基于作物生长监测诊断仪的玉米LAI监测模型研究

为探索作物生长监测诊断仪（CGMD-402型）在作物长势监测应用中的精准性与适用性,连续2年在不同氮肥水平下进行不同玉米品种的实验。使用作物生长监测诊断仪采集冠层归一化差值植被指数（Normalized differential vegetation index,NDVI）、比值植被指数（Ratio vegetation index,RVI）,并同步以ASD FR-2500型野外高光谱辐射测量仪获取冠层光谱反射率,构建NDVI、RVI高光谱植被指数;通过对比两种仪器获取的植被指数特征及其定量关系,评价CGMD-402型作物生长监测诊断仪监测精度;基于CGMD-402型作物生长监测诊断仪获取的NDVI、RVI,建立叶面积指数（Leaf area index,LAI）监测模型,并对模型监测精度进行验证。结果表明：玉米冠层NDVI、RVI随施氮量增加而增加,增加幅度分别为8.20%~36.59%、4.40%~25.16%;CGMD-402型作物生长监测诊断仪与ASD FR-2500型野外高光谱辐射测量仪获取的NDVI、RVI相关系数分别为0.991、0.985,决定系数分别为0.983、0.969,说明CGMD-402型作物生长监测诊断仪具有较高的监测精度,可替代ASD FR-2500型野外高光谱辐射测量仪获取NDVI、RVI指数;利用CGMD-402型作物生长监测诊断仪获取NDVI、RVI,建立LAI监测模型的决定系数分别为0.911、0.898;以独立数据对模型精度进行验证,模型预测值与田间实测值间决定系数分别为0.963、0.954,相对误差分别为6.65%、9.37%,表明二者具有高度一致性。研究表明,利用作物生长监测诊断仪能有效监测玉米不同品种LAI动态变化,可以替代AccuPARLP-80型植物冠层分析仪获取玉米LAI数据。     

基于无人机多光谱遥感的马尾松林叶面积指数估测

快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义。以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用线性模型（LR）、多元逐步回归模型（MSR）、随机森林模型（RF）、支持向量机模型（SVM）和人工神经网络模型（BP）构建不同空间分辨率下的马尾松林LAI估测模型,以决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）和总体精度（TA）来评价估测模型精度,从而确定最佳空间分辨率和最佳模型。结果表明,不同空间分辨率下LAI与植被指数均呈极显著相关（p<0.01）;多变量模型（MSR、RF、SVM、BP）的调整R2平均值高于LR模型;随着空间分辨率的增加,不同模型的R2整体上呈先增大后减小的趋势;当空间分辨率为0.5m时,利用植被指数建立的RF模型为马尾松林LAI的最佳估测模型,RF模型的调整R2为0.766,模型估测的R2、RMSE、RPD和TA分别为0.554、0.421、1.523和81.95%。本研究可为无人机多光谱遥感反演森林LAI表型参数的空间分辨率和模型选择提供理论参考。     

夏玉米叶面积指数遥感反演研究

利用LAI-2000的观测数据与基于HJ卫星遥感数据生成的植被指数,结合3种常用的回归模型,构造了夏玉米分别按全生育期、不同生育阶段和阈值分段的叶面积指数(Leaf area index,LAI)反演模型;获取了3种模式下LAI的最优反演模型;在验证和评价各模型可靠性之后,生成了夏玉米在营养生长期、抽雄期和生殖生长期的LAI分布图;并将基于HJ影像反演得到的LAIHJ与MODIS LAI产品(MOD15A2)LAIM进行了对比。研究发现,与各种通用植被指数相比,针对HJ CCD数据构造的环境植被指数HJVI与LAI的相关性在3种反演模式中均为最佳。HJVI与全生育期LAI的相关性达到0.875,在不同生育阶段与LAI的相关性也高于其他植被指数(营养生长期线性模型最佳,决定系数为0.769;抽雄期对数模型最佳,决定系数为0.783;生殖生长期指数模型最佳,决定系数为0.703)。普适性植被指数中,OSAVI适用于夏玉米生长前中期的LAI反演,NDVI适用于夏玉米生长后期的LAI反演。在夏玉米全生育期内,各植被指数与LAI的相关性整体较高,但最优回归模型出现在按不同生育阶段反演的模式中。LAI小于3时EVI为精度最佳指数(决定系数为0.358),LAI不小于3时OSAVI为精度最佳指数(决定系数为0.515)。在夏玉米3个生育阶段,LAIM与LAIHJ的相关性分别达到0.732、0.761、0.661。HJ遥感数据具有较强的LAI反演能力,其高时间和高空间分辨率的特征可以使其代替传统的中分辨率遥感数据而成为农业遥感研究的重要数据源。     

