无人机多光谱影像的马铃薯地上生物量估算

地上生物量（AGB）是评估作物生长发育和指导田间农业生产管理的重要指标。因此,高效精准地获取作物AGB信息,可以及时准确地估算产量,对于保障粮食供应和贸易提供有力依据。传统获取AGB的方法是采用破坏性取样法,这使得大面积、长期的测量变为困难。然而,随着精准农业的快速发展,无人机遥感技术被认为是估算大面积作物AGB最有效的技术方式。通过无人机平台搭载多光谱传感器获取马铃薯块茎形成期、块茎增长期和淀粉积累期的多光谱影像,地面实测株高和AGB以及地面控制点（GCP）的空间位置信息。首先,基于SFM（structure from motion,SFM）技术利用无人机影像数据结合GCP的三维坐标生成试验田的DSM（digital surface model,DSM）,通过DSM提取出马铃薯各生育期的株高（Hdsm）;然后,选取原始4个单波段植被指数、9个多波段组合的植被指数、红边波段的高频信息（HFI）和提取的Hdsm分别与AGB作相关性分析;最后基于单波段植被指数（x₁）、多波段组合的植被指数（x₂）、植被指数结合Hdsm（x₃）、植被指数结合HFI（x₄）以及植被指数融合HFI和Hdsm（x₅）为模型输入参数,采用偏最小二乘回归（PLSR）和岭回归（RR）估算各生育期的AGB。结果表明：（1）提取的Hdsm和实测株高拟合的R2为0.87,NRMSE为14.34%;（2）各模型参数都与AGB达到极显著水平,相关性均从块茎形成期到淀粉积累期先升高后降低;（3）各生育期以5种变量使用同种方法估算马铃薯AGB的效果,均从块茎形成期到淀粉积累期先好后变差,其估算精度由高到低依次为x₅>x₄>x₃>x₂>x₁;（4）各生育期使用PLSR以不同变量估算AGB的效果要优于RR方法,其中在块茎增长期基于x₅变量估算马铃薯AGB效果最佳,R2为0.73,NRMSE为15.22%。因此,选取多光谱植被指数结合红边波段的高频信息和Hdsm并使用PLSR方法可以明显提高AGB的估算精度,这为大面积马铃薯作物AGB的监测提供了新的技术支撑。     

利用无人机高光谱估算冬小麦叶绿素含量

叶绿素含量（SPAD）是作物长势评价的重要指标,可以监测农作物的生长状况,对农业管理至关重要,因此快速、准确地估算SPAD具有重要意义。以冬小麦为研究对象,利用无人机高光谱获取了拔节期、挑旗期和开花期的影像数据,获取植被指数和红边参数,研究植被指数与红边参数估算SPAD的能力。先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析,再基于植被指数、植被指数结合红边参数,通过偏最小二乘回归（PLSR）方法估算SPAD,最后制作SPAD分布图验证模型的有效性。结果表明,（1）大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平（0.01显著）;（2）单个植被指数构建的SPAD估算模型中,LCI表现最好（R2=0.56,RMSE=2.96,NRMSE=8.14%）,红边参数中Dr/Dr_min表现最好（R2=0.49,RMSE=3.18,NRMSE=8.76%）;（3）基于植被指数结合红边参数构建的SPAD估算模型效果最佳,优于仅基于植被指数构建的SPAD估算模型,同时,随着生育期推移,两种模型均在开花期达到最高精度,R2分别为0.73和0.78,RMSE分别为2.49和2.22,NRMSE分别为5.57%和4.95%。因此,基于植被指数结合红边参数,并使用PLSR方法可以更好地估算SPAD,可以为基于无人机遥感的SPAD监测提供一种新的方法,也可为农业管理提供参考。     

