植被指数(RVI)、归一化植被指数(NDVI)、正交植被指数(MTVI2、MCARI2、SAVI、MSAVI)以及叶绿素吸收比值指数(CARI)之间的关系,建立夏玉米叶片叶绿素a(Chla)、叶绿素b(Chlb)、叶绿素a+b(Chl a+b)和类胡萝卜素(Car)含量估算模型。结果表明:NDVI与夏玉米叶片色素含量的相关性最好,RVI、RVI、CARI位居其次。通过逐步回归分析确立的夏玉米叶片Chla、Chlb、Chl a+b及Car含量的估算模型R2分别为0.790 8、0.832 4、0.808 8和0.761 7,说明利用冠层NDVI可以对夏玉米叶片Chla、Chlb、Chl a+b和Car含量进行可靠的监测。     

遥感光谱指标和神经网络结合的冬小麦地上部生物量估测

为探讨基于神经网络对小麦地上部生物量（aboveground biomass,AGB）进行遥感估测的可行性,在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验,在对冬小麦近红外波段反射率（near-infrared band reflectance,REF_nir）、红光波段反射率（red band reflectance,REF_red）、归一化差值植被指数（normalized difference vegetation index,NDVI）、差值植被指数（difference vegetation index,DVI）、比值植被指数（ratio vegetation index,RVI）、土壤调节植被指数（soil adjusted vegetation index,SAVI）和优化土壤调节植被指数（optimized soil adjusted vegetation index,OSAVI）等7个遥感光谱指标与冬小麦生长指标（LAI和AGB）进行相关性分析基础上,构建基于BP神经网络的冬小麦AGB估测模型,并与多元线性回归估测模型进行精度比较。结果表明,冬小麦拔节期REF_red、NDVI、RVI、SAVI、OSAVI和LAI与AGB之间存在较好相关性,其中LAI与AGB的相关性最高（相关系数为0.782）,SAVI与AGB的相关性最低(相关系数为0.647)。利用BP神经网络建立的冬小麦AGB估测模型AGB_BP的决定系数（r）为0.918,均方根误差（root mean square error,RMSE）为582.9 kg·hm^-2,平均相对误差（average relative error,ARE）为18.4%。利用多元线性回归分析建立的冬小麦AGB估测模型AGB_RA的r为0.784,RMSE为871.1 kg·hm^-2, ARE为32.6%。利用冬小麦抽穗期AGB实测数据再对模型AGB_BP和AGB_RA进行验证,其RMSE分别为1 140.4和1 676.7 kg·hm^-2, ARE分别为20.5%和33.1%。由此可以看出,冬小麦估测模型AGB_BP精度优于模型AGB_RA,说明利用多个遥感光谱指标结合LAI建模可以有效提高冬小麦AGB的估测精度。     

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。     

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。     

夏玉米冠层反射光谱与植株水分状况的关系

通过不同夏玉米品种生育期内冠层叶片含水率与不同波段组成的比值指数(RVI)和归一化植被指数(NDVI)进行线性、指数、对数、幂函数以及多项式回归分析,研究不同品种夏玉米的冠层叶片和植株水分状况与反射光谱之间的相关关系。结果表明,冠层叶片和植株含水率与460～670nm范围内波段反射率均成负相关,与730～1260nm范围内波段反射率均成正相关。其中冠层叶片含水率与460、500、600、650、670nm范围内波段反射率均呈显著相关,而植株含水率与460、500、600、650、670、780、800、850、900、950、1050nm范围内波段反射率相关性也较高。冠层叶片含水率与归一化植被指数(NDVI)相关性均达到极显著水平,与比值指数(RVI)相关性中只有RVI(950,550)、RVI(850,730)、RVI(800,730)和RVI(780,730)4个波段呈极显著正相关。RVI与叶片含水率相关性以RVI(850,730)最优,NDVI与叶片含水率相关性以NDVI(1050,550)最优。植株含水率也与RVI和NDVI呈正相关,相关性均较好,但NDVI优于RVI。RVI与植株含水率相关性以RVI(800,500)最优,决定系数为0.8490;NDVI与植株含水率相关性以NDVI(780,650)最优,决定系数为0.8645。     

