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。     

基于小波分析的马铃薯地上生物量估算

地上生物量（AGB）是作物长势评价及产量预测的重要指标,因此快速准确地估算AGB至关重要。由于传统植被指数（VIs）估算多生育期的AGB存在饱和现象,因此,利用VIs结合基于离散小波转换（DWT）的影像小波分解（IWD）技术提取的高频信息和连续小波转换（CWT）技术提取的小波系数,探究VIs,VIs+IWD和VIs+CWT对于AGB的估算能力。首先,基于无人机平台分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。其次,利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。然后,将植被指数、高频信息和小波系数分别与AGB进行相关性分析,并挑选出不同尺度下相关系数绝对值较高的前10波段。最后,以VIs,VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归（PLSR）方法构建AGB估算模型,并对比不同模型估算AGB的效果。结果表明: （1）每个生育期选取的6种植被指数、3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平,整个生育期相关性均呈现先升高后降低的趋势,其中以小波系数得到的相关性最高、高频信息次之,植被指数最低。（2）对比分析每个生育期的3种估算模型,以VIs+CWT为输入变量的估算效果最好,VIs+IWD的估算效果次之,而VIs的估算效果最差,说明基于小波分析构建的模型适用性较广、稳定性较强。（3）每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度（VIs：建模R2=0.70,RMSE=98.88 kg·hm-12,NRMSE=11.63%;VIs+IWD：建模R2=0.78,RMSE=86.45 kg·hm-12,NRMSE=10.17%;VIs+CWT：建模R2=0.85,RMSE=74.25 kg·hm-12,NRMSE=9.27%）。通过VIs分别结合IWD和CWT技术利用PLSR建模方法,可以提高AGB估算精度,为农业指导管理提供可靠参考。     

无人机成像高光谱的马铃薯地上生物量估算

地上生物量（AGB）的精准监测是农田生产管理的重要环节,因此快速准确地估算AGB,对于精准农业的发展十分重要。传统上,获取AGB的方法是采用破坏性取样法,这使得大面积、长期的测量变得困难。无人机高光谱遥感因具有机动性强、光谱分辨率高和图谱合一的优势,成为当前估算大面积作物AGB最有效的技术手段。该研究通过无人机平台搭载成像高光谱传感器分别获取马铃薯块茎形成期、块茎增长期、淀粉积累期的冠层高光谱影像以及利用烘干称重法获取相应生育期实测AGB数据。然后,采用相关性分析法（CAM）、随机蛙跳算法（RFM）和高斯过程回归波长分析工具（GPR-BAT）分别筛选冠层原始光谱（COS）和一阶导数光谱（FDS）的敏感波长,结合偏最小二乘回归（PLSR）和高斯过程回归（GPR）构建各生育期的AGB估算模型,并对比不同模型的估测效果。结果显示：（1）基于同种方法分别筛选COS和FDS的特征波长,结合2种回归技术估算AGB的效果均从块茎形成期到淀粉积累期由好变差。（2）基于FDS分别通过3种方法筛选的特征波长,通过同种回归技术构建的模型效果要优于基于COS的相应效果。（3）基于COS和FDS使用CAM,RFM和GPR-BAT方法筛选的特征波长个数在块茎形成期分别为28,12,6个和12,23,10个,在块茎增长期分别为32,8,2个和18,28,4个,在淀粉积累期分别为30,15,3个和21,33,5个。（4）各生育期基于COS和FDS通过3种方法筛选的敏感波长估算AGB效果由高到低依次均为GPR-BAT,RFM和CAM。（5）各生育期基于FDS通过GPR-BAT方法筛选的敏感波长,结合PLSR建立的模型精度更高、稳定性更强,R2分别为0.67,0.73和0.65,NRMSE分别为16.63%,15.84%和20.81%。研究表明利用无人机高光谱成像技术可以准确地估算AGB,这为实现马铃薯作物长势动态监测,提供科学指导和参考。     