利用多角度光谱数据探测冬小麦氮素含量垂直分布方法研究

作物氮素具有随植株高度层垂直分布的特性,快速、无损探测作物氮素垂直分布状况,对于指导合理施肥、提高肥料利用率和减少环境污染具有重要意义。本文提出了利用偏最小二乘(partial least square,PLS)算法,运用多角度光谱数据估计冬小麦氮素含量垂直分布的方法。分别选用前向和后向不同观测角度组合形成的光谱数据组建植被指数,建立不同高度层的叶片氮素含量探测模型,其中选用±50°和±60°的组合,建立了冬小麦上层叶位叶片氮密度反演模型;选用±30°和±40°的组合,建立了中层叶位叶片氮密度反演模型;选用±20°和±30°的组合,建立了下层叶位叶片氮密度反演模型。针对氮素反演容易受到作物背景(土壤、作物残渣)影响的问题,引入R₇₀₀/R₆₇₀比值,改进七种常见的植被指数,利用改进了的植被指数建立了冬小麦上层、中层、下层叶片氮密度垂直分布模型。建模实验结果改进了叶片氮密度上层、中层、下层垂直分布估算结果,验证实验选取建模实验中表现最好的三个植被指数进行进一步研究,结果表明改进后的绿光归一化植被指数(green normalized difference vegetation index,GNDVI)在反演上层、中层、下层叶片氮密度时效果最好,达到了极显著的水平,可用于植被氮素含量的垂直分布探测。     

基于NIR-Red光谱特征空间的作物水分指数

水分含量是表征作物水分胁迫生理状况的重要指标,及时有效地监测作物水分含量对于评估作物水分亏缺平衡,指导农业生产灌溉具有重要意义。基于NIR-Red二维光谱特征空间,尝试构建一种新的作物水分监测指数PWI来估算作物水分含量。以冬小麦作物植被水分含量估算为尝试对象。首先,利用地面实测小麦冠层高光谱数据,结合对应卫星光谱响应函数,模拟当前常用卫星HJ-CCD和ZY-3多光谱数据;然后,对基于NIR-Red二维光谱特征空间的现有植被指数PDI(垂直干旱指数)和PVI(垂直植被指数)进行改进,通过比值变换的方法构建新的指数PWI来估算冬小麦植株含水量(VWC)。结果显示：基于模拟的HJ-CCD和ZY-3卫星宽波段多光谱数据生成的PWI估算小麦VWC具有良好的效果,R2分别达到0.684和0.683, 均达到了极显著水平。利用检验样本得到冬小麦VWC估算的R2和RMSE分别为0.764和0.764,3.837%和3.840%,这表明应用提出的新指数PWI估测作物含水量具有一定可行性。同时,也为当前利用主要国产卫星遥感数据HJ-CCD和ZY-3开展作物水分遥感监测应用提供了一种新方法。     

基于最优光谱指数的大豆叶片叶绿素含量反演模型研究

叶绿素含量的准确获取及预测可为作物种植的精准化管理提供理论依据。利用最优光谱指数建立大豆叶绿素含量反演模型,以大豆花芽分化期叶片为研究对象,获取高光谱和叶绿素含量数据。首先构建了7种与叶绿素含量相关的典型光谱指数,分别为比值指数（RI）、差值指数（DI）、归一化差值植被指数（NDVI）、修正简单比值指数（mSR）、修正归一化差值指数（mNDI）、土壤调节植被指数（SAVI）和三角形植被指数（TVI）,并对原始高光谱进行一阶微分（FD）处理,随后分别对原始和一阶微分高光谱在全光谱波长范围内两两组合所有波长,进行14个光谱指数的计算。再采用相关矩阵法进行最优光谱指数的提取,将所有波长组合计算出的光谱指数与叶绿素含量进行相关性分析,以相关系数最大值为指标,提取出14组最优的波长组合,并进行对应光谱指数值的计算作为最优光谱指数。最后将最优光谱指数划分为3组模型输入变量,分别与偏最小二乘回归（PLS）、最小二乘支持向量机回归（LSSVM）和套索算法LASSO回归3种方法组合建模并对比分析,以决定系数R2_c,R2_p和均方根误差RMSEC,RMSEP作为模型评价指标,最终优选出精度最高的大豆叶片绿素含量反演模型。结果表明：14组最优光谱指数波长组合分别为RI（728,727）,DI（735,732）,NDVI（728,727）,mSR（728,727）,mNDI（728,727）,SAVI（728,727）,TVI（1 007,708）,FDRI（727,708）,FDDI（727,788）,FDNDVI（726,705）,FDmSR（726,705）,FDmNDI（726,705）,FDSAVI（727,788）和FDTVI（760,698）,相关系数最大值r_max均大于0.8。建立最优模型的方法为输入变量为一阶微分光谱指数（组合2）与LSSVM组合的建模方法,所建模型的R2_c=0.751 8,R2_p=0.836 0,RMSEC=1.361 2,RMSEP=1.220 4,表明模型精度较高,可为大面积监测大豆的生长状态提供参考。     

