基于无人机遥感影像的大豆叶面积指数反演研究

作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。     

基于多生育期光谱变量的水稻直链淀粉含量监测

直链淀粉含量是评价稻米品质的重要指标之一,其累积生长过程是多生育期、多因素综合作用的结果。为了探究多生育期信息引入对水稻籽粒直链淀粉含量监测模型的影响,实现水稻品质信息的大规模准确监测。该研究选取水稻孕穗期、抽穗期、灌浆期和成熟期这4个有关水稻籽粒形成发育的生育期的冠层光谱,分析原光谱、植被指数、高光谱特征参数,及其变换形式与水稻籽粒直链淀粉含量的相关性,筛选得到相关性较好的光谱变量,并利用逐步回归的方法进行建模,建立基于多生育期光谱变量的直链淀粉含量预测模型。结果表明:一阶导数、差值植被指数(Difference Vegetation Index,DVI)、比值植被指数(Ratio Vegetation Index, RVI)及成熟期特征参数表现出较高敏感性,最适用于直链淀粉含量预测的生育期为成熟期,而多生育期信息的综合利用能显著提高模型预测精度,最佳多生育期预测模型为孕穗-抽穗-成熟期组合模型,建模决定系数(Coefficient of Determination, R^2)为0.708,均方根误差(Root Mean Square Error, RMSE)为0.711%,平均绝对百分比误差(Mean Absolute Percent Error, MAPE)为3.22%,验证R2为0.631,RMSE为0.768%,MAPE为3.99%,证明该模型能较为精确地预测籽粒直链淀粉含量,为稻米品质指标大尺度统计监测提供一定的技术支撑和应用基础。     

烤烟叶片镉含量高光谱预测模型的构建

为快速准确地获取烟草叶片镉含量,本研究模拟了4个镉污染水平,用美国ASD光谱仪获取每个污染水平的烟草叶片光谱反射率,并测定不同时期烟草叶片的镉含量,筛选出与镉含量相关性最好的敏感波段,并建立光谱参数,将光谱参数作为输入因子建立烟草叶片镉含量的BP神经网络模型。结果表明:随着镉含量增加,在可见光和近红外范围(400～910 nm)内反射率先降低后增加,在930～1 000 nm波段范围内,叶片反射率与烟叶中镉含量呈正相关,在1 000～2 500 nm波段范围内反射率先增加后降低。经筛选,比值植被指数(RVI)和归一化植被指数(NDVI)的光谱指数分别为RVI(520,710)和NDVI(530,710);BP神经网络模型的决定系数(R~2)为0.681,均方根误差(RMSE)为8.001,并对模型进行检验,R2为0.801,RMSE为4.430。研究表明,BP神经网络模型对烟草叶片镉含量具有良好的预测效果。     

用多辐射校正水平遥感数据提取植被叶面积指数的精度分析

选用南京市SPOT5 HRG图像的地物反射率(PAC)、表观反射率(TOA)、星上辐射率(SR)和灰度值(DN)影像,提取了2种植被指数(VI),即归一化植被指数(NDVI)和比值植被指数(RVI),与地面实测的植被叶面积指数(LAI)进行了相关分析,并建立了157个LAI-VI关系模型。结果显示:LAI与VI呈显著的正相关关系(r=0.303~0.927,p0.01),对应不同植被的优选模型自变量包括了3个辐射校正水平的2种植被指数,可见基于不同辐射校正水平的植被指数在LAI遥感反演中具有一定的应用潜力。这些优选模型为:阔叶林:LAI=-3.345+5.378RVISR+7.329NDVISR(R2=0.818,RMSE=0.527),针阔混交林:LAI=1.696+17.076NDVIDN+137.684(NDVIDN)2-288.240(NDVIDN)3(R2=0.919,RMSE=0.440),灌木:LAI=-0.065+19.112NDVISR-113.820(NDVISR)2+184.207(NDVISR)3(R2=0.900,RMSE=0.448),草地:LAI=-5.905+6.446RVISR+9.477NDVISR(R2=0.944,RMSE=0.378),植被总体:LAI=-1.615+7.199NDVIDN+2.640NDVISR+2.105RVIPAC(R2=0.801,RMSE=0.668)。研究表明,基于不同植被类型、不同辐射校正水平影像的LAI遥感估算有利于充分挖掘遥感影像信息,进而提高LAI估算的精度。     

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(invertedred-edge chlorophyllindex)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。     