利用无人机多源传感器估算马铃薯植株氮含量

快速准确地获取作物的植株氮含量(PNC)信息,是农业精细化管理的关键和数字农业发展的研究热点。近年来,随着无人机和传感器技术的发展,利用多种传感器信息监测作物理化参数逐渐引起国内外学者的关注。以马铃薯为研究对象,首先,基于无人机获取了马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的高光谱影像和数码影像,同时采集各生育期的地面数码影像,并实测了株高(H)、PNC和11个地面控制点(GCPs)的三维空间坐标。其次,利用无人机数码影像结合GCPs生成试验区域的数字表面模型(DSM),分别从无人机数码影像和DSM中提取马铃薯的地面覆盖度(VC_uav)和株高(H_dsm),并利用地面数码影像计算的覆盖度(VC)和实测H验证提取的VC_uav和H_dsm的精度。然后,根据高光谱反射率数据计算绿边参数(GEPs),构造GEPs×H_dsm×VC_uav,GEPs/(1+VC_uav),(GEPs+VC_uav)×H_dsm和GEPs/(1+H_dsm) 4种融合特征参数(FFPs),对高光谱影像信息和数码影像信息进行融合。最后,将各生育期提取的GEPs和构造的FFPs分别与PNC作相关性分析,筛选最优绿边参数（OGEP）和最优融合特征参数(OFFP)构建5个生育期的PNC线性估算模型,并根据相关性较高的GEPs和FFPs利用偏最小二乘(PLSR)和人工神经网络(ANN) 2种回归方法构建PNC的多参数估算模型,结果表明：(1)基于无人机数码影像提取的H_dsm和VC_uav具有较高的精度,可以代替实测H和VC估算作物理化参数。(2)与GEPs相比,前4个生育期,构造的大部分FFPs与PNC的相关性更高,能更好地反映马铃薯的氮营养状况。(3)马铃薯5个生育期,OFFP估算PNC的效果优于OGEP。(4)与单参数模型相比,基于GEPs和FFPs利用PLSR和ANN 2种方法构建的模型精度和稳定性均明显提高,其中,以FFPs为模型因子利用ANN方法构建的模型效果最好。该研究表明融合高光谱绿边参数和高清数码相机传感器提取的株高和覆盖度信息能显著提升PNC的估算精度,可为马铃薯氮营养状况的动态无损监测和多源传感器信息的应用提供参考。     

基于高斯回归分析的水稻氮素敏感波段筛选及含量估算

水稻氮素含量的准确监测是稻田精准施肥的重要环节,水稻叶片氮素含量发生变化会引起叶片、冠层的光谱发射率发生变化,高光谱遥感是目前作物氮素无损监测的关键技术之一。以2018年-2019年湖北监利两年水稻氮肥试验为基础,分别获取水稻分蘖期、拔节期、孕穗期、扬花期、灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据,利用单波段原始光谱和一阶导数光谱的相关性分析、高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。针对敏感波段,利用单波段回归分析、随机森林（RF）、支持向量回归（SVR）、高斯过程回归-随机森林（GPR-RF）、高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型,并进行精度对比,以确定水稻叶片在各生育期的氮素估算最佳模型。结果表明：GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。相同条件下,叶片模型精度整体高于冠层模型。相关性分析模型中,叶片尺度原始光谱模型更好,冠层尺度刚好相反,冠层一阶导数光谱可以减弱稻田背景噪声的影响。其中,叶片最佳模型建模集R2为0.79,验证集R2为0.84;冠层最佳模型建模集R2为0.80,验证集R2为0.77。与相关性回归分析模型相比,机器学习模型受生育期影响小（R2>0.80,NRMSE<10%）。其中,RF比SVR更适合对GPR敏感波段建模,GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。五种方法中,GPR模型对生育期敏感度最低、叶片及冠层尺度效果都很好(R2>0.94,NRMSE<6%)。且与其他四种机器学习方法相比,GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02,NRMSE降低1.2%）。GPR方法可为筛选作物氮素高光谱敏感波段、反演各生育期叶片及冠层氮素含量提供方法参考。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