基于冠层光谱的水稻穗颈瘟病害程度预测模型

对水稻稻瘟病病害程度的定量预测是精准防控的关键,田间冠层尺度的研究可为高光谱传感器提供理论基础。以受穗颈瘟胁迫的水稻为研究对象,采用SVC HR768i型光谱辐射仪在大田中获取灌浆期两个不同时间段的水稻冠层光谱反射率,以水稻发病株数百分比作为病害严重程度指标。冠层光谱数据采用九点平滑预处理,并重采样为1 nm间隔,计算植被指数;经过去包络线和一阶导数光谱变换,提取高光谱特征参数。分析不同时间段的光谱变换、植被指数、高光谱特征参数与病害程度的相关关系,构建基于植被指数、高光谱特征参数的穗颈瘟病害程度随机森林预测模型,并对比分析两个单时期预测模型异同,优选共用输入量,构建出两时期混合数据的病害程度预测模型。结果表明：（1）原始光谱曲线经去包络线处理可有效增强与病害程度相关的光谱信息,近红外波段（960～1 050和1 150～1 280 nm）的相关系数在0.80以上;（2）高光谱特征参数与病害程度相关性分析中,去包络线吸收谷参数相关系数高于其他参数,吸收谷V₃（910～1 100 nm）、吸收谷V₄（1 100～1 300 nm）中面积（A₃和A₄）、深度（DP₃和DP₄）、斜率（SL₄和SR₄）的相关系数在0.74以上;（3）去包络线吸收谷参数结合随机森林模型预测穗颈瘟病害程度在单时期及两时期混合数据中均表现最好。灌浆期后期数据预测效果最佳,验证集决定系数R2=0.91,均方根误差RMSE=0.02;（4）两时期混合数据预测精度处于两个单时期预测精度之间,验证集决定系数R2=0.85、均方根误差RMSE=0.03。研究成果揭示了灌浆期不同时间段水稻穗颈瘟光谱响应机制,表明去包络线吸收谷参数结合随机森林模型预测稻瘟病的实用性,可为田间水稻穗颈瘟病害程度进行快速、精确、无损地定量预测,为精准施药提供理论依据,并对未来航空、航天遥感的病害监测提供一定的技术支持。     

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算

当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。波段深度分析主要对冬小麦冠层光谱550～750nm范围进行,采用波段深度、波段深度比(band depth ratio,BDR)、归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。在建立的模型中,波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高,其中BDR与PLSR结合的估算精度最高(R2=0.792,RMSE=0.164kg.m-2)。研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题,提高冬小麦生物量的估算精度。     

