无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量

利用无人机平台搭载多光谱传感器在农业监测上已经有一些应用,但是利用无人机多光谱影像估算作物叶绿素含量的研究较少,特别是融合无人机多光谱影像光谱信息和纹理信息估算马铃薯叶绿素含量的研究更是罕见。基于此,该文利用2018年北京小汤山基地马铃薯各个典型生育期的无人机多光谱影像及实测的叶绿素含量数据,首先提取多光谱影像植被指数和纹理特征等变量,然后分析其与叶绿素含量相关性,筛选出较优特征变量,并开展基于调整R2和K折交叉验证的全子集分析估算马铃薯叶绿素含量。最后将植被指数与纹理特征通过主成分融合构建一种新的综合指标估算叶绿素含量。研究发现:1)多光谱植被指数和纹理特征估算叶绿素含量模型,K折交叉验证均优于调整R2;2)整个生育期,综合指标模型决定系数比植被指数模型、纹理特征模型均有提升,且标准均方根误差均降低。综合指标估算模型较优,多光谱植被指数模型次之,纹理特征模型较差。该研究可为马铃薯生长营养监测提供一种可行的方法,对马铃薯的栽培种植管理具有指导意义。     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量(PNC)信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高(H)和地面控制点(GCP)的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像(DOM)和数字表面模型(DSM),并从中提取冠层光谱特征和株高(Hdsm)。然后将各生育期提取的Hdsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和Hdsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合Hdsm利用多元线性回归(MLR)、误差反向传播(BP)神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的Hdsm与实测H具有较高的拟合度(R2为0.860,RMSE为2.663cm,NRMSE为10.234%);各生育期加入Hdsm,均能提高马铃薯PNC的估算精度和稳定性;各生育期利用MLR方法构建的PNC估算模型优于BP神经网络和Lasso回归。该研究可为马铃薯PNC状况的高效、无损监测提供技术支撑。     

基于无人机数码影像和高光谱数据的冬小麦产量估算对比

作物产量准确估算在农业生产中具有重要意义。该文利用无人机获取冬小麦挑旗期、开花期和灌浆期数码影像和高光谱数据,并实测产量。首先利用无人机数码影像和高光谱数据分别提取数码影像指数和光谱参数,然后将数码影像指数和光谱参数与冬小麦产量作相关性分析,挑选出相关性较好的9个指数和参数,最后以选取的数码影像指数和光谱参数为建模因子,通过MLR(multiple linear regression,MLR)和RF(random forest,RF)对产量进行估算。结果表明:数码影像指数和光谱参数与实测产量均有很强的相关性。利用数码影像指数和光谱参数通过MLR和RF构建的产量估算模型均在灌浆期表现精度最高,在灌浆期,数码影像指数和光谱参数构建的MLR模型R~2和NRMSE分别为0.71、12.79%,0.77、10.32%。对模型对比分析可知,以光谱参数为因子的MLR模型精度较高,更适合用于估算冬小麦产量。利用无人机遥感数据,通过光谱参数建立的MLR模型能够快速、方便地对作物进行产量预测,并可以根据不同生育期的产量估算模型有效地对作物进行监测。     

基于光谱特征与PLSR结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用

以冬小麦LAI为研究对象,利用孕穗期、开花期和灌浆期获取的无人机UHD185高光谱影像以及同步测定的地面数据(冬小麦冠层ASD反射率和冬小麦LAI),论证光谱特征(红边参数或植被指数)与偏最小二乘回归算法结合的改进型LAI拟合方法在无人机画幅高光谱遥感LAI探测方面的应用价值。首先,从光谱反射率相关性和植被指数相关性两方面比较UHD185与ASD,验证UHD185数据精度;结果表明,第3~第96波段(458~830 nm)的无人机UHD185高光谱数据具有较好的光谱质量,适宜探测冬小麦LAI。其次,分析光谱特征(6种植被指数和4种红边参数)与LAI的相关性,并通过独立验证和交叉验证方法,依次对基于红边参数或植被指数的传统LAI拟合方法和改进型LAI拟合方法的冬小麦LAI预测精度进行评价,相比于传统LAI拟合方法,改进型LAI拟合方法能大幅度提高冬小麦LAI的预测精度,特别是PLSR+REP。研究结果证实,改进型LAI拟合方法能更加充分地利用无人机UHD185高光谱数据预测冬小麦LAI,可望为无人机高光谱遥感的作物理化参数探测提供几点可借鉴的思路。     

