冬小麦不同生育时期叶面积指数反演方法

针对当前作物叶面积指数遥感反演过程中,在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。以冬小麦为研究对象,选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数,分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5,RMSE=0.320 9。改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI,得到的LAI反演值和真实值之间的相关系数r=0.728 7,均方根误差RMSE=0.297 1;比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.654 6,RMSE=0.306 1;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.679 4,均方根误差RMSE=0.316 4。 研究表明：在冬小麦的不同生育时期,根据地表作物覆盖度的变化和反射率的变化,选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。     

基于环境星CCD数据的环境植被指数及叶面积指数反演研究

利用PROSAIL前向模型模拟的植被冠层光谱,在植被指数构造时,引入修正大气、土壤背景影响的蓝、绿波段,构建了避免过早饱和的环境植被指数(environmental vegetation index,EVI)。基于多个典型冬小麦生育期的地面观测数据,建立基于EVI-LAI长时间序列反演模型,并对模型进行不同品种间的交叉检验。研究表明,EVI建立的叶面积指数(leaf area index,LAI)反演模型精度优于同类植被指数模型,并具有较好的普适性,能应用于冬小麦遥感多时相长势监测及LAI反演。     

基于LST_LAI特征空间的农田干旱监测研究

农田干旱具有范围广且对农业生产影响巨大的特点,对农田干旱的遥感实时动态监测是目前公认的难题。利用MODIS的地表温度(LST)产品和叶面积指数(LAI)产品,构建LST-LAI光谱特征空间,提出温度—叶面积干旱指数(temperature LAI drought index,TLDI)监测农田水分含量,并利用宁夏实测的0～10 cm平均土壤含水量验证该指数的精度,结果表明：它们之间具有良好的相关性,R2的变化范围为0.43～0.86。与TVDI相比,TLDI弥补了作物封垄后TVDI因归一化植被指数(NDVI)饱和对农田水分监测精度降低的缺陷。此外,利用MODIS数据产品LST和LAI进行农田干旱监测,避免了使用MODIS原始数据的繁杂处理过程,初步为MODIS数据产品在农田干旱监测业务化运行探索出一条技术流程。     

基于CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和“红边”植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于“红边”植被指数,由于CI_{red edge}充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI_{(569.00, 654.80)}和RSI_{(597.6, 654.80)}对LAI估算的效果要优于NDVI与CI_{red edge},其中,NDSI_{(569.00, 654.80)}主要利用了植被光谱“绿峰”和“红谷”附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI_{(569.00, 654.80)}之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。     

高分六号宽幅数据识别火烧迹地的光谱及指数分析

为探究利用高分六号卫星宽幅（GF-6 WFV）数据识别火烧迹地的适宜光谱波段和指数,选取2019年发生在我国内蒙古大兴安岭林区的三处雷击火形成的火烧迹地作为研究区,结合GF-6 WFV波段组成,选取归一化植被指数（normalized difference vegetation index, NDVI）、全球环境监测指数（global environment monitoring index, GEMI）、增强植被指数（enhanced vegetation index, EVI）、燃烧面积指数（burned area index, BAI）、土壤调节植被指数（soil-adjusted vegetation index, SAVI）、改进型土壤调节植被指数（modified soil-adjusted vegetation index, MSAVI）和归一化差异水体指数（normalized difference water index, NDWI）等7个光谱指数及地面叶绿素指数（MERIS terrestrial chlorophyll index, MTCI）、归一化差值红边指数（normalized difference red edge index 1, NDRE1）、改进的叶绿素吸收指数（modified chlorophyll absorption ratio index 2, MCARI2）和改进的归一化土壤指数（modified normalized difference soil index, MNDSI）等4个改进指数,基于同期影像和前后两期影像进行火烧迹地和其他典型类别的区分度计算,并利用上述11个指数及指数差值进行火烧迹地的识别,定量评价了GF-6 WFV各波段、所选光谱指数及改进指数识别火烧迹地的能力。结果表明：（1）GF-6 WFV的近红外波段和新增的两个红边波段区分度较高,反映火烧迹地特征的能力较强。（2）在区分火烧迹地和火烧前正常植被上,NDVI, GEMI, EVI, BAI, SAVI, MSAVI和NDWI 7个光谱指数等的区分能力较强,4个改进指数中,NDRE1和MCARI2的区分能力较好,MNDSI和MTCI的区分效果较差。（3）在区分同期影像火烧迹地和其余典型类别上,BAI, NDVI, MCARI2和NDWI区分效果较优,其次为NDRE1, GEMI, EVI, SAVI和MSAVI,而MNDSI, MTCI的区分能力较差。（4）在利用所选指数和指数差值识别火烧迹地中,GEMI, EVI, BAI, SAVI和MSAVI的识别精度均较优,其次是MCARI2, NDVI和NDWI,做差后提取精度显著上升,Kappa系数均提升到0.80以上,MTCI, MNDSI和NDRE1提取效果较差。综合比较,BAI和GEMI识别效果最好,NDVI, EVI, SAVI, MSAVI, NDWI和MCARI2的识别能力中等,而MNDSI, NDRE1和MTCI等3个改进指数识别火烧迹地的能力较差。     