基于无人机多光谱影像的冬小麦返青期变量施氮决策模型研究

氮素是影响冬小麦生长的重要元素,如何根据冬小麦需求适时变量施用氮肥是现代农业精准施肥研究需要解决的关键问题之一。无人机遥感技术在冬小麦生长情况监测中具有高分辨率、高时效性、低成本等优势,为解决施肥需求监测问题提供了重要数据源。因此研究无人机多光谱影像数据,构建其与冬小麦产量与施肥量之间的关系模型对于精准施肥研究十分重要。选择冬小麦典型生产区山东省桓台县为实验区,布置4种不同施氮水平的田间实验。利用无人机搭载Sequoia多光谱传感器,采集实验区不同氮素施肥水平的冬小麦返青初期多光谱影像,同时测得冬小麦冠层叶绿素含量（soil and plant analyzer development,SPAD）数据及产量数据。通过多光谱影像数据计算获得归一化植被指数（normalized difference vegetation index,NDVI）、叶绿素吸收指数（modified chlorophyll absorption ratio index,MCARI2）等6种形式植被指数,建立无人机多光谱影像植被指数与小麦冠层SPAD值的线性、二阶多项式、对数、指数和幂函数模型,优选地面氮素状况最优植被指数模型,反演冬小麦不同施氮水平的状况,进而根据不同施氮水平与敏感植被指数和冬小麦产量的关系,构建了基于植被指数指标的氮肥变量施肥模型,并将模型应用于同时期小麦多光谱影像。结果如下：（1）地面实测的SPAD值能较好的反映冬小麦施氮水平及生长状况。无人机多光谱数据分区统计结果表明不同施氮水平冬小麦冠层反射率有较大差异性。（2）结构性植被指数与SPAD拟合效果优于其他类型指数。MCARI2的二阶多项式模型精度最优（R2=0.790,RMSE=0.22）,其能较好的移除冬小麦返青初期土壤背景等因素的影响,为氮肥敏感植被指数。（3）基于产量-施氮量模型和产量-敏感植被指数模型,构建敏感植被指数的氮肥变量施肥模型为N_r=10 707.63×MCARI22-5 992.36×MCARI2+715.27。通过模型应用生成了实验区冬小麦氮肥变量施肥图,与实际情况具有较高一致性。该研究提出了利用无人机多光谱数据进行冬小麦施氮决策的模型及方法,为冬小麦精准施肥的进一步研究提供了依据。     

新植被水分指数的冬小麦冠层水分遥感估算

水分含量是表征作物水分胁迫生理状况的重要指标,及时有效地监测作物水分含量对于评估作物水分盈亏平衡,指导农业生产灌溉具有重要意义。针对不同形式的归一化差值水分指数(NDWI)存在的饱和性问题,拟引入增强型植被指数EVI对其加以适当改进,通过构建新的植被水分指数NDWI#(即NDWI*EVI)来估算作物水分含量。首先,利用PROSAIL辐射传输模型分析了由不同水分敏感波段(1 240,1 450,1 950和2 500 nm)构建的各种典型NDWIs与相应新植被水分指数NDWI#对植被冠层水分及LAI的饱和响应特征;然后,利用田间实验光谱和水分数据,开展作物水分含量的建模和验证分析。结果表明：将EVI引入后,形成的新水分指数NDWI#能够有效提高冬小麦水分含量估算精度,特别是针对NDWI₁₄₅₀,NDWI₁₉₄₀,NDWI₂₅₀₀这三个指数,改进后的新指数显著提高了对LAI响应的饱和点,冬小麦作物水分估算精度也得到较为的明显改善。研究表明,将含有可见光波段信息的EVI引入到NDWI中,构建的新指数NDWI#因融合可见光、近红外和短波红外更多波段的光谱信息,对估算冬小麦冠层含水量可能具有更好的优势。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

MODIS EVI时间序列数据和光谱角聚类的冬小麦遥感估产分区方法研究

农作物遥感估产区划是农作物遥感估产的基础,它为估产研究和实践提供了重要的科学依据。以冬小麦生育期内的MODIS EVI时间序列作为分区数据,选择江苏省为试验区,探讨了一种改进的光谱角制图和K均值聚类相结合(光谱角聚类)的分区方法,并在冬小麦遥感估产中进行了试验。结果表明：光谱角聚类分区方法充分利用了MODIS时间序列数据所反映的农作物生长进程,可以充分体现气候差异所带来的冬小麦区域差异;与传统分区相比,基于光谱角聚类分区方法所得到的遥感估产结果具有较高的决定系数R2(0.702 6比0.624 8)和较低的均方根误差RMSE(343.34比381.34 kg·hm-2),体现了该分区方法在冬小麦遥感估产中的优势。光谱角聚类分区方法仅以获取便利的低分辨率时间序列遥感数据为分区数据,且能很好的将冬小麦划分为特征性质一致的区域,所得遥感估产模型的精度和稳定性也较好,为冬小麦遥感估产分区提供了一种有效方法,有利于进行冬小麦遥感估产研究。     