基于随机森林模型的林地叶面积指数遥感估算

林地叶面积指数(Leaf area index,LAI)的准确估测是精准林业的重要体现。为了快速、准确、无损监测林地LAI,利用LAI-2200型植物冠层分析仪获取福建省西部森林样地的LAI数据,结合同期Pleiades卫星影像计算12种遥感植被指数,分析了各样地实测LAI数据和相应植被指数的相关性,进而使用随机森林(RF)算法构建了林地LAI估算模型,以支持向量回归(SVR)模型和反向传播神经网络(BP)模型作为参比模型,以决定系数(R~2)、均方根误差(RMSE)、平均相对误差(MAE)和相对分析误差(RPD)为指标评价并比较了模型预测精度。结果表明:全样本数据中,各植被指数与对应LAI值均呈极显著相关(P0.01),且相关系数都大于0.4;RF模型在3次不同样本组中的预测精度均高于同期的SVR模型和BP模型;3个样本组中RF模型的LAI估测值与实测值的R~2分别为0.688、0.796和0.707,RPD分别为1.653、1.984和1.731,均高于同期SVR模型和BP模型,对应的RMSE分别为0.509、0.658和0.696,MAE分别为0.417、0.414和0.466,均低于同期其他2种模型。     

水稻白背飞虱虫害的冠层光谱特性与虫量反演

通过测试水稻白背飞虱主害代期间的冠层高光谱数据,采用多元统计分析方法对冠层反射光谱与白背飞虱百株虫量进行相关分析,确定了近红外波段779 nm、1 685 nm及可见光波段558 nm为白背飞虱虫害的3个敏感波段;并基于这些敏感波段及由它们组成的比值植被指数(RVI)和归一化植被指数(NDVI),建立了检测白背飞虱虫量的5种单变量线性函数模型.分析表明,5种模型方程在α=0.01条件下极显著相关,而且利用敏感波段建模时,779 nm处的光谱反射率建立的模型为最优,预测相关系数达到0.921;利用植被指数建模时,RVI建立的模型为最优,预测相关系数达到0.802.     

无人机多源光谱反演大田夏玉米叶面积指数

【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P0.000 1水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R~2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R~2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。     

基于MK—SVR模型的小麦叶面积指数遥感反演

提出了运用多核支持向量回归(MK-SVR)算法构建小麦叶面积指数(LAI)遥感监测模型。以2010—2013年试验样点小麦拔节、孕穗、开花3期的实测LAI数据为基础,同步获取我国自主研发的环境减灾卫星HJ-CCD对该研究区域的影像数据,分析了各生育期小麦LAI与8种植被指数间的相关性。以显著相关的植被指数作为输入参数,使用MK-SVR算法构建了每个生育期的小麦LAI反演模型,即MK-SVR-LAI模型。为了评价模型,每期使用单一核支持向量回归(SK-SVR)、偏最小二乘(PLS)回归算法构建了SK-SVR-LAI、PLS-LAI模型。将模型估算LAI值和田间观测LAI值进行比对,以决定系数(R2)和均方根误差(RMSE)为指标评价并比较了模型。结果表明:3个生育期MK-SVR-LAI模型的RMSE值均低于参比模型,拔节期为0.293 1,孕穗期为0.466 8,开花期为0.548 6,且该模型的R2也都最高,拔节期为0.762 4,孕穗期为0.801 8,开花期为0.668 9。     

