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。     

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。     

基于无人机影像的小麦株高与LAI预测研究

为快速、准确地估测不同生育时期小麦品种（系）株高与叶面积指数（LAI）表型性状,基于各生育时期小麦品种（系）数字正射影像（digital orthophoto map,DOM）和数字表面模型（digital surface model,DSM）,分别构建不同生育时期株高估测模型和光谱指数LAI估测模型。借助一元线性回归、多元逐步回归（SMLR）和偏最小二乘回归（PLSR）分析方法,并采用决定系数（r）、均方根误差（RMSE）和归一化均方根误差（nRMSE）综合性评价指标,筛选出小麦不同生育时期最优的株高和LAI估测模型。结果表明,（1）全生育期株高估测效果最好,模型预测值与实测值高度拟合（r、RMSE、nRMSE分别为0.87、5.90 cm、9.29%）;在各生育时期中,灌浆期模型预测精度较好,成熟期预测精度最差,r分别为0.79和0.69。（2）所选的18种光谱指数与LAI相关性均较好,其中BGRI、RGBVI、NRI和NGRDI的相关系数达到极显著水平,且各时期三种回归估测模型均表现出较高的稳定性和拟合效果,其中SMLR回归模型对各生育时期LAI预测精度最好,其拔节期、孕穗期、扬花期、灌浆期和成熟期的预测集r分别为0.68、0.57、0.61、0.68和0.53。这说明,基于无人机获取的不同生育时期小麦DSM影像提取株高,并运用18种光谱指数构建LAI估测模型方法是可行的。     

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。     

越冬前冬小麦主茎叶片几何参数模型研究

为了定量分析冬小麦越冬前叶片主要几何参数与器官生物量及比叶重的关系,以小麦品种济麦22、泰农18和鲁原502为材料,于2013-2014和2014-2015年冬小麦生长季内开展了品种和施氮试验,通过分析越冬前叶长和叶宽与器官生物量和比叶重之间的定量关系,以及叶弦角和叶切角与比叶重之间的关系,构建了冬小麦越冬前叶片几何参数模型。经独立试验资料检验,冬小麦越冬前叶片主要几何参数叶长、最大叶宽、叶切角和叶弦角实测值与模拟值的RMSE、平均绝对误差（d_a）、平均相对误差（d_ap）和R分别为1.453 cm (n=46)、1.136 cm、11.997%和0.916;0.093 cm (n=46)、0.073 cm、13.396%和0.837;23.906°(n=46)、16.059°、52.153%和0.556;23.706°(n=46)、19.818°、53.966%和0.787,均达极显著水平（P<0.001）,说明实测值与模拟值的吻合程度较好。所建模型可较好地模拟不同品种、不同施氮水平下冬小麦越冬前叶片主要几何参数。     

综合近红外-红波段-短波红外三波段光谱特征空间的小麦冠层含水量反演

为提高返青期-拔节期-开花期-灌浆期不同覆盖条件下小麦冠层含水量的遥感反演精度,综合分析基于Nir-Red和Nir-Swir光谱特征空间开展作物含水量监测的优势与局限,利用垂直干旱指数（perpendicular drought index,PDI）和短波红外垂直失水指数（shortwave infrared perpendicular water stress index,SPSI）的比值形式,构建了一种基于近红外-红波段-短波红外（Nir-Red-Swir）三波段光谱特征空间的垂直植被水分指数（three-band perpendicular vegetation water index,TPVWI）。结果表明,在不同生育时期,TPVWI与小麦冠层含水量（vegetation water content,VWC)均具有显著相关关系（P<0.01）,且对植被含水量的敏感性优于PDI、作物水分监测指数（plant water index,PWI）、SPSI和NDVI 4种植被指数,且在反映小区域内小麦冠层含水量的时空趋势上有较好的表征能力。对比地面实测数据,利用TPVWI建立的作物含水量估测模型的预测精度较高,r与RMSE分别为0.763和2.296%,说明利用综合Nir-Red-Swir三波段光谱空间特征的植被水分指数在监测不同覆盖条件下的作物含水量具有一定的可行性,可丰富当前作物冠层含水量遥感监测的理论方法。     

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GF-6/WFV卫星遥感的大田冬小麦叶片氮素含量估测

为对大田冬小麦叶片氮素含量（LNC）进行快速、准确及无损监测,通过在江苏省泰州泰兴市、盐城大丰区和南通如皋市布设冬小麦遥感监测大田试验,在获取试验样点冬小麦冠层红光波段反射率（RED_ref）、近红外波段反射率（NIR_ref）和计算的十个光谱指数（RVI、NDVI、DVI、SAVI、OSAVI、MSR、RDVI、EVI2、NLI和SVI）基础上,将12个遥感光谱指标与冬小麦LNC进行相关分析,选出与LNC相关性较好的作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型, 并利用GF-6/WFV卫星遥感影像对县域冬小麦LNC的空间分布开展监测。结果表明,12个遥感光谱指标与冬小麦LNC之间存在不同程度的相关性,其中NDVI、RVI、MSR、OSAVI和NLI与冬小麦LNC的相关性较好（相关系数不低于0.65）。将优选的5个遥感光谱指标作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型（LNC-BPEM）,模型的估测精度r²=0.866,RMSE=0.246%,ARE=12.9%。将冬小麦LNC-BPEM估测模型和GF-6/WFV影像结合对县域冬小麦LNC的空间信息监测,获得了如皋县域冬小麦LNC的空间分布特征,该区域冬小麦LNC范围在0.9%~2.0%（长势正常）的种植面积为29 693.3 hm²,占冬小麦总种植面积的74%。这说明利用GF-6/WFV卫星的多个遥感光谱指标与神经网络结合建模可有效估测县域大田冬小麦叶片氮素含量。     