基于遥感和作物生长模型的多尺度冬小麦估产研究

粮食安全是社会和谐、政治稳定和经济可持续发展的重要保障。准确预测区域乃至全球的农作物产量能够为各级政府、相关部门制定农业农村政策提供技术支持,保障粮食安全。目前关于农作物估产的研究大多具有地域性、经验性,过分依赖地面实测数据,一种基于多光谱卫星遥感数据和作物生长模型估算农作物产量的模型框架SCYM（Scalable Crop Yield Mapper）能够极大地减少模型对实测数据的依赖,快速应用于不同空间尺度、不同种类作物的估产,为多尺度农作物估产研究提供了一条有效的途径。以安徽省2012年-2018年冬小麦为研究对象,通过总结前人研究确定的敏感参数及其在研究区内的波动范围,结合大量实割实测数据优化WOFOST（WOrld FOod STudies）模型参数;将模拟产量、不同时段的模拟叶面积指数(LAI)同遴选出的天气变量训练随机森林模型,并以最佳观测日期组合下的MODIS-LAI代替对应时段的模拟LAI进行产量估算。结果表明：（1）模型产量估算值与站点实测值的总体相关性为0.758（R2为0.575）,RMSE为790.92 kg·ha-1。精度较高的站点主要分布在淮北平原（<1%）而高误差区域集中于皖南丘陵地带（>40%）;（2）对2012年-2018年全省范围进行冬小麦估产,根据7年平均估产结果的空间分布,小麦单产由北向南逐渐减少,高值区出现在皖北的淮北平原,低值区主要分布于皖中、皖南地区;（3）2012年-2018年实测单产平均值为6 058.00 kg·ha-1,SCYM估算单产平均值为5 984.95 kg·ha-1,且估算产量与实测产量的年际时间序列的相关性为0.822,RMSE为189.96 kg·ha-1,每年估产的相对误差均不超过6%。研究表明SCYM估产框架对安徽省冬小麦产量估算具有一定的可行性,在产量预报方面效果良好。该方法能够在一定程度上改善以往估产模型存在的地域性、经验性问题,在区域尺度的应用方面具有极大的潜力,未来可为农业估产提供极其重要的理论依据和实用价值。     

Sentinel-2宽波段光谱指数预测拔节后受冻冬小麦减产率

冬小麦拔节期后的晚霜冻害在区域尺度上表现出一定的空间差异,决定了应对冻害采取分区措施。基于Sentinel-2卫星数据的宽波段光谱指数预测区域冬小麦减产率,对灾情评估和生产管理决策具有重要意义。采用人工模拟霜冻试验,以光谱重采样将ASD FieldSpec® 3光谱辐射计获取的冠层反射率模拟为Sentinel-2传感器对应的波段反射率。采用19个已有光谱指数和以3种形式（简单比值、简单差值、归一化）组合构建的光谱指数构建冬小麦减产率线性回归模型。在每种形式中,筛选出决定系数排名前三的宽波段光谱指数作为候选指数。以商丘地区自然霜冻事件为契机,以Sentinel-2卫星数据计算候选指数,利用地面采样点的实测减产率验证候选指数精度。结果表明：（1）随着处理温度的降低,冬小麦冠层反射率在近红外区呈降低趋势,在可见光区和短波段红外区呈升高趋势;（2）重采样前后反射率数据计算的19个已有光谱指数中,大部分指数与减产率呈显著相关(p<0.001)。筛选出的12个候选光谱指数预测冬小麦减产率的线性回归精度较好,在校正集和验证集中的决定系数均高于0.631;（3）Sentinel-2卫星数据计算的候选光谱指数精度验证结果表明,包含波段B9的3个光谱指数未能通过显著性检验,其他9个光谱指数通过极显著性检验（p<0.001）。基于波段B8,B8a和B12组合的2个光谱指数(B8a-B12和B8-B12)精度较好,决定系数R2分别为0.543和0.492,均方根误差RMSE分别为8.510%和8.971%。该研究构建光谱指数B8a-B12和B8-B12符合简单差值形式,是预测冬小麦减产率宽波段光谱指数的最佳组合。研究成果揭示了冬小麦幼穗发育期冠层反射率在不同低温胁迫下的响应机制,表明Sentinel-2宽波段光谱指数预测冬小麦减产率有良好的精度,在霜冻后区域尺度上的冬小麦减产率预测具有可行性,对于不同地区霜冻灾害的措施制定具有指导作用。     

