不同灌溉条件下冬小麦叶面积指数的高光谱监测

LAI是作物长势监测的一个重要指标,实时、无损和准确地估测冬小麦LAI具有重要的实践意义。通过对冬小麦进行不同的灌溉处理试验,研究LAI与冠层光谱反射率的关系,计算350～2 450 nm不同波段组合的原始光谱指数和导数光谱指数,筛选最优波段组合光谱指数,并建立LAI的监测模型。结果表明,冬小麦LAI与冠层光谱反射率和不同波段组合光谱指数相关性较好;冬小麦LAI监测的最优光谱指数为DVI(435,447),以此为自变量建立的指数模型y=10.669e~(-701.9x)表现最优,模型最稳定。     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。     

基于CASI高光谱遥感数据的森林叶面积指数反演

高光谱遥感技术能够快捷、准确、无损坏地估测森林LAI,从而有效地监测森林长势,估测森林生物量,评价森林病虫害等.以黑龙江凉水自然保护区为例,利用高光谱遥感技术和GPS测量技术,结合地面实测LAI数据,采用从CASI图像提取的NDVI、SR 、MSAVI 3种植被指数,与地面实测的LAI建立统计回归模型,然后再从众多的统计模型中根据相关系数,筛选出由CASI反演LAI的最佳植被指数和回归模型.     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。     

基于PROSAIL模型的山地草原叶面积指数高光谱反演

【目的】 研究基于PROSAIL模型监测天然草地的动态变化,掌握草地的质量与数量。【方法】 研究使用地物光谱仪连续3年在天山北坡中段的2个山地草原样区采集光谱数据和配套数据,基于PROSAIL模型进行冠层LAI的高光谱反演,重点研究应用不同代价函数、植被种类变化对反演精度的影响。【结果】 多数代价函数反演LAI的决定系数(R²)在0.54~0.55,均方根误差(RMSE)在0.23~0.25,归一化均方根误差(NRMSE)在17~19。在9个来自不同统计类型的代价函数中,常用的RMSE代价函数的反演精度相对不高。将获取的427个样方数据依据种类数分成组,然后用PROSAIL进行LAI反演。种类数越多,RMSE在增大,R²在减少,反演精度越差。但精度的下降幅度不是均匀的,种类数≤2的组和种类数≤3的组之间精度差异最大。【结论】 在利用物理模型反演天然草地的叶面积指数时,不同代价函数获得的反演精度差别比较大;随着植被种类数量的增多,反演的精度是下降的。     

基于高光谱的阿克苏市枣叶面积指数估算模型

[目的]通过将原始光谱数据经过不同的数据变换方式,分析其与枣冠层LAI的相关关系,建立基于高光谱的阿克苏市枣冠层LAI的估测模型,为快速、精确、无损伤、大范围的适时、动态监测植被LAI提供有效途径.[方法]基于原始光谱数据的不同数据变换方式,采用相关性分析和逐步回归分析方法.[结果]不同数据变换后的冠层光谱反射率与枣LAI具有较好的相关性,微分变换后的相关性较原始相关性有所提升.所建模型经过精度评价发现,原始光谱数据经倒数一阶微分变换后估测模型拟合度和预测精度都最高,一阶微分、对数一阶微分、归一化一阶微分次之.[结论]不同数据变换方式后的光谱数据与塔里木盆地枣LAI有显著的相关性,可以用微分、对数微分、归一化微分、倒数微分变换后的数据建立较理想的塔里木盆地枣LAI的估测模型.     

冬小麦叶面积矫正系数及叶面积指数的研究

以河北省目前生产上应用的四个冬小麦品种为对象，研究了冬小麦春生六叶片的叶面积矫正系数及群体叶面积指数的速测方法。结果表明：（１）ｒ值与密度无关；（２）品种间ｒ值无差异；（３）春生六片叶间ｒ值差异显著，随着叶位升高ｒ值变小，根据ｒ值可将六片叶分为三组，     

基于高光谱和GA-BP神经网络模型的冬小麦叶绿素含量反演

叶绿素是绿色植被进行光合作用的主要色素,是影响作物产量的重要因素之一,也是评价作物健康状况的重要生化指标。快速、准确、无损地监测作物叶片叶绿素含量,是实现作物长势和健康程度精准监测的关键。为提高作物叶绿素含量反演的精度,以冬小麦试验小区为基础,测量关中地区冬小麦叶片反射率及其对应的叶绿素含量。运用分数阶微分法计算0～2阶步长为0.1的分数阶光谱,通过灰色关联分析法提取出与叶绿素含量关联度大的特征,作为模型的输入参数。最终提取出0.6阶751、760 nm, 0.7阶744、751 nm, 0.8阶738、747 nm, 0.9阶738、750 nm, 1.0阶731、750 nm共10个与叶绿素含量关联度高的波段作为模型的特征波段。为解决BP神经网络(back propagation network)收敛速度慢、易陷入局部极小值的问题,使用遗传算法(genetic algorithm, GA)优化BP神经网络的权值和阈值,利用优化后的模型进行叶绿素含量的预测。结果表明,运用遗传算法优化BP神经网络模型反演精度较高,r²为0.952,均方根误差(RMSE)为3.64...     

