基于无人机高光谱遥感的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

无人机高光谱遥感估算冬小麦叶面积指数

为探讨利用低空无人机平台和高光谱影像对冬小麦叶面积指数进行遥感估算,该研究以拔节期冬小麦小区试验为基础,对原始冠层光谱进行一阶导数和连续统去除光谱变换,并在此基础上提取任意两波段组合的差值光谱指数（Difference Spectral Index,DSI）、比值光谱指数（Ratio Spectral Index,RSI）和归一化光谱指数（Normalized Spectral Index,NDSI）,以最优窄波段光谱指数进行叶面积指数估算模型的构建。结果表明,最优窄波段指数的构成波段主要位于红边区域,最优窄波段指数与叶面积指数均呈现非线性关系;光谱变换显著提升了光谱变量与叶面积指数的相关性,其中连续统去除光谱所获取的NDSI（738,822）光谱指数与叶面积指数的相关性最佳;窄波段光谱指数和随机森林回归算法的叶面积指数估算模型精度最高,其相对预测偏差为2.01,验证集的决定系数和均方根误差分别为0.77和0.27。基于随机森林回归算法的无人机高光谱叶面积指数估算模型能够准确地实现小区域的叶面积指数遥感填图,为后期作物长势、变量施肥等提供理论依据。     

基于支持向量机回归的冬小麦叶面积指数遥感反演

利用单一植被指数反演叶面积指数(LAI)时,存在不同程度的饱和性且每种指数只能包含部分波段的信息,该文提出利用支持向量机回归的方法进行叶面积指数的反演,可以用更多的波段信息作为输入参数以提高LAI反演精度。选取冬小麦起身期、拔节期和灌浆期的实测光谱和叶面积指数数据,用统计回归的方法分别建立NDVI-LAI和RVI-LAI模型,用支持向量机回归(SVR)方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的回归预测模型,即NDVI-SVR、RVI-SVR和NRGB-SVR模型。上述5个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI和RVI与叶面积指数(LAI)的回归模型预测的结果与实测值的RMSE分别为0.98与0.97;预测精度分别为59.2%与59.3%。以NDVI和RVI结合实测叶面积指数(LAI)训练并预测的结果与实测值的均方根误差RMSE分别为0.71与0.83预测精度分别为70.4%与67.1%。以蓝(B)、绿(G)、红(R)以及近红外(NIR)波段作为输入参数回归并预测的RMSE值为0.42,预测精度为81.7%。通过支持向量机回归预测具有更好的拟合效果,可以输入更多波段信息,提高了叶面积遥感反演精度,对冬小麦的多个生育期均具有较好的适用性。     

不同生育时期冬小麦叶面积指数高光谱遥感监测模型

高光谱遥感能快速无损获取植被冠层信息,是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型,提高叶面积指数高光谱监测精度,该研究连续5 a定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数,通过相关分析、回归分析等统计方法,构建不同生育时期冬小麦叶面积指数监测模型。结果表明:不同氮磷水平下,冬小麦叶面积指数随施肥量增加呈递增趋势,随生育时期改变呈抛物线趋势变化;随着氮磷供应量的增加,冠层光谱反射率在可见光波段显著降低2%~5%(P0.05),在近红外波段显著增加4%~10%(P0.05);不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关(P0.01);拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好,决定系数分别为0.952、0.979、0.989、0.960和0.993;以不同年份独立数据验证模型表明,所建预测模型均有较好的验证结果,相对误差分别为13.0%、13.5%、12.8%、12.6%和14.0%,均方根误差分别为:0.313、0.336、0.316、0.316、0.324。因此,优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时,叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。     

