针对水稻植株三维叶绿素(SPAD)信息获取的最优波段选择问题研究

实时准确地获取作物叶绿素含量的三维空间分布信息,是作物营养、栽培和育种等科学研究和生产领域密切关注的问题。该研究以水稻植株为研究对象,采用改造后的普通单反相机加载近红外滤光片的方法,多角度获取水稻植株的多光谱图像。基于不同波段不同通道的组合图像计算多种植被指数,将其结果与对应的实测SPAD值之间建立水稻植株叶绿素(SPAD)预测模型,并筛选出最优预测模型。研究结果表明,近红外760 nm波段的R通道与可见光G通道构建的GNDVI植被指数,与实测SPAD值建立的二次函数预测模型能够很好地反演水稻植株叶绿素(SPAD)含量,其中,R2=0.758, RMSE=1.532。在此基础上,利用多角度成像三维建模方法建立具备纹理信息的水稻三维模型,将最优预测模型应用于水稻综合纹理图,得到水稻叶绿素含量三维空间分布信息, 从而实现水稻生长情况以及叶绿素养分分布状况的快速无损检测。     

无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究

叶绿素含量是植物生长中的重要参数,与农作物产量密切相关。无人机遥感技术作为一种新的数据获取手段,在农业中已得到广泛应用。以玉米为目标作物,将具有不同光谱响应函数的两种轻小型多光谱传感器(MCA和Sequoia),同时搭载在六旋翼无人机上,获取不同氮肥水平下大田玉米花期的多光谱影像。利用无人机影像空间分辨率高的特点,在小区尺度上,分别计算了基于两种多光谱传感器的各26种植被指数,并将其与地面实测的叶绿素含量(SPAD)值进行回归分析,研究不同波段反射率对SPAD值的敏感性,利用不同多光谱传感器及植被指数预测SPAD值的精度及稳定性。结果表明,对于具有较宽波段的Sequoia,在550 nm(绿波段)、735 nm(红边波段)的反射率对SPAD值的变化较敏感,其中,550 nm与SPAD值的相关系数最大(R2=0.802 9)。而对于较窄波段的MCA,720 nm(红边波段)的反射率与SPAD值具有较高的相关性(R2=0.724 8),550 nm(绿波段)次之。此外,由于两传感器红波段的中心波长和波段宽度不同,660 nm(Sequoia)反射率与SPAD值的相关系数为0.778 6,而680 nm(MCA)反射率与SPAD值的相关性较小,仅为0.488 6。利用无人机多光谱遥感技术预测大田玉米的SPAD值精度较高,但对于不同的多光谱传感器而言,同一植被指数却表现出较大的差异,其中,红波段和近红外波段组合构造的植被指数RVI,NDVI,PVI和MSR差异较大,具有较宽波段的Sequoia传感器优于窄波段的MCA;此外,对于Sequoia相机,GNDVI与RENDVI预测SPAD值的精度较高,RMSE分别为3.699和3.691;对于MCA相机,RENDVI预测精度最高(RMSE=3.742),GNDVI预测精度低于RENDVI(RMSE=3.912);两传感器中MCARI/OSAVI预测SPAD值精度均较低,RMSE分别为7.389(Sequoia)和7.361(MCA)。在所有的植被指数中,利用绿波段和近红外波构造的植被指数(G类),以及用红边波段和近红外波段构造的植被指数(RE类),预测SPAD值精度更高,均高于红外和近红外波段构造的植被指数;利用更多波段(三个及以上)组合构造的复杂植被指数,并不能显著提高预测精度。就预测模型而言,MCARI1更适用于对数模型,可有效提高预测精度, 而其他植被指数变化不显著。研究还发现,在小区水平SPAD值的预测方面,除NDVI和TVI,Sequoia相机对于不同氮肥条件下植被覆盖度、阴影和裸露土壤等环境背景因素具有较强的抗干扰能力;而对于MCA相机来说,TVI,DVI,MSAVI2,RDVI和MSAVI对环境背景因素非常敏感,预测SPAD精度低;此外,去除环境背景因素并不总是能够提高SPAD值的预测精度。本研究对于利用无人机多光谱遥感技术进行高精度的叶绿素含量预测具有指导意义,对于精准农业的推广和应用具有一定的借鉴价值。     

