基于无人机图像的水稻拔节期叶面积指数估算

为快速准确地估算水稻叶面积指数,利用无人机获取水稻拔节期高清图像,通过图像处理技术提取相关参数,确定绿-红(GMR)参数可以作为估算水稻LAI的较优参数并建立模型。结果表明:以GMR参数建立的水稻LAI估算模型拟合效果较好,决定系数为0.8808,达到极显著水平。同时利用独立的实测数据对模型进行了验证,决定系数为0.7897,也达到极显著水平。该方法可以为水稻LAI的智能估算提供新的参考。     

基于棉花冠层FPAR的LAI和地上鲜生物量估算研究

【目的】研究棉花生育期冠层光合有效辐射截获量(FPAR)与其叶面积指数(LAI)和地上鲜生物量的相关关系,建立FPAR对LAI和地上鲜生物量的估算模型,探讨获取LAI和地上鲜生物量的新方法,为动态监测棉花的生长状况提供科学依据。【方法】利用线性光量子传感器,测试新陆早19号和新陆早13号2个棉花品种4种配置种植方式下,冠层在6个关键生育期的光合有效辐射数据,获取FPAR,并同步实测棉花冠层LAI和地上鲜生物量,建立FPAR与LAI和地上鲜生物量的相关方程,同时比较LAI和地上鲜生物量的估测值与实测值的差异。【结果】2个棉花品种的FPAR随生育进程呈现类似变化规律:在盛蕾期至开花期迅速增加,于花铃期或盛铃期达最大值,随后逐渐下降;棉花FPAR与LAI和地上鲜生物量均达到极显著正相关关系,其中均以幂指数相关关系为最佳(RFPAR-LAI=0.8513**,RFPAR-地上鲜生物量=0.7469**,n=80);用FPAR分别估算的LAI和地上鲜生物量,与其实测值的相关关系均达到1%极显著正相关(R实测LAI-估算LAI=0.8180**,R实测地上鲜生物量-估算地上鲜生物量=0.7396**,n=80)。【结论】棉花FPAR对LAI的估算精度较其对地上鲜生物量的高,表明利用棉花冠层FPAR可以简单、快捷、非破坏性地估测棉花的LAI和地上鲜生物量。     

基于图像处理的小麦种植密度估算研究

利用图像处理技术分析小麦图像的颜色特征,并提出叶片盖度(LCD)参数;通过小麦种植密度与不同参数之间的相关性分析,建立基于不同参数的预测模型。结果表明:以绿光标准化值(NDIG)和LCD结合的多元逐步回归模型优于其他单变量模型以及混合模型,可以作为小麦种植密度的定量估算模型。使用实测数据对模型进行验证,R~2为0.896 1,达到极显著水平。结果说明该方法可行,可为小麦生长前期种植密度的快速、精确检测提供依据。     

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。     

基于冠层RGB图像的冬小麦氮素营养指标监测

[目的]本文旨在探索基于冬小麦冠层RGB图像的氮素营养指标实时监测方法,为实现简便、准确的冬小麦氮素营养诊断和推荐施肥奠定基础。[方法]基于3年次的冬小麦大田氮肥梯度试验,采用数码相机在返青期和拔节期垂直拍摄冠层RGB图像。分析图像特征参数绿红通道比值(G/R)、绿红通道差值(GMR)、红光标准化值(NRI)、绿光标准化值(NGI)、色相(H)和冠层覆盖度(CC)与植株氮素生理指标间的关系,筛选氮素营养监测指标的最优图像特征参数,构建氮素营养指标估算模型。[结果]CC与冬小麦地上部生物量、氮积累量和叶面积指数(LAI)三者间的相关系数最高,分别为0.87、0.85和0.84(P0.01);其他特征参数与三者间的相关系数相对较低,其中H为0.81、0.77和0.79,NRI为-0.80、-0.77和-0.77,G/R为0.73、0.63和0.76,GMR为0.66、0.67和0.63。采用CC作为冬小麦氮素营养指标估算模型的输入参数,并分别使用异速生长函数和指数函数建立地上部生物量、氮积累量和LAI估算模型,异速生长函数这3个指标的估算模型R~2分别为0.82、0.76和0.82(P0.01),指数函数的R~2分别为0.80、0.74和0.85(P0.01)。利用独立试验数据对模型进行验证,异速生长函数模型预测值和观测值间的R~2平均为0.89(P0.01),地上部生物量、氮积累量和LAI预测值的均方根误差(RMSE)分别为31.09 g·m~(-2)、1.37 g·m~(-2)和0.16;指数函数模型预测值和观测值间的R~2平均也为0.89(P0.01),地上部生物量、氮积累量和LAI预测值的RMSE分别为28.95 g·m~(-2)、1.34 g·m~(-2)和0.17。[结论]异速生长函数和指数函数模型在利用CC对冬小麦氮素营养指标进行估算时均具有较好的预测性。基于RGB图像的监测方法操作简单、准确度高,可实时获取监测结果,具有较高的推广应用价值。     