联合Terra/Aqua MODIS多角度多光谱数据反演冬小麦叶面积指数

Terra与Aqua双星搭载的MODIS传感器可实现每日上下午分别对同一地点观测一次,并且由于卫星轨道漂移形成累积连续多天的多角度观测特点,加上多通道的光谱响应,极大地丰富了地表目标的观测信息,为LAI等地表参数的实时准确反演提供了可能。该文利用MODIS双星高质量的连续多天的多波段地表反射率数据,结合PROSAIL(PROSPECT+SAIL,properties spectra+scattering by arbitrarily inclined leaves)模型和查找表方法反演冬小麦LAI,并与MODIS LAI产品及野外采样点实测LAI对比,结果表明,联合双星高质量的多角度多波段数据能够较准确反演冬小麦LAI,其反演结果无论从空间分布还是时序变化特征来讲,较MODIS LAI产品更符合实际情况,也更接近地面实测值。该文的研究为充分利用MODIS数据的角度和光谱信息反演小麦等农作物的LAI提供了一定的借鉴。     

融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演

为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,LiDAR)在农作物长势监测方面的潜力,探究机载LiDAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载LiDAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机...     

冬小麦叶面积指数高光谱遥感反演方法对比

冬小麦叶面积指数(LAI,leafarea index)是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数(R2)为0.990、均方根误差(RMSE)为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

利用HJ-1-A/B CCD2数据反演冬小麦叶面积指数

叶面积指数是十分重要的作物生理生态参数,为提高利用国产环境减灾小卫星CCD数据反演冬小麦叶面积指数的精度,该文以5种常用的植被指数(归一化差值植被指数(normalized difference vegetation index,NDVI),增强植被指数(enhanced vegetation index,EVI),双波段增强植被指数(2-bands enhanced vegetation index,EVI2),比值植被指数(ratiovegetation index,RVI),土壤调节植被指数(soil-adjusted vegetation index,SAVI)为基础,结合3种常用的回归模型,按生长阶段比较分析了不同植被指数和回归模型反演叶面积指数的精度。结果表明,除生殖生长阶段外,叶面积指数和5种植被指数之间均有较强的相关关系;指数模型和一元线性模型分别为全生育期和营养生长阶段的最佳拟合模型;EVI在全生育期拟合时的表现好于其他4个指数(R2=0.9348),SAVI则是营养生长阶段表现最佳的指数(R2=0.9404)。该研究为进一步利用植被指数反演叶面积指数提供了参考。     

基于人工神经网络方法的冬小麦叶面积指数反演

实践中,大尺度上测量叶面积指数（LAI）很难实现,利用遥感技术进行LAI的定量反演成为当前研究的重点。该文应用MODIS地表反射率数据反演冬小麦叶面积指数,假设MODIS像元由作物和土壤混合,建立了SAILH模型与裸土反射率组成的线性光谱混合模型,基于人工神经网络的方法进行LAI反演,获得了北京顺义冬小麦种植区在2001年4月1个时间序列的LAI。研究表明,此方法能够较好的获取大区域尺度上的LAI,对冬小麦长势监测具有重要意义。     

基于MODIS 叶面积指数的遥感物候产品反演方法

物候信息是研究植被与气候、环境间关系的重要资料。近年来,遥感技术为物候研究提供了新的手段,物候遥感监测数据已经被广泛应用于植物物候监测、时空变化及其变化响应的研究。然而,有限的遥感物候产品已经限制了遥感物候监测的应用和发展。在总结已有遥感物候监测方法和遥感物候产品的基础上,该文提出一种更具普适性,相对稳定、可靠的遥感物候产品反演生产方法。以2007年中国区域为例,利用地面物候观测数据对结果验证,平均绝对误差为20.6～15.3d,均方根误差达4.0～33.5,二者的相关系数达0.404～0.887,生长周期数反演准确率达到90.12%,该文算法反演成功率达99.93%,较MODIS MLCD产品83.06%的成功率提高了16.87%。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数（leaf are index, LAI）的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证（LOOCV, leave-one-out cross validation）和交叉验证对模型精度进行了检验。结果表明：1）对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差（RMSE, root mean square error, RMSE=0.378）;2）对于各类植被指数,花蕾期（20170616）和花铃期（20170802）时增强植被指数（EVI, enhanced vegetation index,）表现最佳（RMSE分别为0.352和0.367）,开花期（20180623）时校正土壤调节植被指数（MSAVI2, modified soil adjusted vegetation index 2,）估算精度最高（RMSE=0.323）;3）单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的（inverted red-edge chlorophyll index）全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing

冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数（Leaf Area Index,LAI）实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机（Unmanned Aerial Vehicle,UAV）和哨兵二号（Sentinel-2A,S2）多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法（XGBoost、前馈反向传播神经网络（Back Propagation,BP）、支持向量机（SVM）、岭回归（Ridge）、Lasso和弹性网络（ElasticNet））对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明：1）基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R2均高于0.70,RMSE均低于0.349;2）在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度（R2）比其他5种模型分别提高了0.105～0.365和0.283～0.540,RMSE降低了0.100～0.392和0.102～0.518;3）UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合（R2=0.821、RMSE=0.288）,Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合（R2=0.940～0.979、RMSE=0.142～0.104）,不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4）SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度（R2=0.677～0.713）均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。     

高光谱数据估测稻麦叶面积指数和叶绿素密度

该研究利用高光谱遥感技术分析水稻和小麦两种作物不同生育期的冠层光谱及其叶面积指数和叶绿素密度的变化,比较高光谱植被指数与两种作物的叶面积指数和叶绿素密度之间的关系,最后确定估算两种作物的叶面积指数和叶绿素密度最佳植被指数。结果表明：水稻和小麦两作物的叶面积指数和叶绿素密度在整个生育期内的变化规律基本一致,即先升高后下降的趋势,但两作物叶绿素密度与叶面积指数最大值出现的时期不同;稻麦两作物在整个生育期内的光谱反射率曲线,在可见光区域（400～700 nm）变化无明显规律,在近红外区域（700～1 000 nm）,生育前期反射率由低到高,到生育后期则由高到低,其中最大值分别出现在抽穗期和灌浆期左右;通过14种植被指数与两作物的叶面积指数和叶绿素密度相关性比较分析得知,二次修正土壤调节植被指数（MSAVI2）与水稻农学参数相关性最好,相关系数r＞0.91,而小麦在800 nm处的光谱反射率(R800)与其农学参数相关性最好,相关系数r＞0.92;并利用线性回归的方法,建立了估算两作物叶面积指数和叶绿素密度的模型,决定系数R2＞0.85。这样为不同环境条件下（水作和旱作）农作物的动态监测和科学管理及决策提供了技术支持。     

基于热点植被指数的冬小麦叶面积指数估算

针对传统植被指数方法中利用单一方向的光谱特性估测LAI容易出现饱和现象和冠层结构信息不足的缺陷,以二向反射特性的归一化植被指数(NHVI)为基础,将表征叶片空间分布模式的热暗点指数(HDS)引入土壤调整型植被指数(SAVI),增强型植被指数(EVI)中,构建具有二向反射特性的土壤调整型热点植被指数(SAHVI)和增强型热点植被指数(EHVI)。同时使用红光,近红外,蓝光和绿光波段计算HDS,选择对LAI敏感性较高的HDS参与构建新型植被指数,并利用试验测量的小麦冠层二向反射率数据和叶面积指数,研究新型植被指数与LAI的线性关系。结果表明:基于蓝光和红光波段计算的HDS参与构建的EHVI、SAHVI与LAI的线性相关程度要优于EVI、SAVI,且较NHVI有进一步提高,能有效缓解LAI估算中植被指数饱和现象。     

中小区域尺度时间序列林地LAI快速估测方法

时间序列LAI对模拟大气与植被边界上的碳水交换过程至关重要,其已经成为众多区域尺度的碳水循环机理模型研究中重要的驱动数据。针对低空间分辨率MODIS LAI产品在中小区域尺度应用时表达LAI的空间异质性精度差问题,该研究提出了一种中小区域尺度时间序列林地LAI快速估测方法。该方法首先提取了林地MODIS LAI的归一化生长曲线,利用三次样条插值函数进行归一化LAI曲线的拟合,以此曲线模拟LAI的全年变化情况;其次基于传统遥感统计模型和TM遥感数据估测展叶完全时期的LAI,作为研究区域LAI的最大值并以此控制LAI生长曲线;最后将归一化LAI拟合函数与最大LAI相乘得到时间序列LAI数据集。试验结果表明:MODIS LAI产品对中小区域尺度较高空间分辨率LAI值的估测不够准确,但MODIS LAI归一化生长曲线与归一化的实际LAI生长变化情况保持较高的一致性,可以用来模拟LAI的全年变化情况;该研究提出的方法可简单、高效地为中小区域尺度的其他研究提供有效的时间序列林地LAI数据。     