可见光光谱的冬小麦苗期地上生物量估算

地上生物量是表征冬小麦苗期长势的重要参数之一,对于监测冬小麦苗期长势,预测产量具有重要的实际意义。目前,通过计算光谱指数进行生物量估算是冬小麦苗期地上生物量无损测量的主要方法,但该方法需要一定的平台支撑,在便捷性方面存在一定的不足。为此,利用可见光图像数据获取方便、准确率高的特点,基于冬小麦苗期冠层可见光图像数据开展冬小麦苗期地上生物量估算研究。采用数码相机,采集冬小麦苗期冠层可见光图像并利用Canopeo进行冬小麦冠层与背景的分割。在获取冠层分割图像后,提取了CC（canopy cover）、ExG（excessg reen）、ExR（excess red）、ExGR（ExG-ExR）、NGRDI（normalized green-red difference index）、GLI（green leaf index）、RGRI（red-green ratio index）和RGBVI（RGB vegetation index）共8个可见光图像特征。利用相关性分析进行特征优选,选择与冬小麦苗期地上生物量实测数据相关性较高的图像特征构建估算模型。利用优选的图像特征,分别构建偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机回归（SVR）和随机森林（RF）模型,开展冬小麦苗期地上生物量估算研究,并定量分析特征数量和播种密度对估算模型准确率的影响。结果表明,ExR,GLI和RGBVI与生物量实测数据相关性较低,因此,将这3个特征剔除。CC,ExG,ExGR,NGRDI和RGRI与生物量实测数据的相关性较高,其中CC,ExG和ExGR与生物量实测数据呈正相关,而NGRDI和RGRI与生物量实测数据呈负相关。利用优选的图像特征构建估算模型,研究结果表明,基于优选的5个图像特征,PLSR的估算准确率最高,模型R2为0.801 5,RMSE为0.0788 kg·m-2,表明PLSR能够实现冬小麦苗期地上生物量的准确估算。特征数量是影响估算模型准确率的因素之一,随着特征数量的减少,模型估算的准确率逐步下降。利用不同播种密度数据集对估算模型进行测试,结果表明,PLSR在不同的播种密度数据集上均取得了最高的估算准确率,模型R2分别为0.897,0.827 9和0.788 6,RMSE分别为0.062,0.072和0.079 1 kg·m-2,表明PLSR估算的冬小麦苗期地上生物量数据与实测生物量数据之间具有良好的相关关系。随着播种密度的增加,所有估算模型的准确率均出现下降,而PLSR的准确率下降程度最小。由此可见,基于可见光图像数据,能够实现冬小麦苗期地上生物量的准确估算,为冬小麦苗期田间管理提供参考。     

土壤表层湿度影响下冬小麦晚霜冻害及冠层光谱检测

为探究土壤表层湿度影响下冬小麦冠层光谱反射率响应晚霜冻害的特征,并检验敏感光谱波段预测小麦产量变化的能力,于2013和2014年小麦拔节期,分别设置了表层土壤含水量为10%(干)、10%~20%(中)和20%(湿)的三个湿度处理的冻前试验,并在低温室内进行降温处理。分析了不同土壤表层湿度下受冻冬小麦的穗数、穗粒数、千粒重、单株产量、冠层光谱反射率及其一阶微分值的差异,对冬小麦冻害产量变化率和高光谱特征参量进行了相关分析和一元线性拟合。结果表明:冬小麦穗粒数和单株产量总体上均随土壤表层湿度的降低而呈减少态势,在土壤表层干处理条件下冻害对冬小麦产量造成的影响最为显著(p0.05);在绿峰(523nm附近)、黄边(571nm附近)、红边(732nm附近)和近红外台的两个水分吸收带(952和1 145nm附近),干+冻害处理冬小麦冠层反射率的一阶微分值与中+冻害、湿+冻害处理的差值明显;剥离了土壤表层湿度对光谱的影响后,冬小麦冠层反射率一阶微分差值在以570nm为中心的黄边区域和以710nm为中心的红边区域对干、中和湿梯度处理下晚霜冻害响应的差异明显;两年试验中的黄边面积(SDy)和570nm处一阶微分值(d570)均与冻害产量变化率达到显著正相关(p0.05),说明黄边区域的高光谱特征参量可用于检测土壤表层湿度影响下的冬小麦晚霜冻害程度。本研究可为土壤表层湿度和晚霜冻害叠加影响下冬小麦产量变化预测方法的探讨提供参考。     