考虑水分光谱吸收特征的水稻叶片SPAD预测模型

叶绿素是植被光合作用的重要色素,传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。通过构建高精度SPAD光谱估算模型,可以实现对水稻叶片叶绿素含量的实时无损监测。以黑龙江省不同施氮水平下水稻为研究对象,采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。光谱探测范围350~2 500 nm。利用自带光源型手持叶片光谱探测器直接测定叶片光谱,光源为内置卤素灯。采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。叶片水分是植物光合作用的基本原料,也间接影响着叶绿素含量。叶片含水量降低则会影响植物正常的光合作用,导致其叶绿素含量随之降低。因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。随机森林模型是一个基于多个分类树的算法。算法在采样的过程中包括两个完全随机的过程,一是有放回抽样,可能会得到重复的样本,二是选取自变量是随机的。因此本文对叶片光谱反射率进行去包络线（CR）处理,综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数,综合分析光谱指标与SPAD相关关系,采用随机森林算法构建不同输入量的SPAD高光谱估算模型。结果表明: （1）水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围（600～690 nm）、红边范围（720~760 nm）、水分吸收波段范围（1 400~1 490和1 900~1 980 nm）均为0.75以上;（2）在光谱参数与SPAD 的相关分析中,NDVI,DP2与水稻叶片SPAD值相关性最好,相关系数为0.811和0.808;（3）以结合水分光谱信息后的CR_{(V1, V2, V3, V4)}为自变量所建立的随机森林模型精度最高,R2为0.715,RMSE为2.646,可作为水稻叶片叶绿素预测模型。研究结果揭示了不同品种水稻的光谱响应机制,提供了水稻叶片SPAD值高精度反演的技术方法,为监测与调控东北地区水稻正常生育进程提供技术支持。     

琅琊山景区不同叶绿素条件下树种叶片光谱差异分析

叶绿素含量高低反映植物健康状况,研究景区树种叶片叶绿素绝对值(SPAD)不同的光谱变化规律能为叶绿素高光谱监测波段识别与景区树种管理提供理论支撑。从琅琊山景区灌木和乔木类选取9个常见树种,探讨相同树种叶片SPAD值变化时的光谱差异,同时,横向对比相同SPAD值不同树种叶片的光谱特征,并深入分析不同树种叶片SPAD值与单波段原始光谱、光谱倒数、一阶微分、二阶微分及波段组合差值指数、归一化指数、比值指数、一阶微分归一化指数、一阶微分比值指数之间的关系。结果表明：9个所测树种叶片随着叶绿素SPAD值的升高,光谱变化规律各不相同,在可见光波段区分明显,总体上,光谱反射率最高的样本组SPAD值较低;叶绿素SPAD值相同时,在可见光波段,桂花较其余树种反射率整体较高; 在780~1 350 nm波段,广玉兰叶片反射率始终排前三,其余波段变化规律不明显;原始光谱反射率的二阶微分与海桐叶片SPAD值相关系数最大,一阶微分与其余8种相关性最高;与灌木、落叶乔木叶片SPAD值相关系数最大的光谱指数分别为差值指数、一阶微分归一化指数,与常绿乔木、不分树种相关系数最大的为一阶微分比值指数。     