西葫芦LAI动态模拟模型的初步建立与检验

对春提早、秋延后和越冬茬西葫芦的叶面积指数(LAI)及生育期的有效积温进行归一化处理,分别将最大的LAI和出苗至开花的有效积温定为1,以相对LA(I0～1)和相对有效积温(0～1)为参数,进行LAI动态模拟,筛选、建立了一个适用于这3个茬口西葫芦的相对LAI动态模拟模型:y=(a+bx)(/1+cx+dx2)。其中,春提早为y=(-0.040 0+0.087 5x)/(1-1.473 8x+0.588 2x2)(r=0.992 2**,n=50);秋延后为y=(0.035 5+0.060 0x)(/1-1.390 5x+0.543 1x2)(r=0.991 9**,n=22);越冬茬为y=(-0.046 4+0.146 4x)(/1-1.377 9x+0.559 0x2)(r=0.988 7**,n=70)。准确度(以k表示)分别为0.999 6,1.000 7和1.000 5,精确度(以R2表示)分别为0.983 9,0.982 3和0.976 9。西葫芦LAI动态模型从三叶一心期就能够比较准确地进行西葫芦LAI动态预测。     

基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究

为利用高光谱遥感技术快速、无损、准确估算小麦子粒中谷氨酰胺合成酶(GS)活性,设置不同小麦品种和氮肥处理组合大田试验,以小麦花后10和20 d子粒中GS酶活性为研究对象,同时测定相应时期小麦冠层的高光谱特征,通过一阶导数、二阶导数和多元散射校正3种方法,对小麦冠层原始光谱进行预处理,分析原始光谱、一阶导数、二阶导数和多元散射校正与小麦子粒GS活性的相关性,并以此为输入,利用偏最小二乘回归、支持向量机回归和BP人工神经网络3种方法,构建了小麦子粒GS活性的高光谱遥感估算模型,运用决定系数(R~2)和均方根误差(RMSE)对模型进行评价。结果表明,经微分(一阶导数、二阶导数)预处理后小麦冠层光谱与小麦子粒GS活性的相关性优于原始光谱和多元散射校正,其所构建的估算模型精度明显高于原始光谱和多元散射校正,尤以基于一阶导数光谱的偏最小二乘法估算模型表现最好,其模型建模集的R~2和RMSE分别为0.942,0.025 4,验证集的R~2和RMSE分别为0.755,0.034 0,具有良好的估算精度和应用潜力。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

冬小麦生育前期LAI 高光谱反演研究

【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。     

基于HJ-CCD遥感数据和DK-SVR算法的小麦生物量估算研究

基于2010～2013年江苏地区小麦环境减灾卫星(HJ-CCD)的影像数据,提取拔节、孕穗和开花3个生育期的卫星植被指数并作为模型的输入参数,分别利用双核支持向量回归算法(DK-SVR)、MLR和PLS方法构建各生育期小麦生物量估测模型,比较各模型的预测性能。结果表明:可以使用DK-SVR算法遥感估算小麦生物量,基于该算法构建的模型预测性能在3个生育期均优于MLR模型和PLS模型,各期实测值与模型预测值之间决定系数R~2分别为0.50、0.67和0.65,相应的均方根误差RMSE为506、1 389和2 058kg·hm~(-2)。