油菜红边特征及其叶面积指数的高光谱估算模型

在2003～2004年油菜生长季,选用6个油菜品种,设置3个氮素水平的小区试验。在不同发育期同步测定油菜冠层的光谱反射率及对应叶片的叶面积指数。利用油菜冠层的光谱反射率数据提取红边参数,分析其变化规律,油菜叶面积指数与红边参数的相关性,估算结果表明：油菜冠层红边一阶导数光谱具有“双峰” 现象,红边位置λ_red位于690～720 nm之间,在油菜生长旺盛期间出现“红边平台”,前期有“红移”,后期有“蓝移”现象;叶面积指数与冠层光谱红边参数λ_red、Dλ_red、S_red之间在开花前存在显著相关,但开花后相关性不显著;利用开花前的红边参数可以估算油菜的叶面积指数,开花后的红边参数不能用于估算油菜的叶面积指数;最后建立了不同时期和开花前油菜叶面积指数的估算模型。     

基于多光谱影像和机器学习算法的红树林树种LAI估算

为了提高无人机遥感对冬小麦叶面积指数（leaf area index,LAI）反演模型的精度与泛化能力,该研究利用无人机搭载多光谱相机获取不同氮素处理和不同复种方式的冬小麦生长实测数据,结合PROSAIL辐射传输模型生成包含机理信息的模拟数据,基于不同组合方式建立了5种LAI反演混合数据集,结合多种机器学习方法,以期构建经验与机理相结合的LAI高精度反演模型。由于LAI反演受近红外波段（near infrared,NIR）反射率影响大,该研究筛选7种与NIR波段相关的植被指数提取冬小麦光谱特征,构建与混合数据集LAI的相关系数矩阵,进一步探究不同光谱特征对冬小麦LAI的影响程度。在此基础上,采用具有代表性和普适性的4种机器学习方法,即贝叶斯岭回归模型、线性回归模型、弹性网络模型和支持向量回归模型,构建不同冬小麦LAI反演模型,用以评估基于半经验半机理数据反演冬小麦LAI的可行性,进一步探索其对不同氮素水平和复种方式的冬小麦长势评估能力。结果表明：1）筛选的与NIR波段相关的植被指数与冬小麦LAI之间存在较强的相关性,其中归一化差异植被指数、增强植被指数、归一化差异红边指数、比值植被指数、红边叶绿素植被指数、土壤调节植被指数与LAI呈正相关,结构不敏感色素植被指数与LAI呈负相关;2）辐射传输模型中体现了冬小麦LAI影响太阳光线传播的机理,结果表明,与实测数据混合建立的模型,具有较强的鲁棒性和泛化能力。相比于其他3种模型,支持向量回归模型在各种数据组合下均取得了较好的LAI预测性能,在C1、C2、C3、C4这4种训练-测试组合的训练集中R²依次为0.86、0.87、0.88、0.91,RMSE依次为0.47、0.45、0.45、0.41;在测试集的R²依次为0.85、0.19、0.89、0.87,RMSE依次为0.45、1.31、0.49、0.50;3）使用支持向量机生成试验区LAI反演图,对4种氮素水平和2种复种方式的冬小麦长势评估,结果表明,适当的施加氮素处理能提高冬小麦LAI值,麦-豆复种方式下的冬小麦LAI值普遍高于麦-玉复种的LAI值。该研究为冬小麦LAI的反演提供了一种有效的方法,并为高效评估冬小麦长势研究提供了参考。