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。     

基于高光谱成像的南瓜叶片叶绿素分布可视化研究

叶绿素浓度是植物生长的指示剂,而叶片的SPAD值则可以反映植物叶绿素含量,从而监测植物的生长状况。本文采用可见-近红外(380～1 030 nm)高光谱成像技术可以实现南瓜叶片SPAD值的可视化,同时根据叶片霜霉病疫情与叶绿素含量呈显著正相关进而可以快速诊断霜霉病疫情。通过测定健康叶片和感染不同霜霉病疫情的叶片光谱曲线,采用竞争性自适应重加权算法(CARS)进行特征波段的选择,可以得到10条特征波段,再结合偏最小二乘回归法(PLSR)进行南瓜叶片SPAD的预测。结果表明,通过对48个样本的训练,对23个样本进行预测,可以得到南瓜叶片SPAD较好的预测效果,其中R_C=0.918,RMSECV=3.932; R_CV=0.846,RMSECV=5.254; R_P=0.881,RMSEP=3.714。根据叶片光谱特征波段与SPAD之间的线性回归方程可以计算叶片各个像素点的SPAD值,最后采用图像处理技术可以得到南瓜叶片SPAD的可视化分布图,同时也反映了霜霉病的感染分布,进而判断南瓜叶片的霜霉病疫情。该研究为监测植物生长状况及判别南瓜叶片霜霉病疫情奠定了理论基础。     

叶片茸毛对叶片反射光谱及高光谱植被指数的影响研究

很多高光谱植被指数被用于对植被的生化物质含量进行非破坏性的估计与反演。由于这些指数都是利用不同波段的反射率计算而得到的,因而对叶片反射具有很大影响的茸毛等叶表结构对这些植被指数的反演精度的影响不容忽视。本研究发现去茸毛处理使得在400～1 000nm范围的的光谱反射都有所下降,但在各个波段的变化并不均匀。通过对比39个现有的高光谱植被指数在经过去茸毛处理前后的变化,发现一些只单独利用可见光或者近红外波段的高光谱植被指数,如CTR1:R695/R420,D740/D720,WBI:R900/R970,R860/(R550×R708)以及红边指数(REP)比大多数既使用可见光又使用近红外波段的高光谱植被指数受茸毛变化影响小,它们对茸毛的低敏感性可以使其在进行植被生化物质反演时更具有普适性。     

GWLS-SVR模型的红枣树叶片叶绿素含量估算

叶绿素含量是红枣树光合作用能力、生长状况、营养状况的指示剂,不同地理位置种植的红枣树受到自然、人为等因素的影响,叶绿素含量分布有所不同,该研究实地测定了若羌县枣树叶片高光谱反射率及表征叶绿素含量的枣树叶片SPAD（soil plant analysis development)值。为了高效无损地估算红枣树叶片SPAD值,计算了红枣树叶片SPAD值全局莫兰指数,以SPAD值和高光谱波段之间的相关性为基础,通过C_P统计量计算重要程度高的特征波段,运用地理加权最小二乘支持向量回归GWLS-SVR（geographically weighted least squares-support vector regression）模型对红枣树叶片SPAD值进行预测,与多元线性回归（MLR）、支持向量机回归（SVR）模型比较并探讨GWLS-SVR模型估算红枣树叶片SPAD值的能力。结果表明：（1）光谱一阶导数可以有效去除噪声并突出光谱信息尤其是492~510,542~543,642~652,657~670和682~692 nm区间内显著的提高了与SPAD值的相关性。（2）C_P统计量方法能够有效的选择敏感区间的特征波段,进而提高模型估算精度,由统计量方法计算出原始光谱重要程度最高的两个变量为595与696 nm,光谱一阶导数的特征波段为688 nm。其中对于同一个敏感波段区间的波段组合总有单个波段的统计量低于多个波段组合的统计量,这可能是相近波段间的较强共线性导致的。（3）若羌县红枣树叶片SPAD值存在显著的空间聚集性,全局莫兰指数为0.125 8（p<0.1）,适合建立考虑空间位置的GWLS-SVR模型。（4）结合Bootstrap再抽样与t检验模型检验得到结合地理位置信息的GWLS-SVR模型总体上估算能力优于SVR和MLR模型,且结果高度显著（p<0.001）,其中基于光谱一阶导数的GWLS-SVR模型为最优的红枣树叶片SPAD值估算模型（R2为0.975,MSE为1.082）,能够为高光谱定量反演红枣树SPAD值进而快速无损的监测红枣生长状况提供一定参考。     