高光谱早稻生理指标可跨期预测性的初步研究

叶绿素含量和叶片氮含量是作物生长状况的重要指标,对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。当前,高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。但是,有关同一生命活动周期内,作物跨期预测叶片生化参数的研究还存在空白。以超级早稻为研究对象,分别获取了蘖盛期、孕穗期、齐穗期、灌浆期和成熟期5个时期120组叶片高光谱数据、叶绿素以及叶片氮含量（LNC）,采用python 3.6编程,scikit-learn(0.22.1)用来构建模型和验证评估,通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、随机森林（RF）、支持向量回归（SVR）3种不同算法的最佳模型参数,结合数据的跨期处理,分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。此外,评估跨期预测模型与传统非跨期预测模型,独立数据对模型进行检验。结果表明,(1) 基于高光谱的早稻叶绿素、氮素的非跨期预测模型中,PLSR模型预测效果最佳,分别为叶绿素（R2=0.84, RMSE=1.85）、氮素（R2=0.85, RMSE=0.11）。(2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳,分别为跨分蘖期（R2=0.54）、跨孕穗期（R2=0.36）、跨齐穗期（R2=0.30）、跨灌浆期（R2=0.55）、跨成熟期（R2=0.74）。该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考,为水稻叶绿素含量的动态监测提供了模型依据。(3)早稻叶片氮含量跨期预测模型的拟合度很差,叶片氮含量预测具有不可跨期性。与非跨期预测模型相比,跨期预测模型虽然精度有所下降,但能有效克服经验模型普适性差的缺陷,有利于在同一生命活动周期内,实现作物不同生育期的生理指标预测,对实际生产管理具有重要意义。研究发现,作物生理指标存在可跨期预测性,这一概念为作物表型、作物内部品质以及产量的预测研究提供了新的思路。     

改进特征波段选取和混合集成建模的东北粳稻叶绿素含量估算

利用光谱信息快速、无损和准确的检测水稻冠层叶片叶绿素含量,对水稻的长势评估、精准施肥、科学管理都具有非常重要的现实意义。以东北粳稻为研究对象,以小区试验为基础,获取关键生长期的水稻冠层高光谱数据。首先采用标准正态变量校正法（SNV）对光谱数据进行预处理,针对处理后光谱数据,以随机蛙跳（RF）算法为基础,结合相关系数分析法（CC）和续投影算法（SPA）,提出一种融合两种初选波段的改进型随机蛙跳算法（fpb-RF）筛选叶绿素含量的特征波段,并分别与标准RF,CC 和SPA方法进行对比。以提取的特征波段作为输入,结合线性模型和非线性模型各自优势,提出一种高斯过程回归（GPR）补偿偏最小二乘（PLSR）的叶绿素含量混合预测模型（GPR-P）：利用PLSR法对水稻叶绿素含量初步预测,得到叶绿素含量的线性趋势,然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测,两者叠加得到最终预测值。为了验证所提方法优越性,以不同方法提取的特征波段作为输入,分别建立PLSR、最小二乘支持向量机（LSSVM）、BP神经网络预测模型。结果表明：相同预测模型条件下,改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、提高模型预测性能,各模型测试集的决定系数（R2_P）和训练集的决定系数（R2_C）均高于0.704 7。另外,在各算法提取特征波段进行建模时,GPR-P模型的R2_C和R2_P均高于0.755 3,其中,采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高,R2_C和R2_P分别为 0.781 5和0.779 6,RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1,可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