基于热点效应的不同株型小麦LAI反演

针对小麦株型对LAI反演精度的制约,利用地面实测的多角度数据,提出采用热点指数反演高精度的不同株型小麦LAI。通过分析京411紧凑型和中优9507披散型两种株型小麦在红光(670 nm)和近红外波段(800和860 nm)的二向反射光谱特征,借鉴热暗点指数HDS和归一化热暗点信息指数NDHD,构建了改进的归一化热暗点指数MNDHD和热暗点比值指数HDRI两个新热点指数。将HDS,NDHD,MNDHD和HDRI与NDVI,SR和EVI相乘得到的热点组合指数用于不同株型小麦LAI的反演。分析得出对紧凑型小麦京411,由860 nm近红外波段的NDVI与MNDHD和HDRI的组合指数反演的LAI精度分别为0.943 1和0.909 2;对披散型小麦中优9507,由800 nm近红外波段的SR与HDRI和MNDHD的组合指数获得的LAI反演精度分别为0.964 8和0.895 6。表明基于冠层的热点效应反演不同株型小麦LAI的方法可行,多角度遥感数据在作物结构参数提取方面比常规观测数据更具优势。     

改进的QGA-ELM算法水稻叶面积指数反演模型

为了通过植被指数（VI）准确、可靠的获取不同施肥梯度、不同品种的水稻叶面积指数（LAI）,提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型,再通过引入组合动态旋转角策略、单点混沌交叉操作、混沌变异操作、确定性选择策略、量子灾变操作对量子遗传算法（QGA）进行改进,最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。为了验证该模型普适性和有效性,依次建立多元线性回归、BP、ELM、QGA-ELM、改进的QGA-ELM算法5种模型,并在不同数据集上进行反演效果比较,结果表明：（1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程,改进的算法能有效提升模型寻优能力,避免算法早熟,且能寻得更优结果。（2）对比五种算法在不同数据集上的反演效果,验证了NDVI,RVI与LAI之间主要为非线性关系,且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。（3）对比五种算法在不同数据集上的反演效果,改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差,改进后的算法反演精度得到了明显提升,泛化性能也得到了增强。（4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差,且精度较高,能为不同生长状况水稻LAI反演提供依据。（5）五种模型对庆和香LAI反演精度均要高于龙稻18,而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度,且在不同水稻品种上反演精度相差极小,远低于其他四种模型,能很好适应不同水稻品种LAI反演要求,极大提升模型的稳定性性,为不同水稻品种反演提供参考意义。     

基于多光谱遥感数据的生物多样性监测与评估

生物多样性是人类赖以生存的基础。受环境和气候变化的影响，全球生物多样性丧失日趋严重，研究区域生物多样性对保护濒危物种栖息地、合理规划与利用区域资源具有重要意义。基于2002年—2018年多光谱遥感植被产品中的NDVI、 EVI、 FPAR、 LAI、 GPP数据集，构建了累积、最小和差值三种动态生境指数(DHI),结合气象数据和物种分布数据，采用多元回归分析分别研究了(1)基于NDVI、 EVI、 FPAR、 LAI、 GPP多光谱遥感指数构建的DHIs评价生物多样性的适用性；(2)累积、最小和差值DHIs表达物种多样性的互补性；(3)气候变化对我国生物多样性的影响；(4)累积、最小和差值DHIs表达物种丰富度的能力。研究表明：(1)基于同种MODIS多光谱植被指数的同一DHIs之间具有很强的相关性(相关系数0.77到0.98之间),可相互替代；同一植被指数的累积、最小和差值DHIs之间有一定关联性，但三者不可相互替代。(2)与基于NDVI、 EVI、 FPAR、 LAI产品数据构建的DHIs相比，GPP-DHIs监测我国生物多样性的能力最强，且与物种丰富度之间存在良好的相关性(相关系...     