基于无人机多光谱遥感的夏玉米叶面积指数估算方法

无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下,利用无人机多光谱植被指数估算夏玉米LAI的可行性,本研究基于无人机多光谱遥感系统,结合同时期实地采集的夏玉米LAI,选择5种植被指数,包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI）,作为模型输入参数,使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型,并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明,在充分灌溉条件下,植被指数的多元线性回归模型可以较好地估算LAI（R² = 0.83）;在水分胁迫条件下,植被指数的随机森林回归模型可以较好地估算LAI（R² = 0.74~0.87）,水分胁迫因素对该模型影响较小,且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术,使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。     

基于Free Search的植被叶面积指数Logistic模型研究

针对利用归一化植被指数NDVI反演的植被叶面积指数LAI时间分辨率不足的问题,对传统Logistic模型进行了改进,并引入自由搜索(Free Search,FS)算法率定模型参数,建立了一种能够模拟植被逐日LAI的Logistic模型。首先,以NOAA-AVHRR提供的月NDVI作为反演植被LAI的基础数据,采用简单生物圈模型(Si B2)反演不同土地覆被类型下的植被月LAI;其次,借鉴传统Logistic模型模拟作物干物质的思路建立了一种改进的Logistic模型,并将FS单个动物每步探查行走的位置向量作为模型参数值,利用FS的动物群体迁移行为识别改进Logistic模型的最优参数,从而研究改进Logistic模型对植被月LAI的模拟效果。呼兰河流域的应用结果表明,利用FS识别参数的改进Logistic模型对呼兰河流域6种植被的月LAI模拟效果较好,为模拟植被LAI的逐日变化过程提供了一种新方法。     

基于无人机高光谱遥感的冬小麦株高和叶面积指数估算

为了快速、准确地估算叶面积指数（LAI）,通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据,从中提取出株高（Hcsm）。首先,分析了植被指数、Hcsm与LAI的相关性,挑选出最优植被指数;然后,分别构建了单个参数的LAI线性估算模型;最后,以植被指数、植被指数结合Hcsm为模型输入因子,采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）;在不同生育期,大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度;以植被指数、植被指数结合Hcsm为输入变量,通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。本研究方法可以提高LAI估算精度,为农业管理者提供参考。     

海南岛橡胶林叶面积指数遥感估算模型比较研究

叶面积指数(LAI)是描述植被生长状况和冠层结构的一个重要参数,快速获取大面积植被与作物LAI对于生态系统科学研究、农林业生产指导具有十分重要的理论和实践意义.本研究选取海南岛典型热带作物——橡胶树为研究对象,构建基于卫星遥感植被指数的橡胶林LAI估算模型并分析其变化规律.结果表明,相较于归一化植被指数(NDVI)、绿...     

顺序同化不同时空分辨率LAI的冬小麦估产对比研究

选择PyWOFOST模型为动态模型,以叶面积指数(LAI)为状态变量,遥感LAI为观测值,采用集合卡尔曼滤波(En KF)同化算法,研发了一种遥感LAI与作物模型同化的区域冬小麦产量估测系统。为消除云的污染,采用Savitzky-Golay(S-G)滤波算法重构时间序列MODIS LAI;通过构建地面观测LAI与3个关键物候期Landsat TM植被指数回归统计模型,获得区域TM LAI;通过融合3个关键物候期的TM LAI与时间序列S-G MODIS LAI,生成尺度转换LAI。对比分析3种不同时空分辨率的遥感LAI的同化精度,研究结果表明,同化尺度转换LAI获得了最高的同化精度,与官方县域统计产量相比,在潜在模式下,决定系数由同化前的0.24提高到0.47,均方根误差由602kg/hm2下降到478 kg/hm2。结果表明,遥感观测与作物模型的尺度调整对提高冬小麦同化模型精度具有重要作用,遥感LAI与作物模型的En KF同化方法是一种有效的区域作物产量估测方法。     

基于高光谱数据的玉米叶面积指数和生物量评估

利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平.本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,...     