基于冬小麦冠层数码图像的叶面积指数和叶片SPAD值的估算

为探究冠层图像分析技术在冬小麦长势监测中应用,6个施氮水平的田间试验条件下,在冬小麦拔节期采集冠层图像,并同步测定冬小麦叶面积指数和叶片SPAD值.通过图像分析软件计算了冬小麦冠层覆盖度及红、绿、蓝亮度值等10种色彩指数,分析了叶面积指数及叶片SPAD值与色彩指数和冠层覆盖度的相关性,利用逐步回归方法构建了叶面积指数及叶片SPAD值的估算模型.结果表明:冬小麦拔节期叶面积指数与冠层覆盖度及几个色彩指数呈极显著相关;叶片SPAD值与红光标准化值等几个色彩指数呈极显著相关;利用叶面积指数估算模型计算的预测值与实测值的线性回归方程的决定系数为0.771,相对均方根误差为25.181％;利用叶片SPAD值估算模型计算的预测值与实测值的线性回归方程的决定系数为0.644,相对均方根误差为6.734％.相关分析和估算模型验证结果表明,基于冠层图像分析的冬小麦拔节期叶面积指数和叶片SPAD值的监测是可行的.     

花生红边特征及其叶面积指数的高光谱估算模型

选用大花生品种丰花1号作为试验材料,设置5个氮素水平的小区试验。在不同发育期同步测定花生冠层的光谱反射率及其叶面积指数,利用花生冠层的光谱反射率数据提取红边参数,分析其变化规律及花生叶面积指数与红边参数的相关性。估算结果表明：花生冠层红边一阶微分光谱呈“双峰”现象,红边位置位于707～724 nm之间,在花生生长旺盛期间出现“红边平台”,结荚期以后有明显的“蓝移”现象;叶面积指数与冠层光谱红边参数之间在结荚期-饱果初期显著相关,但开花期相关性不显著,利用结荚期-饱果期的红边参数可以估算花生的叶面积指数,最后建立了结荚期-饱果期和整个生育期的花生叶面积指数的估算模型。     

不同CO2浓度变化下干旱对冬小麦叶面积指数的影响差异

叶面积指数是作物生长状况的一个重要表征参数,也是研究陆地生态系统的一个重要的参数.当今世界温室气体排放逐年上升,气候变暖趋势明显,对气候变化敏感的农业将受到影响.在全球变化的背景下,采用农业技术转移决策支持系统(DSSAT)系统,通过在黄淮海平原典型站点模拟3种CO2浓度条件下冬小麦在水分充足和水分亏缺2种情境下的生长过程,分析不同CO2浓度下水分亏缺对冬小麦叶面积指数的影响差异.研究发现,CO2浓度升高对叶面积指数增长有促进作用,且在干旱情况下对叶面积指数的正效应比湿润情况下更为明显,在CO2浓度倍增条件下,发生水分亏缺的作物叶面积指数数倍增长.研究结论有助于分析CO2浓度变化对农作物生长过程的影响,为农田水分管理提供依据,又为估算叶面积指数提出了一种模型的方法.     

基于双波段光谱仪CGMD-302的小麦叶面积指数和叶干重监测

为探究双波段光谱仪CGMD-302在监测小麦长势上的可靠性与精准性,同时使用高光谱仪UniSpec SC与双波段光谱仪CGMD-302测试各生育时期小麦冠层信息,并定量分析了植被指数NDVI、RVI、DVI与叶面积指数和叶片干重之间的线性关系。结果表明,基于相同波段反射率计算出的高光谱仪植被指数和双波段光谱仪植被指数均能较好监测小麦群体长势。在CGMD-302监测的叶面积指数模型中,拟合方程的决定系数(R~2)均高于0.89,用以检验模型的均方根误差(RMSE)和相对误差(RE)分别小于0.792和0.225;叶片干重模型中,决定系数(R2)均高于0.85,用以检验模型的均方根误差(RMSE)和相对误差(RE)分别小于440kg/hm~2和0.239。通过分析发现,施氮270kg/hm~2既能保证产量又能兼顾品质,可作为适宜施氮量。适宜施氮量下,拔节期和孕穗期小麦适宜叶面积指数分别为:3.65±0.09和5.95±0.32;适宜叶干重分别为:(1 554±168)和(2 231±130)kg/hm~2。结合CGMD-302监测模型可推算出拔节期和孕穗期适宜冠层群体的植被指数区间并应用于冠层群体诊断。     