可见/近红外实时成像光谱仪控制系统设计

针对高光谱成像需求,设计了一套可见/近红外实时成像光谱仪.光谱仪基于声光可调谐滤波器(Acousto-Optic Tunable Filter,AOTF)分光器件进行设计,光谱带宽为1.3μm,其中可见光相机工作在400～1000 nm波段,近红外相机工作在1000～1700 nm波段.光谱仪控制系统以现场可编程门阵列...     

植物叶片可见与近红外光谱反射率数据库的建立与主成分分析

可见与近红外波段光谱反射率数据库是颜色科学与技术和遥感目标地物分类识别领域等研究与应用的基础数据。主成分分析(PCA)在光谱数据分析、光谱重建、高光谱数据降维以及遥感图像分类等方面有广泛应用。测量并建立了云南公园常见绿化植物柳树、樟、红花檵木、蓝花楹等48种植物150条叶片从可见光到近红外波段光谱反射率数据库,波长范围400～1 000 nm、间隔4 nm。并且分别对可见与可见到近红外两种波段范围进行PCA研究。结果表明：不同植物叶片按照红、绿、黄相同色相的光谱反射率曲线基本相似;但对于同一种植物,在可见光波段400～700 nm,因为体内叶绿素、叶黄素、叶红素和花青苷含量的不同,光谱反射率曲线有较大的差异;在近红外波段700～1 000 nm,所有植物叶片光谱反射率仅仅是大小不同,而同一植物光谱反射率基本不随波长变化。PCA分析表明：在可见光和可见与近红外波段前三个主成分的累积贡献率分别达到98.62%和94.97%。数据库及其PCA分析结果将为自然物体光谱重建、多光谱成像技术和遥感目标地物分类识别等领域应用提供支撑。     

光谱指数的植物叶片叶绿素含量估算模型

叶片叶绿素能够有效监测植被的生长状况,利用光谱指数反演植被叶绿素含量是目前的通用方法。实测了盐生植物光谱反射率和叶片叶绿素含量。对SPAD值进行变换,对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证,从中选出最佳拟合模型。研究表明,通过对Pearson与VIP相关性分析,最终选定VIP方法建立植被指数的叶片叶绿素估算模型,NDVI₇₀₅,ARVI,CI_{red edge},PRI,VARI,PSRI和NPCI的VIP值均大于0.8,因此选定这七个植被指数为最优植被指数;预测结果显示,所有模型的相关性都在0.7以上,预测值与实测值相关性最好的是经过倒数变换的SPAD值,R=0.816,RMSE=0.007。基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量,该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。     

应用数码相机进行水稻氮营养诊断

传统的水稻氮营养诊断需要大量的破坏性取样和实验室分析,SPAD叶绿素仪虽然具有较高的精度,但只能测定叶片的很小一部分,需要进行多点的测试,在大面积应用费时费力,时效性和便捷性不足.该文利用田间不同氮水平试验,使用数码相机获取了水稻冠层图像并进行色彩分析,研究了利用可见光遥感技术手段进行水稻冠层的氮营养诊断的可行性,并对表征水稻氮营养状况的可见光光谱诊断指标进行了探索.研究结果表明,数字图像红光值(R)、绿光值(G)和红光标准化值(NRI)与水稻氮营养状况常规诊断指标植株全氮含量、生物量和地上部吸氮量等都旱显著的线性反相关关系,而绿光标准化值则与上述指标呈显著正相关关系.红光标准化值与叶绿素仪SPAD读数相比能更好地表征水稻幼穗期的氮素营养状况,与常规测试指标的相关系数介于0.541～0.780之间.数字图像色彩分析技术具有发展成为新一代作物氮营养诊断手段的潜力.     