基于现场光谱的翅碱蓬生物量遥感反演方法研究

利用便携式地物光谱仪和植被冠层分析仪测定辽东湾双台河口盐沼植被翅碱蓬的光谱数据和叶面积指数(LAI),建立翅碱蓬光谱反射率曲线;探讨翅碱蓬的植被指数与叶面积指数和生物量的相关关系,得到以下结论:(1)9月底翅碱蓬在630nm红光波长出现明显的反射峰值,反射率达到了12%～15%,在680～700nm,有明显的"红谷"形态,在760nm左右有明显的"红边",反射率达到25%～30%。(2)翅碱蓬植被指数及叶面积指数的回归分析中,SAVI和MSAVI指数与LAI的相关关系较其他指数好,最高的R2值达到0.711。对比不同指数的Linear回归方程发现,SAVI和MSAVI指数与LAI的相关关系R2值达到0.696,0.695;其次为RVI值0.664,NDVI值0.649及PVI值0.466。(3)翅碱蓬生物量(Biomass)与PVI,SAVI和MSAVI的相关系数R2较高,直线回归方程相关系数分别达到0.626,0.698和0.679;对数方程相关系数为0.592,0.706和0.683;二次方程相关系数分别为0.688,0.711和0.683。     

基于天宫一号高光谱数据的荒漠化地区稀疏植被参量估测

为了精准地估测荒漠化地区的稀疏植被信息,选取内蒙古苏尼特右旗为研究区,以天宫一号高光谱数据为数据源,结合野外实地调查数据,通过归一化植被指数(normalized difference vegetation index, NDVI)和土壤调节植被指数(soil adjusted vegetation index, SAVI)对研究区内的植被覆盖度和生物量进行反演,并对比两种植被指数的优劣。首先,分析了每种波段组合下的植被指数与覆盖度、生物量的相关性,确定了最大相关的波段组合。覆盖度和生物量与NDVI的最大相关系数可达0.7左右,而与SAVI的最大相关系数可达0.8左右。NDVI的最佳波段组合的红光波段中心波长为630 nm,近红外波段的中心波长为910 nm,而SAVI的组合为620和920 nm。其次,分别构建了两种植被指数与覆盖度、生物量之间的线性回归模型,所建模型的R2均能达到0.5以上。SAVI所建模型R2要比NDVI略高,其中植被覆盖度的反演模型R2高达0.59。经留一交叉验证,SAVI所建模型的均方根误差RMSE也比基于NDVI的模型小。结果表明：天宫一号高光谱数据丰富的光谱信息能有效地反映地表植被的真实情况,并且SAVI比NDVI更能较为精准地估测荒漠化地区的稀疏植被信息。     

低空遥感平台下可见光与多光谱传感器在水稻纹枯病病害评估中的效果对比研究

高效无损地评估农作物病害等级,对于实际农业生产和研究都具有重要意义。研究探讨了基于低空无人机遥感平台进行水稻纹枯病病害等级评估的可行性,分析可见光与多光谱传感器的光谱响应差异及其对感病水稻光谱反射率获取的影响,并定量对比两种传感器的病害监测效果。实验研究区由67个不同品种的水稻小区组成,每块小区均分为相接的纹枯病接种区和侵染区。以大疆精灵Phantom 3 Advanced小型消费级无人机作为搭载平台,分别搭载该无人机系统自带的可见光传感器和MicasenseRedEdgeTM多光谱传感器获取遥感影像。同时,通过植保专家现场调查的方式识别病害等级,并利用Trimble公司的手持式NDVI测量仪获取实测NDVI值。基于影像拼接、波段叠合、辐射校正后的预处理结果,对可见光图像的接种区和侵染区共134个小区计算七种可见光植被指数,即NDI（normalized difference index）, ExG（excess green）, ExR（excess red）, ExG-ExR,B*,G*,R*,多光谱图像除上述可见光指数外再计算NDVI（normalized difference vegetation index）, RVI（ratio vegetation index）和NDWI（normalized difference water Index）三种多光谱植被指数。将计算得到的图像植被指数与地面实测NDVI进行相关性分析,以选取两种传感器的最优图像植被指数建立水稻纹枯病病害等级反演模型。相关性分析结果表明,基于多光谱传感器计算的图像NDVI与实测NDVI拟合度最高,接种区R2为0.914,RMSE为0.024,侵染区R2为0.863,RMSE为0.024。对于可见光传感器,NDI与实测NDVI的相关性最好,接种区R2为0.875,RMSE为0.011,侵染区R2为0.703,RMSE为0.014。比较两种传感器两种区域的同一图像植被指数与实测NDVI的一致性,除B*外,NDI,ExR,ExG-ExR,G*,ExG,R*与实测NDVI基本属于高度相关,在病害严重的接种区,两种传感器对水稻纹枯病的监测效果相近,但在病害相对较轻的侵染区,多光谱传感器的监测更为精确灵敏。基于多光谱图像NDVI建立的病害等级反演模型,R2达到0.624,RMSE为0.801,预测精度达到90.04%,模型效果良好。而基于可见光图像NDI建立的反演模型,R2为0.580,RMSE为0.847,预测精度为89.45%,效果稍差。对比分析可见光与多光谱传感器的光谱响应曲线,可见光传感器可获取可见光范围的红、绿、蓝三个波段,波段范围互相重叠,多光谱传感器包含五个成像单元,可独立获取从可见光到近红外的五个窄波光谱波段,提供更加准确的光谱信息。比较传感器获取的接种区和侵染区水稻平均反射率曲线得出,多光谱传感器不仅在可见光波段反映了较可见光传感器更强的差异,在红边和近红外波段差异则更加明显,这说明专业窄波段传感器在病害监测方面较宽波段消费级传感器更有优势。综上所述,基于可见光与多光谱传感器的低空无人机遥感平台进行水稻纹枯病病害等级评估是可行的,多光谱传感器精确灵敏,可用于纹枯病的早期监测,可见光传感器效果稍差但经济易于推广。研究结果为病虫害防治提供决策支持,有助于推动实现精准农业,保障粮食安全。     