基于上部叶片叶绿素荧光参数的小麦产量预测与评价

为了利用叶绿素荧光快速测定技术实时评价植株光合生产能力以及预测小麦籽粒产量,以豫麦49-198和郑麦9694为试验材料,设置0、90、180、270 kg·hm^-24个氮素水平,通过2014-2016年连续两个生长季的田间试验,在小麦主要生育阶段同步测定植株顶部四片完全展开叶的净光合速率（P_n）、叶绿素荧光参数及叶面积。结果表明,P_n和叶绿素荧光参数因生育时期、氮素水平和叶片位置的不同呈现规律性变化。叶绿素荧光参数F_m′、F_v′、F_v′/F_m′ 和 F_s与P_n 相关性较好,且相关系数（r）均随叶位的降低而降低,其中,F_m′与P_n的相关性最好。将叶面积与对应的净光合速率和叶绿素荧光参数组合出光合性状累积量指标,与P_n 相比,光合累积量与产量的相关性显著提高。组合顶部四片叶,光合累积量与产量相关性在灌浆前期表现最好（r=0.875）。光适应下荧光参数累积量与产量的相关性表明,顶部两片叶的相关性较单叶片或其他叶位组合均表现较好,相关系数在不同荧光参数、生育时期间差异均较大,以F_m′表现最好,其次是F_v′;生育期间比较,孕穗期至灌浆中期整体较好。总体而言,在灌浆前期,顶部两片叶的F_m′累积量能够较好地预测小麦籽粒产量,为小麦生长诊断和田间管理提供技术支持。     

基于生态因子的冬小麦产量遥感估测研究

为提高冬小麦遥感估产的精确性与适用性,在河南省的孟州市和沁阳市利用GPS定位布设田间试验,利用P-6卫星数据进行了冬小麦遥感估产研究.通过对遥感植被指数和冬小麦长势与产量GPS定位数据的综合分析,基于遥感影像信息获取的瞬时性和准确性,结合小麦灌浆期生态条件对小麦产量形成的影响,利用开花期遥感影像归一化植被指数(NDVI)和灌浆期生态因子(气温、日照、氮素营养、土壤水分)建立了冬小麦产量遥感估测模型,并检验了该模型的可靠性.结果表明,模型预测值与实测值较为一致,利用开花期遥感影像NDVI和灌浆期生态数据估测冬小麦产量的RMSE值为369.27 kg·ha-1,相对误差为6.45%.模型估测性能好,且具有一定的解释性.     

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。     

基于无人机多时相遥感影像的冬小麦产量估算

为高效准确地预测小麦产量,以浙江省冬小麦为研究对象,利用四旋翼无人机精灵4多光谱相机获取冬小麦5个关键生育时期（拔节期、孕穗期、抽穗期、灌浆期、成熟期）的冠层多光谱数据,选取多光谱相机的五个特征波段计算各生育时期的72个植被指数,分别通过逐步多元线性回归（SMLR）、偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机（SVM）、随机森林（RF）构建不同生育时期的产量估算模型,最后采用决定系数（R）、均方根误差（RMSE）和相对误差（RE）对估算模型进行评价,筛选出最优估算模型。结果表明,基于随机森林建立的模型估算效果最优,SMLR、PLSR和SVM三种方法建立的模型估算效果接近。利用随机森林算法所建拔节期、孕穗期、抽穗期、灌浆期、成熟期模型的R、RMSE和RE分别为0.92、0.35、11%;0.93、0.33、10%;0.94、0.32、9%;0.92、0.36、9%;0.77、0.67、33%。模型验证时,抽穗期估算效果最好（R、RMSE和RE分别为0.91、0.35和15%）,拔节期、孕穗期、灌浆期估算效果接近且有很好的估算能力,成熟期估算精度最差（R、RMSE和RE分别为0.71、0.47和13%）。由此说明,结合机器学习算法和无人机多光谱提取的植被指数可以提高小麦产量估算效果。     

基于PROSAIL模型和无人机高光谱数据的冬小麦LAI反演

为及时准确高效监测小麦叶面积指数(leaf area index, LAI),获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598～0.717和0.577～0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。     

冬小麦叶片花青素相对含量高光谱监测

为探究冬小麦叶片花青素含量的高光谱监测方法,以陕西省关中地区冬小麦为研究对象,分析了叶片光谱反射率与花青素含量的相关性,建立以不同波段组合的RSI、DSI和NDSI光谱指数为自变量的一元回归模型以及利用偏最小二乘法构建的多元回归模型,并进行模型精度比较。结果表明,所有模型中,开花期的PLS模型精度最高,预测效果最好(建模r~2=0.872 3,RMSE=0.005 9;检验r~2=0.912 8,RMSE=0.004 8),是预测冬小麦花青素的最优模型;各生育时期中,开花期模型精度较高,表现稳定,是预测冬小麦花青素的最佳生育时期。     

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...     

基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算

为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演.结果表明...     

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。