Rapid determination of leaf water content for monitoring waterlogging in winter wheat based on hyperspectral parameters

Waterlogging is becoming an obvious constraint on food production due to the frequent occurrence of extremely high-level rainfall events. Leaf water content(LWC) is an important waterlogging indicator, and hyperspectral remote sensing provides a non-destructive, real-time and reliable method to determine LWC. Thus, based on a pot experiment, winter wheat was subjected to different gradients of waterlogging stress at the jointing stage. Leaf hyperspectral data and LWC were collected every 7 days after waterlogging treatment until the winter wheat was mature. Combined with methods such as vegetation index construction, correlation analysis, regression analysis, BP neural network(BPNN), etc., we found that the effect of waterlogging stress on LWC had the characteristics of hysteresis and all waterlogging stress led to the decrease of LWC. LWC decreased faster under severe stress than under slight stress, but the effect of long-term slight stress was greater than that of short-term severe stress. The sensitive spectral bands of LWC were located in the visible(VIS, 400–780 nm) and short-wave infrared(SWIR, 1 400–2 500 nm) regions. The BPNN Model with the original spectrum at 648 nm, the first derivative spectrum at 500 nm, the red edge position(λr), the new vegetation index RVI(437, 466), NDVI(437, 466) and NDVI′(747, 1 956) as independent variables was the best model for inverting the LWC of waterlogging in winter wheat(modeling set: R~2=0.889, RMSE=0.138; validation set: R~2=0.891, RMSE=0.518). These results have important theoretical significance and practical application value for the precise control of waterlogging stress.     

基于APSIM的旱地小麦叶面积指数模拟模型构建

为了解旱地小麦叶片生长规律,建立基于APSIM的小麦叶面积潜在生长率模型和叶面积水、氮协同生长率模型,并在田间试验修订参数的基础上,连接到APSIM平台,模拟小麦叶面积指数动态变化过程,采用相关性分析方法定量分析小麦叶面积指数的变化规律。结果表明：基于APSIM的小麦叶面积潜在生长率模型和叶面积水、氮协同生长率模型对旱地小麦生长指标LAI的模拟有较高精度。小麦全生育期内叶面积指数模拟值与实测值呈显著正相关,相关系数(R)为0.996,归一化均方根误差(NRMSE)范围在3.08%～9.38%,模型有效性指数(M_E)为0.594～0.956,均大于0.5。     

Determination of critical nitrogen dilution curve based on leaf area index for winter wheat in the Guanzhong Plain,Northwest China

Excessive use of nitrogen(N) fertilizers in agricultural systems increases the cost of production and risk of environmental pollution. Therefore, determination of optimum N requirements for plant growth is necessary. Previous studies mostly established critical N dilution curves based on aboveground dry matter(DM) or leaf dry matter(LDM) and stem dry matter(SDM), to diagnose the N nutrition status of the whole plant. As these methods are time consuming, we investigated the more rapidly determined leaf area index(LAI) method to establish the critical nitrogen(N_c) dilution curve, and the curve was used to diagnose plant N status for winter wheat in Guanzhong Plain in Northwest China. Field experiments were conducted using four N fertilization levels(0, 105, 210 and 315 kg ha-1) applied to six wheat cultivars in the 2013–2014 and 2014–2015 growing seasons. LAI, DM, plant N concentration(PNC) and grain yield were determined. Data points from four cultivars were used for establishing the N_c curve and data points from the remaining two cultivars were used for validating the curve. The N_c dilution curve was validated for N-limiting and non-N-limiting growth conditions and there was good agreement between estimated and observed values. The N nutrition index(NNI) ranged from 0.41 to 1.25 and the accumulated plant N deficit(N_(and)) ranged from 60.38 to –17.92 kg ha~(-1) during the growing season. The relative grain yield was significantly affected by NNI and was adequately described with a parabolic function. The N_c curve based on LAI can be adopted as an alternative and more rapid approach to diagnose plant N status to support N fertilization decisions during the vegetative growth of winter wheat in Guanzhong Plain in Northwest China.     

Phytopathological characteristics of leaf rust resistance of new winter wheat varieties

The characteristics of types of leaf rust resistance of 14 winter wheat varieties under artificial climate chamber and field conditions as well as recommendations on their effective use are given.     