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。     

冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析

为提高冬小麦花期长势遥感监测的精确性与普适性,在集丘陵地、河滩地及平原地为一体的冬小麦种植区域设计了田间试验,利用卫星影像信息结合地面GPS定点试验数据,在分析利用遥感技术监测冬小麦花期LAI和生物量两个主要群体长势指标可行的基础上,对卫星遥感光谱信息与冬小麦花期的主要生理生化指标(叶片叶绿素含量、叶片类胡萝卜素含量、叶片水分含量和叶片氮素含量)进行了综合分析.结果表明,NDVI(归一化植被指数)与LAI、叶片氮素含量和叶片水分含量的相关性较好,RVI(比值植被指数)与生物量和叶片类胡萝卜素含量的相关性较好,GVI(绿度植被指数)与叶片叶绿素含量的相关性较好,且均达到显著水平.说明NDVI、RVI及GVI是较为理想的可用于监测冬小麦花期生理形态指标的敏感遥感指数.进一步以这些敏感遥感指数作为因变量建立了冬小麦花期生理形态指标的遥感监测模型.利用本模型可以反演多个生理形态指标,便于对冬小麦花期的长势情况进行综合分析与判断.     

基于光谱指数的冬小麦冠层叶绿素含量估算模型研究

为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合,同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果,通过分析350~2 500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系,建立冬小麦冠层叶绿素含量估算模型。结果表明,选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71,标准误差均小于1.842。利用独立试验资料进行检验,表现最好的是RSI(FD_(689),FD_(609))和SASI(R_(491),R_(666))L=0.01,预测精度高达98.2%,模型精确度和可靠性较高。     

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。     

冬小麦返青期主要生长指标的HJ-1A/1B遥感影像监测

为进一步深化作物长势遥感监测机理与方法,给大田管理及时提供信息与技术,结合2011-2013年定点观测试验,以HJ-1A/1B数据为遥感影像源,研究了返青期冬小麦主要生长指标、籽粒品质参数和产量间及其与遥感变量间的定量关系,分别构建及评价基于HJ-1A/1B影像遥感变量的返青期叶面积指数、生物量、SPAD值和叶片含氮量监测模型。结果表明,返青期,归一化植被指数（NDVI）、比值植被指数（RVI）、蓝光波段反射率（B₁）和RVI可分别作为监测冬小麦叶面积指数、生物量、SPAD和叶片含氮量的敏感遥感变量,所构建的遥感监测模型可靠且精度较高,模型的决定系数（R²）分别为0.62、0.56、0.46和0.58,均方根误差（RMSE）分别为0.42、452.3 kg·hm^-2、4.39和0.54%。同时,对冬小麦不同等级主要生长指标进行遥感监测并制图,量化表达了主要生长指标区域空间分布。     

灌水对黄淮海冬小麦叶片光合特性的影响

为了解灌水对黄淮海地区冬小麦光合特性的影响,以周麦18、豫农202、豫麦49、郑麦366、矮抗58等5个黄淮海主栽冬小麦品种为材料,比较和分析了越冬水、越冬水+拔节水、越冬水+拔节水+灌浆水3个不同灌水处理下冬小麦开花后叶面积指数、旗叶叶绿素含量、光合参数及水分利用效率的特点。结果表明,随灌水次数减少,小麦灌浆期叶片光合功能衰退加快,叶面积指数和叶绿素含量下降,旗叶净光合速率、气孔导度和蒸腾速率减小,胞间二氧化碳浓度增加,光合作用受非气孔因素的限制增大,同时叶片水分利用效率增加。在不同灌水条件下,矮抗58和郑麦366叶片水分利用效率均较高,而周麦18、豫麦49和豫农202叶片水分利用效率均较低。     