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。     

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便,可以按需获取高空间分辨率影像,是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题,该研究以DJI S1000+无人机为平台,搭载法国Parrot Sequoia相机,获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像,采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数,所构建的植被指数包括归一化植被指数（normalized difference vegetation index,NDVI）、叶绿素指数（grassland chlorophyll index,GCI）、比值植被指数（ratio vegetation index,RVI）、归一化红边红指数（normalized difference rededge-red index,NDIrer）、归一化红边绿指数(normalized difference rededge-green index,NDIreg)和重归一化植被指数(renormalized difference vegetation index,RDVI),通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析,以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数,以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现,在分辨率为0.6 m时,NDVI与地面实测LAI之间的决定系数R2为0.80,决定系数达到了最大,利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73;在分辨率为0.1 m时,NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70,决定系数达到了最大,利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说,不包含绿波段的植被指数的LAI反演精度较高,这说明绿波段对LAI的变化不敏感;② 对于玉米冠层叶绿素含量反演来说,包含红边波段的植被指数的反演精度较高,因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m,此时NDVI与实测LAI的决定系数达到最大;反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内,此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。     

基于便携式三波段作物生长监测仪的水稻长势监测

针对现有两波段光谱仪在实际应用中存在的植被指数单一、生长指标反演精度低等问题,该研究研发了一款便携式三波段作物生长监测仪CGMD303（Crop-Growth Monitoring and Diagnosis,CGMD）并于2018年7-8月开展了水稻田间试验研究。结果表明,CGMD303获取的植被指数与商用仪器ASD FieldSpec HandHeld2呈良好的线性相关关系,同时基于CGMD303构建的水稻生长监测模型可以有效预测叶面积指数、叶片干重、叶片含氮率和叶片氮积累量,决定系数分别为0.85、0.72、0.45和0.68,相对均方根误差分别为0.21、0.32 g/m2、0.13%和0.39 g/m2。CGMD303可以有效获取冠层光谱反射率,构建的水稻指标监测模型可以精确预测叶面积指数、生物量和氮素指标,可为水稻田间栽培工作提供决策依据。     

北京山区森林叶面积指数季相变化遥感监测

森林叶面积指数(LAI)遥感反演,对于区域环境生态监测具有重要意义。该文以北京市西北山区鹫峰国家森林公园为研究区,获取多时相Landsat5 TM数据,并利用半球形照相机(Hemispherical Photography)同步获取森林LAI。使用3种植被指数(归一化植被指数NDVI、增强植被指数EVI和三梯度差植被指数TGDVI),分别建立单个观测时期及整个时期的LAI反演模型,通过相关性分析筛选出最佳模型。研究表明利用整个时期的LAI建立的模型精度较高,其中最好的是基于NDVI的LAI指数模型。利用该模型反演森林LAI,生成基于时间序列的北京山区森林LAI分布图。该研究进一步分析了阔叶林、针叶林和混交林3种情况,结果表明,与不分植被类型的LAI反演模型精度比较,阔叶林和混交林有所提高,而针叶林稍微下降,但模型精度均达到显著水平。     

基于便携式作物生长监测诊断仪的江西双季稻氮肥调控研究

建立基于便携式作物生长监测诊断仪的江西双季稻氮肥调控模型,利用模型推荐穗肥追氮量,实现江西双季稻氮肥追施的精确管理。基于不同株型品种和氮肥处理的田间试验资料,构建了双季稻叶面积指数光谱监测模型,利用拔节期的差值植被指数实时估测叶面积指数,进而结合江西双季稻高产栽培经验和建立的氮肥调控模型,对双季稻穗肥追氮量进行实时推荐,并和当地农户施肥方案和产量进行比较。双季稻关键生育期(分蘖期、拔节期、孕穗期、抽穗期和灌浆期)的冠层差值植被指数DVI(810,720)与叶面积指数均呈显著正相关,线性函数拟合效果优于其他函数。利用独立试验资料对所建模型进行了检验,单生育期的模型预测效果优于全生育期模型;其中,拔节期的光谱监测模型表现最佳,早稻和晚稻叶面积指数的光谱监测模型的R2分别为0.880 6和0.878 8,模型预测早稻和晚稻叶面积指数的均方根误差、相对均方根误差、相关系数分别为0.30和0.25、7.28%和6.18%、0.923 2和0.926 9。氮肥调控模型推荐施肥应用表明,紧凑型品种的穗肥用量高于松散型品种;与农户方案相比,氮肥调控模型推荐施肥的调控方案在产量不降低的情况下减少氮肥用量6.58kg/hm2,提高氮肥农学利用率0.82个百分点、净收益103元/hm2和产投比0.9,而产量比农户方案略高或持平。与传统非定量农户施肥法相比,基于便携式作物生长监测诊断仪的双季稻氮肥调控方法可在保证产量的情况下,减少施氮量,提高氮肥农学利用率,获得更高经济效益,在江西双季稻生产中具有推广应用价值。     