基于多角度高光谱遥感的冬小麦叶片含水率估算模型

准确的作物水分监测对于旱情评估具有重要意义。在分析研究区冬小麦多角度光谱特征后,利用不同水分处理下冬小麦实测叶片含水率和实测多角度光谱数据,基于植被光谱指数法,建立不同观测角度下冬小麦光谱植被指数、水分敏感波段光谱指数与叶片含水率之间的数学模型。结果显示,相对方位角与相对天顶角越小时,观测到的光谱指数与叶片含水率的相关关系越优;敏感波段组合构建的光谱指数中,1450nm波段分别与其他波段组合的NDSI、RSI指数与叶片含水率相关性在各观测角度条件下均较好,1 450 nm波段是冬小麦叶片含水率研究的最佳敏感波段;选取常见的4种植被指数(NDVI、EVI、WI和NDII)中WI和NDVI在各观测角度下与叶片含水率的相关性优于其他两种指数,决定系数R2均在0.83以上,P0.01呈极显著相关;综上建立的多角度光谱叶片含水率估算模型,平均相对误差MRE均小于0.154、均方根误差RMSE均小于0.098,拟合效果较好,尤其是光谱指数NDSI1160,1450、NDSI980,1450和植被指数NDVI、WI;基于以上4种指数建立的最优观测角度(0°,30°)模型,其中植被指数WI的估算效果最好,相关系数在各角度均达到5%的相关显著水平,MRE0.03,可作为最优观测角度反演研究的最优植被指数。     

不同CO2浓度和氮水平对冬小麦光合和生长特性的影响

为揭示高CO₂浓度处理下,不同氮水平对冬小麦光合作用、生物量积累和产量的影响,利用开顶式气室(OTC),以冬小麦品种宁麦13为试验材料,开展不同CO₂浓度(C,环境CO₂浓度;T,高CO₂浓度,比环境CO₂浓度高200 μmol·mol^-1)和氮水平(LN,低氮,90 kg·hm^-2;HN,高氮,240 kg·hm^-2)的交互试验,测定不同处理下不同生育期冬小麦的光合特性、叶片碳氮含量、地上部生物量和产量。结果表明,CO₂浓度升高提高了冬小麦的净光合速率,在低氮水平下增幅为78.4%,在高氮水平下增幅为77.2%。在开花期和灌浆期,高氮水平对冬小麦地上部干物质量积累有明显促进作用。各处理中,C-LN的产量最低,T-HN的产量最高,且二者差异显著(P<0.05)。以上结果说明,在未来CO₂浓度升高条件下,可通过增施适量的氮肥提升冬小麦的生物量和产量。     

基于全局敏感性分析与机器学习的冬小麦叶面积指数估算

在小麦叶面积指数(leaf area index, LAI)的估算过程中,光谱变量与机器学习算法(MLs)相结合的方法具有较好的性能,但由于输入参数过多会导致数据冗余,使得计算效率降低。为了提高LAI估算的精度和MLs的计算效率,本研究提出了全局敏感性分析(global sensitivity analysis, GSA)与MLs相结合的方法(简称GSA-MLs)。首先,基于PROSAIL模拟数据集,利用GSA量化植被生长参数对Sentinel-2光谱变量的影响;此外利用4种变量筛选策略对所有光谱变量进行排序,并选择最优变量作为MLs的输入参数。然后,通过偏最小二乘回归(partial least square regression, PLSR)、支持向量机(support vector machine, SVM)和随机森林(random forest, RF)3种MLs对小麦叶面积指数(LAI)进行估算。结果表明：红边植被指数主要受叶绿素含量的影响,而短波红外相关的植被指数主要受等效水厚度的影响,所有光谱变量均会受到参数之间的交互作用。SLAI-SInteraction筛选得到的30...     

基于高光谱的油菜叶面积指数估计

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R~2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R~2为0.79,RMSEP为0.60,RPD为2.30;10叶期时红边幅值预测模型R~2为0.92,RMSEP为0.47,RPD为2.36;盛花期时蓝边面积预测模型R~2为0.87,RMSEP为0.34,RPD为2.57;角果期时以RDVI为代表的植被指数也可准确估算出LAI,预测模型R~2为0.74,RMSEP为0.57,RPD为1.36。油菜全生育期采用相同光谱特征参数、植被指数建模估计LAI精度明显降低,预测R~2远小于0.75,RMSEP大于0.65,RPD值均小于1.40,表明难以采用统一参数建模准确估计油菜全生育期LAI,不同生长时期需选择合适的光谱参数、植被指数分段建模估计LAI。