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。     

玉米作物多光谱图像精准分割与叶绿素诊断方法研究

为了快速获取大田玉米作物长势信息,基于多光谱图像开展了大田玉米叶绿素指标的非破坏性诊断研究。应用自主开发的2-CCD多光谱图像感知系统,在田间采集玉米冠层可见光[Blue(B),Green(G),Red(R);400～700 nm]和近红外(Near-infrared: NIR,760～1 000 nm)图像,并使用SPAD同步测量样本叶绿素指标。采集后图像经自适应平滑滤波处理后,进行图像玉米植株提取。为了选择最优算法实现玉米植株与杂草、土壤背景的分割,首先比较了最大类间方差(OTSU)分割算法和局部阈值处理分割算法,选取了基于局部统计的可变阈值处理方法对玉米NIR图像进行初步分割,进而采用区域标记算法进行精细分割,分割准确率达95.59%。将分割结果应用于玉米植株可见光图像R,G,B各通道,从而实现了玉米植株多光谱图像中可见光图像的整体分割。基于分割后R,G,B和NIR四个通道的玉米冠层图像,提取了各通道图像灰度均值(A_NIR,A_Red,A_Green和A_Blue)并计算了归一化植被指数(NDVI)、比值植被指数(RVI)和绿色归一化植被指数(NDGI)作为光谱特征参数,建立了玉米冠层叶绿素指标诊断的偏最小二乘法回归模型。结果表明,建模R2达0.596 0,预测R2达0.568 5,该方法通过玉米多光谱图像特征参数评估叶片叶绿素含量,可为大田玉米长势监测提供支持。     

马铃薯光谱及数字图像特征参数对氮素水平的响应及其应用

为准确、快速地掌握马铃薯氮素状况,提高马铃薯对氮素的利用率,采用便携式高光谱地物波谱仪、数码相机与SPAD-502叶绿素仪获取马铃薯冠层图像、叶片光谱、叶片SPAD值,分析不同施氮水平下马铃薯两个关键生育时期数字化指标、叶片光谱指标、SPAD、产量的变化状况,以SPAD为辅助验证指标,以产量为氮素施用效率评价,分析数字化指标、叶片光谱与SPAD、产量的关系,明确最佳施氮水平下数字化指标、叶片光谱指标的临界值,以期探讨快速、简便进行马铃薯氮素营养诊断的方法。结果表明：(1)随着施氮水平的增加红边位置出现了“红移”,红边参数REP,Lwidth,FD_Max增加,Lo减小。(2)随着施氮水平增加数字化指标G/B和(G-B)/(R+G+B)逐渐降低,B/(R+G+B)逐渐增加。(3)SPAD随施氮量增加而提高,施氮量增加低氮水平增产效果明显,高氮水平增产效果不明显。光谱、红边参数、数字化指标与SPAD、产量相关性较好,据此建立了各个指标评价马铃薯氮营养丰缺的量化标准。表明运用数字图像与光谱技术进行马铃薯氮素营养诊断具有可行性,为马铃薯精准氮素营养监测提供研究思路与技术支撑。     

利用高光谱植被指数估测苹果树冠层叶绿素含量

叶绿素含量是反映植物生长状况的重要参数。利用ASD FieldSpec 3光谱仪,测定春梢停止生长期苹果冠层高光谱反射率,对原始光谱进行微分变换,与苹果叶绿素含量进行相关分析确定敏感波段,通过分析敏感区域400～1 350 nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：(1)苹果冠层叶绿素含量的敏感波段区域为400～1 350 nm。(2)利用筛选得到的植被指数CCI(D₇₉₄/D₇₆₃)构建的估测模型能较好的估测苹果冠层叶绿素含量。(3)以CCI(D₇₉₄/D₇₆₃)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。因此,利用高光谱技术能够较快速、精确的对苹果冠层叶绿素含量进行定量化反演,为苹果长势的遥感监测提供理论依据。     

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。