冬小麦活体叶片叶绿素和水分含量与反射光谱的模型建立

定量测定小麦活体叶片的叶绿素含量和水分含量,在小麦估产、农情监测等方面具有重要的意义,同时可为进行高光谱遥感提供基础。文章使用ASD便携式光谱仪和LI-COR 1800型积分球,在350～1 650 nm的光谱范围内,测量冬小麦叶片在不同生长期的反射光谱,用偏最小二乘方法建立了冬小麦叶片叶绿素和水分含量与反射光谱的定量分析模型。在400～750 nm的光谱范围,建立了叶绿素含量与反射光谱的模型,结果为：叶绿素的预测值与真实值的相关系数为0.898,相对标准偏差为13.6%。在1 400～1 600 nm的光谱范围,建立了水分含量与反射光谱的模型,其结果为：水分的预测值与真实值的相关系数为0.999,相对标准偏差为0.3%。在农业生产中,这些结果是满意的。     

基于多变量统计分析的冬小麦长势高光谱估算研究

利用高光谱分析技术实现冬小麦长势的准确、无损监测具有重要的实践意义。基于连续两年的氮素运筹试验,通过获取叶面积指数(LAI)、地上干生物量(AGDB)、地上鲜生物量(AGFB)、植株含水量(PWC)、叶绿素密度(CH.D)和氮素积累量(ANC)六个冬小麦长势指标及冬小麦冠层高光谱,引入主成分分析法(PCA)构建可表征冬小麦长势的综合长势指标(CGI),并结合偏最小二乘回归法(PLSR)构建CGI的高光谱估测模型。结果表明,除植株含水量外,其他长势指标与所构建的CGI都达到极显著水平,表明利用CGI可以表征各长势指标信息。对比CGI和其他各长势指标的PLSR模型表现可知,CGI光谱监测模型表现最优(R2=0.802,RMSE=1.268,RPD=2.015),也具有较高的预测精度和稳健度(R2=0.672,RMSE=1.732,RPD=1.489)。表明基于PCA方法所构建的CGI可以表征冬小麦长势,利用PLSR方法可以实现对冬小麦长势的准确监测,且监测效果要优于单一的冬小麦长势指标。     

最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究

冬小麦叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一,高光谱遥感技术为大面积、快速监测植被LAI提供了有效途径。在探讨利用最小二乘支持向量机(least squares support vector machines, LS-SVM)方法和高光谱数据对不同条件下冬小麦LAI的估算能力。在用主成分分析法(principal component analysis, PCA)对PHI航空数据降维的基础上,利用实测LAI数据和高光谱反射率数据,构建LS-SVM模型,采用独立变量法,分别估算不同株型品种、不同生育时期、不同氮素和水分处理条件下的冬小麦LAI,并与传统NDVI模型反演结果对比。结果显示,每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。NDVI模型对不同株型品种、不同氮素和水分条件下冬小麦LAI估算精度不稳定,LS-SVM则表现出较好的稳定性。表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。     

三维高光谱NPLS模型用于冬小麦估产的初步研究

以35个实验小区,8个生育期的冬小麦田间测量冠层反射高光谱组成三维数据信息阵,采用多维偏最小二乘(multiway partial least squares, NPLS)算法建立了冬小麦亩产量估产模型。模型用于对13个实验小区产量预测分析,预测值与实际值的相关系数ｒ为0.936 6, 平均相对误差为4.44%,说明模型的预测效果较好,对实际的估产工作有一定的指导意义。