基于综合指标的冬小麦长势监测

通过单个指标检测冬小麦长势的方法很多,但是根据综合多个单个指标分析冬小麦长势的方法相对较少。利用信息熵将多个单个指标计算得到综合指标,进而分析冬小麦长势。通过偏最小二乘回归反演冬小麦氮素含量、叶绿素含量和水分含量,计算3个指标的权重,计算出综合长势指标监测冬小麦长势。研究结果表明,冬小麦冠层叶片氮素、叶绿素、水分反演的r²分别为0.72、0.31、0.61,RMSE分别为0.506、1.303、10.320,NRMSE分别为13%、33%、17%,综合指标的r²、RMSE、NRMSE分别为0.75、0.053、8%。结果表明,基于光谱指数冬小麦对冠层叶片氮素和水分反演精度较高,叶绿素反演精度较低,综合指标的反演精度最高。     

基于EFAST和PLS的苹果叶片等效水厚度高光谱估算

叶片等效水厚度(EWT)是评估果树生长状况及产量的一个重要参数。为了快速、准确地估算此参数,该文建立苹果叶片EWT归一化近红外水分指数(NDIWI)和扩展傅里叶幅度灵敏度检测方法和偏最小二乘回归(EFAST-PLS)估算模型并验证。使用2012年和2013年在中国山东省肥城县潮泉镇获取的整个生育期苹果叶片EWT和配套的光谱数据,比较NDIWI和EFAST-PLS联合模型。在EFAST-PLS联合模型中,EFAST用来选择光谱敏感波段,PLS用来回归分析。NDIWI与EFAST-PLS模型的决定系数(R2)分别为0.2831和0.5628,标准均方根误差(NRMSE)分别为8.00%和6.25%。研究结果表明:EFAST-PLS模型估算苹果叶片EWT潜力巨大,考虑到应用简单,NDIWI也有可取之处。     

基于AquaCrop模型的北京地区冬小麦水分利用效率

【目的】作物水分利用效率(water use efficiency,WUE)是农业水分管理与决策的重要指标。北京是严重缺水的城市,其主要种植作物冬小麦灌溉用水占比高,开展冬小麦产量水分利用效率的分析研究,可为北京地区的冬小麦节水灌溉与增产平衡提供决策信息支持。【方法】利用2011—2012、2012—2013和2013—2014年国家精准农业示范研究基地冬小麦不同生育期不同灌溉处理下的田间实测数据,对AquaCrop作物模型进行参数本地化。统计北京地区2004—2014年冬小麦生育期的日降雨量数据,利用Pearson-Ⅲ型分布划分了3种降雨年型:湿润年(2012—2013年生育期)、平水年(2009—2010年生育期)和干旱年(2005—2006年生育期)。应用AquaCrop研究分析了3种不同降雨年型、14种灌溉情景下冬小麦籽粒产量水平和产量水分利用效率特征变化。【结果】基于AquaCrop模型的产量模拟值和实测值的R 2、RMSE和d分别为0.99、0.3 t·hm~(-2)、0.99。模型模拟的冬小麦产量水分利用效率:2011—2012年正常灌溉条件下为1.72 kg·m~(-3),2012—2013年正常灌溉条件下为1.67 kg·m~(-3),2013—2014年雨养、正常灌溉和过量灌溉条件下分别为1.27、1.74和1.64 kg·m~(-3),正常灌溉条件下产量水分利用效率最高,其次是过量灌溉,雨养条件下产量水分利用效率最低。在此基础上应用AquaCrop模型模拟分析了3种不同降雨年型冬小麦籽粒产量和产量水分利用效率随灌溉量变化的响应特征,其中,湿润年产量水分利用效率和籽粒产量达到最大值时所需的灌溉量分别为35和50 mm;平水年达到最大值所需的灌溉量分别为35和40 mm;干旱年达到最大值所需的灌溉量均为65 mm。【结论】AquaCrop模型可以很好预测北京地区不同年份不同灌溉条件下冬小麦的籽粒产量和产量水分利用效率。冬小麦产量与产量水分利用效率均随着灌溉量的增加逐渐增大,至最大值后开始减小,在干旱的情况下,植物通过自身适应策略会提高水分利用效率,随着水分的增加,水分利用率将降低,因此3种不同年型的产量水分利用效率的大小顺序依次为干旱年、平水年和湿润年。因此,在制定冬小麦灌溉策略时,要做到产量和产量水分利用效率兼顾。以上研究结果表明,利用Aqua Crop模型可以为北京地区冬小麦田间灌溉和决策提供指导。关于降雨年型本研究仅对湿润年、平水年和干旱年3种年型在越冬期、返青期、拔节期、开花期和灌浆期不同灌溉量和籽粒产量和产量水分利用效率之间的关系进行模拟,对于不同时期不同灌溉量对籽粒产量和产量水分利用效率的影响没有考虑,需要进一步研究验证。     