基于分数阶微分和最优光谱指数的大豆叶面积指数估算

高光谱遥感技术可对作物生长状况进行无损、高效地监测，是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index, LAI)为研究对象，对原始开花期大豆高光谱反射率数据进行0～2阶微分变换处理(步长0.5),并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0～2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658,相比于原始与整数阶高光谱反射率，分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性；相关系数平均值最高的1.5阶微分处理最优光谱指数波长组合分别为：TVI(687 nm, 754 nm)、DI(687 n...     

Ground-based remote sensing for assessing water and nitrogen status of broccoli

Remote sensing (RS) can facilitate the management of water and nutrients in irrigated cropping systems. Our objective for this study was to evaluate the ability of several RS indices to discriminate between limited water and limited nitrogen induced stress for broccoli. The Agricultural Irrigation Imaging System (AgIIS) was used over a 1-ha broccoli field in central Arizona to measure green (550 nm), red (670 nm), far red (720 nm), and near infrared (NIR-790 nm) reflectances, and thermal infrared radiation. Measurements were taken at a 1 m × 1 m resolution, every several days during the season. The following indices were calculated: ratio vegetation index (RVI), normalized difference vegetation index (NDVI), normalized difference based on NIR and green reflectance (NDNG), canopy chlorophyll concentration index (CCCI), and the water deficit index (WDI). The experimental design was a two-factor, nitrogen × water, Latin square with four treatments (optimal and low water and optimal and low nitrogen) and four replicates. In addition to RS measurements, the following in-situ measurements were taken: SPAD chlorophyll (closely related to nitrogen status), plant petiole nitrate-nitrogen concentrations, soil water content, and plant height, width, and leaf area index (LAI). Fresh marketable broccoli yield was harvested from plots 130 days after planting.Seasonal water application (irrigation plus rainfall) was 14% greater for optimal than low water treatments, whereas total nitrogen application was 35% greater for optimal than low N treatments. Although both nitrogen and water treatments affected broccoli growth and yield, nitrogen effects were much more pronounced. Compared to the optimal water and nitrogen treatment, broccoli yield was 20% lower for low water but optimal nitrogen, whereas yield was 42% lower for optimal water but low nitrogen. The RVI, NDVI, and NDNG indices detected treatment induced growth retardation but were unable to distinguish between the water and nitrogen effects. The CCCI, which was developed as an index to infer differences in nitrogen status, was found to be highly sensitive to nitrogen, but insensitive to water stress. The WDI provided appropriate information on treatment water status regardless of canopy cover conditions and effectively detected differences in water status following several irrigation events when water was withheld from low but not optimal water treatments. Using a RS ground-based monitoring system to simultaneously measure vegetation, nitrogen, and water stress indices at high spatial and temporal resolution could provide a successful management tool for differentiating between the effects of nitrogen and water stress in broccoli.     

基于双参数和Morlet多时间尺度特性的冬小麦单产估测

为进一步研究冬小麦在不同时间尺度下长势及产量变化情况,以陕西省关中平原为研究区域,选择与作物长势密切相关的条件植被温度指数（VTCI）和叶面积指数（LAI）作为研究指数,Morlet小波作为函数,利用小波变换和交叉小波变换分别分析不同时间尺度下冬小麦各生育时期VTCI和LAI与单产时间序列间的主振荡周期和共振周期。通过计算小波互相关度,确定各生育时期VTCI和LAI的权重,从而分别构建基于加权VTCI、加权LAI的单参数和双参数估产模型。结果表明,不同生育时期VTCI和LAI与单产间存在不同的主振荡周期和共振周期;通过小波变换构建的基于加权VTCI、加权LAI单产估测模型的归一化均方根误差（NRMSE）分别为16.88%、13.58%,决定系数（R2）分别为0.259、0.520,基于双参数的估产模型NRMSE为13.52%, R2为0.531,表明基于双参数估产模型精度更高。通过交叉小波变换构建的基于加权VTCI、加权LAI单产估测模型的NRMSE分别为16.83%、13.56%,R2分别为0.263、0.522,基于双参数的估产模型NRMSE为13.40%,R2为0.533,表明基于交叉小波构建的估产模型比基于小波变换的估产模型精度均有所提高。利用共振周期构建的双参数估产模型对关中平原2011—2018年冬小麦的单产进行估测,结果显示,产量分布呈现西部高东部低的空间分布特征。     