基于无人机可见光影像与生理指标的小麦估产模型研究

为及时、准确地掌握小麦产量动态信息,基于无人机遥感平台,分别分析了小麦4项生理指标［地面实测叶面积指数、叶片含氮量、叶片含水量及叶片叶绿素相对含量（SPAD值）］及10项植被指数与产量的相关性,以筛选出与产量最为敏感的生理指标与植被指数,并比较了3种建模方法（一元回归UR、多元逐步回归SMLR和主成分回归PCAR）在小麦各生育时期估产的适用性,进而得到小麦最优估产模型。结果表明：（1）不同生育时期两类变量与产量的相关性变化特征一致,均表现为抽穗期>灌浆期>成熟期;不同生理指标、植被指数与产量的相关性在各生育时期均存在差异,生理指标表现为叶片含氮量>LAI>SPAD>叶片含水量;而植被指数在各时期表现不同;（2）以生理指标与植被指数为自变量,采用SMLR模型构建的抽穗期估产模型拟合精度最高,R、RMSE和nRMSE分别为0.828、362.53 kg·hm^-2和12.35%;（3）小麦估产模型在各生育时期的预测精度表现为抽穗期>灌浆期>成熟期。     

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...     

县域冬小麦生物量动态变化遥感估测研究

为给生产管理中及时掌握县域冬小麦长势的动态变化提供有效手段,以江苏省沭阳县为研究区,基于冬小麦生物量形成的生理生态过程,重构冬小麦生物量遥感估测模型。选用两景不同时相的HJ星影像数据,利用植被指数反演的LAI数据,对冬小麦生物量模型进行参数修订,并对县域冬小麦拔节期生物量的空间分布进行估测。在此基础上,进一步估测冬小麦抽穗期生物量分布特征及其动态变化特点。结果表明：（1）冬小麦拔节期生物量估测值和观测值范围分别为2 054.3~4 828.3 和1 962.5~4 568.4 kg·hm^-2 ,平均值分别为3 148和3 045.5 kg·hm^-2 ,RMSE为214.8 kg·hm^-2 ,决定系数为0.919 1,表明冬小麦生物量模型模拟精度较好;（2）冬小麦抽穗期生物量较拔节期发生明显变化,其中长势变化快的田块面积为20 108.7hm,占总种植面积的23.4%。春季气候因素的转好以及肥水措施的实施对冬小麦营养与生殖共生阶段的生长起到明显促进作用。说明本研究提出的基于遥感反演信息与生长模型协同的冬小麦生物量估测方法能有效估测县域冬小麦不同生长时期生物量的空间分布及其动态变化。     

基于适宜尺度选择的冬小麦赤霉病遥感监测

为快速、准确获取江淮麦区县域冬小麦赤霉病发生信息,选用中、高空间分辨率卫星遥感影像做多尺度信息融合研究。在筛选适宜冬小麦田块分布特征的空间尺度遥感影像基础上,通过分析冬小麦长势指标和赤霉病病情指数之间的互作关系,构建基于多农学参数的冬小麦赤霉病估测模型,并对县域冬小麦赤霉病空间变化进行遥感监测。结果表明:(1)2m×2m、8m×8m和16m×16m三种空间尺度融合影像的均值相差不大,平均梯度和标准差存在明显差异。16m×16m融合影像的清晰度最好,信息量也多,比较适合研究区域冬小麦田块分布特征。(2)16m×16m融合影像提取的归一化植被指数(NDVI)和比值植被指数(RVI)值明显高于2m×2m和8m×8m融合影像,说明16m×16m融合影像光谱信息量较丰富,有利于冬小麦的识别。(3)冬小麦叶面积指数、叶片叶绿素含量和地上部生物量是影响赤霉病发生的主要长势指标。基于主要长势指标构建冬小麦赤霉病估测模型,平方根误差(REMS)为10.5%,相对误差为14.6%。该方法可以实现对县域冬小麦赤霉病空间变化的有效监测。