基于随机森林算法的冬小麦生物量遥感估算模型对比

为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法（random forest,RF）将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析（correlation coefficient, r）、袋外数据（out-of-bag data,OOB）重要性和灰色关联分析(grey relational analysis, GRA)与随机森林算法（RF）进行整合,构建了3种冬小麦生物量估算模型：r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明：r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。     

区域冬小麦籽粒蛋白含量遥感预测研究

【目的】籽粒蛋白含量是衡量小麦品质优劣的重要标准,快速准确预测小麦GPC有利于其品质评价和分级管理。【方法】文章分别以卫星光谱参数、农学氮素参数以及气象因子为影响因素,并运用多元线性回归模型、极限学习机算法、地理加权回归模型3种方法实现对冬小麦GPC的预测,最终构建及评价基于不同自变量和不同方法的GPC预测模型。【结果】(1)小麦开花期氮素参数,小麦冠层光谱参数与小麦籽粒蛋白品质的关系显著相关,影响小麦籽粒蛋白品质的关键性气象因子包括5月26—30日降雨和、5月中旬至6月上旬日照和、3月上旬至6月上旬积温和;(2)以卫星光谱参数、农学氮素参数和气象因子为自变量,分别采用多元线性回归、极限学习机和地理加权回归3种方法构建小麦GPC的预测模型;其中,基于多元线性回归模型构建的GPC模型决定系数R~2为0.598,验证集标准均方根误差nRMSE和平均绝对误差MAE分别为10.36%、1.091,验证结果较稳定;基于ELM构建的GPC模型R~2为0.483,验证nRMSE和MAE分别为10.895、1.111;基于GWR的GPC模型建模精度及验证精度相对最优,其建模R~2为0.616,验证nRMSE及MAE分别为8.58%、0.956,为最优选择。【结论】综合分析模型的精度评价指标可知,考虑空间数据不稳定性构建的地理加权回归模型的预测精度最好,能更加准确地预测冬小麦籽粒蛋白含量,为精确反演冬小麦GPC区域间和年际间的预测提供可靠依据,具有广泛的应用前景。     

基于无人机高光谱遥感数据的冬小麦产量估算

为了准确和高效地预测作物产量,以冬小麦为研究对象,利用无人机遥感平台搭载高光谱相机,获取了冬小麦各生育期的无人机影像。根据高光谱具有较多的光谱信息且存在特有的红边区域的特点,选取了9种植被指数和5种红边参数。首先,分析植被指数和红边参数与产量的相关性,优选5种植被指数和2种红边参数用于构建产量估算模型;然后,构建了不同生育期的3种产量估算模型:单参数线性回归模型、基于植被指数并使用偏最小二乘回归方法模型、基于植被指数结合红边参数并使用偏最小二乘回归方法模型;最后利用3种模型分别估算冬小麦产量。结果表明:4个生育期内,大部分植被指数和红边参数与产量呈现极显著相关性;拔节期、挑旗期、开花期与灌浆期构建的单参数线性回归模型中表现最佳的参数分别为REP、Dr/Drmin、GNDVI与GNDVI;利用偏最小二乘回归方法提高了产量估算精度,以植被指数结合红边参数为因子构建的模型提高了产量估算效果(优于以植被指数为因子构建的产量模型)。本研究可为无人机高光谱估算作物产量提供参考。