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。     

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。     

水稻产量遥感监测机器学习算法对比

水稻是我国的主要粮食作物,利用高光谱遥感技术在水稻未成熟之前对水稻产量进行监测,一方面可以及时调整栽培管理方式,指导合理追肥,另一方面,可以准确掌握水稻的产量信息,帮助政府提前做出决策。以2019年—2020年广州市白云区钟落潭试验基地氮肥梯度实验为基础,分别获取水稻分化期和抽穗期冠层高光谱数据、作物群体长势参数（生物量、叶面积指数）及作物养分吸收量,利用贝叶斯岭回归（BRR）、支持向量回归（SVR）、偏最小二乘回归（PLSR）三种方法建立各生育期的产量监测模型并进行精度对比,确定水稻产量的最优估算时期和最佳估测模型。结果表明,三种方法中,BRR和SVR方法更适合产量监测,在不同时期及不同的参数组合下均有较好的表现（R2>0.82,NRMSE<8.22%）;基于2019年与2020年数据,采用全波段光谱信息进行产量监测时,分化期最佳监测模型为BRR模型,R2为0.90,抽穗期最优监测模型为SVR模型,R2为0.87;采用全波段光谱协同作物群体长势参数进行产量监测时,两时期最佳监测模型均为BRR模型,R2分别达到0.90和0.92;相较于BRR模型和SVR模型,PLSR模型在不同时期和不同参数组合下,最高R2仅为0.75;基于2020年数据,以三种不同的参数组合作为输入时,两时期估算结果均为BRR模型最优,且分化期建模精度高于抽穗期（R2至少增加0.02,NRMSE至少降低0.61%）;当输入参数组合为全波段光谱协同作物群体长势参数、作物养分吸收量时,BRR模型对产量的估算精度达到最高,R2为0.94。分析认为产量的最优监测时期是分化期,最优监测模型为BRR模型。研究结果可为水稻产量的早期遥感监测提供参考。     

不同高光谱特征参数区分马铃薯品种的优劣势分析

对马铃薯关键生育期的高光谱遥感图像进行特征提取和分析,提出了一种快速区分不同马铃薯品种的方法。以两个早熟和中熟马铃薯品种为研究对象,采集其块茎形成期、块茎膨大期和淀粉积累期的冠层反射光谱曲线,对实测反射光谱曲线进行Savitzky-Golay滤波平滑和一阶微分处理,以高光谱位置参数、振幅参数、面积参数、宽度参数和反射率参数为研究指标,根据21个高光谱特征参数的贡献率大小,评价了其区分不同马铃薯品种的优劣。结果表明：(1)同一类高光谱特征参数在不同生育期区分马铃薯品种的能力不同: 高光谱位置参数、宽度参数和反射率参数在块茎膨大期区分不同马铃薯品种的能力最强,淀粉积累期次之;高光谱振幅参数和面积参数在淀粉积累期的区分能力最强,块茎膨大期次之,五类高光谱特征参数在块茎形成期的区分能力均最差。(2)同一生育期5类高光谱特征参数区分马铃薯品种的能力也存在差异。在块茎形成期,五类高光谱特征参数的区分能力从强到弱依次为：反射率参数>振幅参数>面积参数>宽度参数>位置参数;在块茎膨大期和淀粉积累期,从强到弱依次为：面积参数>振幅参数>反射率参数>宽度参数>位置参数。综合能力从强到弱依次为：面积参数>振幅参数>反射率参数>宽度参数>位置参数。     

不同分辨率无人机数码影像的马铃薯地上生物量估算研究

地上生物量（AGB）是表征作物生命活动的重要参数,对作物长势监测和产量预测尤为关键。因此,快速准确地获取AGB信息,对于监测作物生长状况、指导农业管理和提高产量具有重要的意义。以无人机为平台搭载数码相机传感器,因机动性强、价格低、空间分辨率高的优势,能够及时准确的估算作物AGB,已成为遥感估算研究的热点之一。由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同,因此,尝试在马铃薯的块茎增长期,通过设置10,20,30,40和50 m共5种无人机飞行高度,获取不同分辨率的数码影像,探究其对以光谱信息、纹理特征和光谱信息+纹理特征构建AGB模型精度的影响。首先,基于无人机数码影像,分别提取光谱信息和纹理特征,通过光谱信息构建的植被指数和纹理特征,分别结合地面试验获取的实测地上部生物量数据进行相关性分析,分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。然后,分别以3种输入变量整合方差膨胀因子（VIF）进行主成分分析（PCA）降维处理,获得最佳主成分后以多元线性回归（MLR）构建AGB估算模型。最后,对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。结果发现：（1）获得的影像分辨率在0.43~2.05 cm之间变化时,纹理特征与马铃薯AGB相关性弱于植被指数,但都达到极显著相关水平（p<0.01）,随着数码影像分辨率降低,二者相关性差异明显。（2）同种分辨率影像下,光谱信息+纹理特征估算AGB的效果最优,其次为单一纹理特征模型,而单一光谱模型表现效果最差。（3）随着数码影像分辨率提高,光谱信息、纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。