水稻遥感估产模拟模式比较

通过大田小区试验,测定了2个品种、3个供氮水平处理的水稻抽穗后不同时期冠层的光谱反射率、叶面积指数及最后的理论产量和实际产量,模拟MSS、TM、SPOT、资源一号CCD相机、IKONOS、MODI S和高光谱的波段来构建光谱差值植被指数DVI、比值植被指数RVI、差值归一化植被指数NDVI和绿度G,并模拟建立遥感估产模式.结果表明:单变量估产模式以差值植被指数DVI效果最好,蜡熟期估产效果要优于抽穗期和灌浆期;多时期复合估产模式估产效果要优于单一生育期;成熟期各种数据的DVI估产模式具有相近估产精度,达91%以上,其中MSS波段的估产精度最高.     

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。     

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。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

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。     

水稻微分光谱和植被指数的作用探讨

通过两年两个不同品种水稻在不同供氮水平下的田间试验，测定了水稻冠层在生长过程中不同时期的高光谱反射率及对应的叶绿素、类胡萝卜素含量，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度和供氮水平之间有一定的相关性，与叶面积指数、地上生物量及冠层叶绿素、类胡萝卜素含量有显著相关；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平、叶面积指数、地上生物量及叶绿素、类胡萝卜素含量之间存在相关性。这表明，用微分光谱技术与植被指数方法来监测水稻的色素含量和长势应该是可行的。     

基于温湿度与遥感植被指数的冬小麦赤霉病估测

为明晰江淮区域大田冬小麦赤霉病的发生特征,建立冬小麦赤霉病遥感估测模型,该文分析了冬小麦赤霉病病情指数与气候因素(不同时间尺度日均气温和日均空气相对湿度)、生长参数(生物量、叶面积指数和叶片叶绿素含量)和光谱信息(NDVI、RVI和DVI)之间的互作关系。结果表明:1)不同时间尺度日均气温之间存在较好相关性,5日均气温与冬小麦赤霉病病情指数间的相关系数最大为0.77。与日均气温相类似,不同时间尺度日均空气相对湿度之间也存在不同程度的相关性,5日均空气相对湿度与赤霉病病情指数间的相关性最大,其相关性高于5日均气温。2)冬小麦生物量、叶面积指数和叶片叶绿素含量与赤霉病病情指数之间均呈线性正相关关系,且均达到显著水平,说明冬小麦群体密度大、郁闭程度高以及长势过旺是赤霉病易发的主要农学诱因。3)遥感植被指数NDVI(normalized difference vegetation index)、RVI(ratio vegetation index)和DVI(difference vegetation index)分别与冬小麦叶面积指数、生物量和叶片叶绿素含量之间有较好相关性,可以利用NDVI、RVI和DVI分别替换叶面积指数、生物量和叶片叶绿素含量参与建模。4)综合5日均气温、5日均空气相对湿度、NDVI、RVI和DVI 5个敏感因子,构建基于温湿度与遥感植被指数的冬小麦赤霉病病情指数估测模型,模型的估测值与实测值较为一致,RMSE为5.3%,相对误差为9.54%。说明本研究所建立的估测模型可以实现对冬小麦始花期赤霉病的有效估测,该研究可为江淮区域冬小麦生产中防病减灾的信息获取提供方法参考。     

不同土壤水分条件下玉米叶片/冠层气孔导度的光谱监测模型

通过玉米水分控制试验,测定不同水分条件下各生育期叶片气孔导度、叶面积指数和冠层光谱反射率等,以分析玉米叶片气孔导度的变化规律及其与光谱植被指数的相关性,从而建立基于光谱植被指数和土壤湿度的叶片气孔导度模型。结果表明：玉米在可见光区和近红外中、长波区的反射率随着土壤水分的降低而上升,但叶片气孔导度（Gs）、叶面积指数（LAI）、比值植被指数（RVI）和归一化植被指数（NDVI）随着土壤水分的下降而降低;玉米NDVI和RVI与单叶片和冠层气孔导度均呈极显著指数函数关系（P〈0.01）,且对单叶片气孔导度的拟合效果优于对冠层导度的拟合效果,而经土壤湿度订正的RVI监测模型优于NDVI监测模型。表明通过测定冠层反射光谱率可实时、迅速地定量监测玉米叶片的气孔导度,为大面积作物气孔导度估算奠定基础。