晚播条件下基于高光谱的小麦叶面积指数估算方法

利用高光谱遥感技术,分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数（LAI）的变化规律,建立了适用于晚播小麦的叶面积指数估算方法。研究结果表明：（1）从红光和蓝紫光420～663 nm波段提取的叶绿素光谱反射率植被指数（CSRVI）与旗叶SPAD值做相关性分析,结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963*和0.997**,达显著和极显著水平。（2）利用相关性分析,得出两个播期处理的LAI与SPAD值相关系数分别是0.847*和0.813*,均达到显著水平。SPAD值与LAI及CSRVI指数均具有相关性,可以用CSRVI指数建立LAI的估算模型。（3）对叶片模式和冠层模式光谱曲线特征分析得出,叶片模式中在680～780 nm处的反射率呈现陡升趋势,在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷,在540～600,1 660和2 210 nm波段处有两个明显的反射波峰;三种冠层模式中60°模式下的光谱反射率整体表现为最高。（4）将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内,光谱反射率与LAI总体呈现负相关性,500～600 nm处有一个波峰。（5）将三种冠层模式下（仪器入射角度分别与地面呈30°,60°和90°夹角）的等效植被指数与LAI做相关性分析得出：60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平,比值植被指数（RVI）、归一化植被指数（NDVI）、增强型植被指数（EVI）、再次归一化植被指数（RDVI）、土壤调整植被指数（SAVI）、修改型土壤调整植被指数（MSAVI）的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系;90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系,NDVI指数与晚播处理的LAI具有显著相关关系;30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。综合分析CSRVI指数、NDVI指数的相关性最高,这两种指数最具有估算LAI的潜力。（6）通过三种冠层模式所计算的植被指数估算LAI模型,结果表明,正常播期条件下,其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X;晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X17.679 1,两个模型的决定系数R2分别为0.950*和0.974**。研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量,可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测;通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。     

利用地表温度与LAI的新型土壤湿度监测方法

地表温度（T_s）是土壤湿度和植被生长状态等因素的综合反映,利用植被指数和T_s能够监测土壤湿度的时空分布特征。利用农田气候模型CUPID的T_s模拟结果,发展了利用温度与叶面积指数（LAI）的新型土壤水分反演方法（advanced temperature vegetation dryness index, ATVDI）。前人研究表明归一化植被指数（NDVI）容易达到饱和状态,因此利用LAI代替NDVI开展土壤水分反演。利用CUPID模型模拟结果构建LAI-T_s散点图,分析T_s随LAI与土壤湿度的变化特征,利用对数关系式改进了温度植被干旱指数（TVDI）中相同土壤湿度时T_s与植被指数之间的线性关系,建立了ATVDI方法。在实际应用中,首先利用LAI与T_s的散点图确定对数曲线的上边界与下边界,然后采用查找表的方法将每个像元对应的T_s变换为研究区最小叶面积指数对应的T_s。以陕西省关中作为研究区,利用MODIS的LAI和T_s产品（MOD11A2和MOD15A2）以及野外观测土壤湿度数据对ATVDI模型进行验证,结果表明该方法具有较高的监测精度,R2达到0.62。此外,ATVDI的计算结果具有一定的物理意义,使得不同时期的监测结果具有一致性,因而可更好地满足不同空间尺度土壤湿度的动态监测。     