玉米冠层LAI反演中UAV影像镜面反射去除方法

针对玉米叶片反射太阳光时因镜面反射导致获得的无人机影像反射率中存在与冠层结构无关的镜面反射部分,从而影响玉米冠层LAI的反演精度问题,本研究利用小波变换对无人机影像不同波段的阈值设置,在不影响漫反射的前提下削弱镜面反射成分,尽量只保留与冠层结构有关的反射率成分。以2018年7月15日和7月26日获取的河北农业大学辛集试验站多光谱无人机影像为数据源,构建了NDVI、GNDVI、SAVI和EVI 4个植被指数,并分别与ln(LAI)构建玉米冠层的单变量反演模型,利用决定系数和均方根误差进行LAI反演精度评价。精度评价结果表明,在7月15日玉米植株较稀疏时,去除镜面反射后,4个植被指数反演LAI与实测LAI的决定系数分别从0. 719 0、0. 559 8、0. 624 1、0. 598 5上升至0. 763 3、0. 694 0、0. 649 7、0. 619 4,均方根误差分别从0. 224 4、0. 252 6、0. 221 4、0. 224 5下降到0. 188 0、0. 195 8、0. 191 8、0. 198 7,说明去除镜面反射可以提高LAI的反演精度。在7月26日玉米植株相对茂密时,去除镜面反射后,4个指数构建模型对应的决定系数也同样提高,但在这种情况下,NDVI和GNDVI容易发生饱和,用阈值法降低反射率反而会加剧饱和现象,使这2个指数不能充分反映LAI的变化。SAVI和EVI因为加入了冠层背景调整因子,植被指数的变化得到放大,二者在去除镜面反射后与ln(LAI)拟合模型的决定系数都达到0. 6以上,因此,在植被覆盖较茂密时,SAVI指数和EVI指数更适合用于LAI反演。     

基于多波段光谱探测仪的玉米冠层叶绿素含量诊断

为了快速无损地检测大田作物冠层叶绿素含量,使用便携式多波段光谱探测仪针对农大8号（G1）、郑单（G2）、先玉（G3）和京农科（G4）4种玉米作物品种,在拔节期采集550、650、766、850 nm波长处太阳光信号和作物冠层反射光信号,用于建立玉米冠层叶绿素含量诊断模型。首先,利用作物冠层650 nm和550 nm波长反射率之间的差值 T D 剔除了土壤背景数据点（ T D >0）。然后,组合计算了NDVI、RVI和DVI共12个植被指数,分析各植被指数与叶绿素含量之间的相关关系,结果显示与G1~G4品种叶绿素含量相关性最优的参数分别为RVI(766,550)、 DVI(850,650)、 NDVI(850,550)和RVI(766,550),相关系数均达0.6以上。数据按一定间隔聚类后,相关性分析结果表明多波段光谱探测仪对玉米叶绿素含量检测最优分辨率为0.5 mg/L,且NDVI(850,550)、NDVI(766,550)和RVI(850,550)与叶绿素含量的相关系数分别为0.837 0、0.773 7和0.767 7,达到了强相关水平。最后,建立了多品种通用型玉米拔节期叶绿素含量诊断模型,可为大田玉米拔节期叶绿素含量诊断提供技术支持。