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。     

基于中分辨卫星影像的农用航空喷药效果评估

遥感技术能被用于大尺度作物化学喷药效果检测,这为精准农业航空施药发展提供了重要的技术支撑。利用M-18B农用飞机在4米的飞行高度喷施化学农药混合剂(杀菌剂和植物生长调节剂),去控制水稻爆发性疾病--叶片纹枯病和促进水稻植株的生长。施药一周后,喷药区的卫星影像被获取并计算植被指数,同时采集了地面化学农药的药液沉积量。分析了药液雾滴沉积量和植被指数的关系,结果显示,单相光谱特征(NDVI)和液滴沉积点密度(DDPD点·cm-2) 的相关系数是0.315,p-value为0.035;时间变化特征 (MSAVI)和液滴沉积体积密度(DDVD μL·cm-2)之间的相关系数是0.312,p-value为0.038。另外,水稻生长活力最旺盛的范围都出现在喷洒区域内,植株活力随着药液漂移距离的增加逐步减少。同时,相同的变化趋势也出现在雾滴沉积量与光谱特征的空间变化插值图中。由此得知,从卫星图像中计算的植被指数NDVI和MSAVI,可以用来评估大尺度农田的农用航空药液喷洒效果。     

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Sentinel-2A影像的玉米冠层叶绿素含量估算

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能,及时、准确地估算叶绿素含量对于农作物长势、养分含量监测、品质评价和产量估算具有重要意义。Sentinel-2卫星的重访周期为5 d,空间分辨率为10 m,具有13个光谱波段,其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段,是叶绿素含量估算的理想数据源。植被指数是基于农作物在不同波段的反射特性,通过不同波段组合方式刻画长势和叶绿素含量的差异,可用于大区域范围内的玉米冠层叶绿素含量快速、精确估算。以Sentinel-2A影像为数据源,开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。课题组于2016年8月6-11日在河北省保定市（115°29′-116°14′E,39°5′-39°35′N）进行玉米冠层叶绿素含量的实地测量,并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。Sentinel-2A影像预处理工作包括几何校正、辐射定标和大气校正,其中大气校正使用Sen2Cor模型和SNAP模型。首先,基于预处理后的Sentinel-2A遥感影像,分别计算CI_green(green chlorophyll index), CI_red-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。然后,建立样方位置上实测叶绿素含量与各植被指数的统计关系,从而构建玉米冠层叶绿素含量估算模型,并以野外实测玉米冠层叶绿素含量为依据,对基于各植被指数的估算结果进行精度评价。最后,利用筛选出的最优叶绿素含量估算模型,估算研究区内的玉米冠层叶绿素含量。研究的目标为：（1）通过比较分析,构建合适的玉米冠层叶绿素含量估算模型,估算精度以决定系数R2、均方根误差RMSE以及相对误差RE作为评价指标;（2）确定最优波段组合方案：在红边波段中选择与可见光、近红外波段组合效果更优的波段组合方案;（3）确定参与植被指数计算的红边波段的最优数量。精度评价结果表明：（1）选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系,其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果;红边波段引入后明显提高了可见光、近红外波段对叶绿素含量的拟合的精度,CI_{green(560, 705)}指数比CI_{green(560, 842)}的回归模型R2提高0.516,红边波段参与计算的DVI相对于RVI来说,估算结果更稳定。（2）对于不同的植被指数,参与运算的Sentinel-2A影像的两个红边波段,估算精度的提高程度不同。对于可见光波段参与计算的植被指数来说,在红边波段1（中心波长为705 nm）的估算精度较高,如LCI,CI_green,DVI和RVI等;对于近红外波段参与计算的植被指数来说,在红边波段2（中心波长为740 nm）的估算精度较高,如CI_red-edge,NDRE和NAVI等。（3）对于Sentinel-2A影像来说,两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。选用的植被指数中,MTCI_{(665, 705, 740)}指数与玉米冠层叶绿素含量估算精度最高,回归模型拟合精度R2为0.803,模型验证R2为0.665,RMSE为3.185,相对误差RE为4.819%。MTCI_{(665, 705, 740)}指数计算中使用了两个红边波段,突出红边波段反射率差值变化,与玉米冠层叶绿素含量表现出很好的相关性。最后,利用优选出的基于MTCI指数的叶绿素含量估算模型,对研究区范围内的叶绿素含量进行估算并完成空间制图。