水体背景对湿地水生植物冠层光谱影响研究

水生植被是湿地生态系统的核心,也是影响湿地生态系统功能的最主要因素。近年来,卫星遥感技术在湿地植被资源调查、分类和保护等领域中已得到广泛的应用。由于水生植被独特的生长环境,其冠层光谱会受到水体背景要素包括大气—水界面、水中浮游生物以及泥沙含量、透明度、水体深度、底质和其他光学活性成分的影响,因此遥感技术应用于湿地水生植被冠层光谱研究时,需考虑到水生植被不同于陆生植被的生长环境,这一点在以往的相关研究中并没有得到应有的重视。以典型的挺水植物鸢尾(Iris tectorum Maxim)为研究对象,模拟湿地水生植被的生长环境,使用地物光谱仪测定了鸢尾植被冠层在不同水深梯度背景下的光谱反射率(400~2 400 nm)。实验结果表明,背景水深与鸢尾冠层反射率之间存在着显著的负相关性,其中可见光波段绝对相关系数在0.9以上,近红外波段的绝对相关系数在0.8以上。在可见光和近红外波段,随着背景水深的增加,鸢尾冠层反射率下降均比较明显。最后分别依据可见光和近红外区域相关性最高的波段(505,717,1 075和2 383 nm)建立了背景水深与冠层反射率之间的线性方程,并得出了相关参数。     

冬小麦生长期光谱变化特征与叶绿素含量监测研究

在分析冬小麦生长期冠层反射光谱和叶绿素含量变化特征的基础上,对二者之间的相关性进行了研究。表明从小麦拔节期开始,冠层反射光谱在可见光区(400～750 nm)的反射率先降低而后升高,以孕穗期反射率最低;在近红外区(750～1 000 nm)冠层反射率由拔节期至孕穗期反射率降低,然后开始上升。扬花期上升至最高点后又开始下降,直至乳熟期降至最低。冬小麦冠层反射率与叶绿素含量相关分析结果表明,冬小麦拔节期和孕穗期二者呈正相关,扬花期二者呈负相关;整个生长期中,孕穗期可见光区552 nm处反射率与叶绿素含量相关系数最大达0.89。依据冬小麦生长期冠层反射光谱红边拐点位置,分别建立了拔节期叶绿素含量线性检测模型(R2=0.92)和孕穗期二项式模型(R2=0.91),用于冬小麦叶绿素含量的无损检测是可行的。     

融入可见光-近红外高光谱吸收特征的新型植被指数估算天然草地FAPAR

考虑到植被可见光-近红外的光谱吸收特征与光合有效辐射吸收率(fraction of absorbed photosynthetically active radiation,FAPAR)有很好的关联,综合“高光谱曲线特征吸收峰自动识别法”与“光谱吸收特征参量化法”,提取对FAPAR敏感的高光谱吸收特征参数,借鉴可见光-近红外植被指数的数学形式,尝试用优化组合后的可见光-近红外光谱吸收特征参数替代光谱反射率,构建新型植被指数估算植被FAPAR,并利用2014年和2015年内蒙古自治区中部与东部地区天然草地典型群落冠层实测光谱数据进行FAPAR估算建模与验证。结果表明: 新型植被指数“SAI-VI”不仅有效提高了单个光谱吸收特征参数在高、低覆盖区域估算FAPAR的精度,而且相比五种与FAPAR有较好相关性的具有不同作用类型的可见光-近红外植被指数,其与FAPAR值的相关性更高(存在最大相关系数=0.801),以其为变量的指数模型预测FAPAR精度更高且稳定性较好(建模与检验的判定系数均最高且超过0.75,标准误差与平均误差系数也相应最小)。研究表明：融入可见光-近红外高光谱吸收特征的新型植被指数“SAI-VI”,强化了可见光波段与近红外波段光谱吸收特征的差别,相较单一光谱吸收特征参数,在降低土壤背景影响的同时增强了对FAPAR变化的敏感度。同时,“SAI-VI”有效综合了对植被FAPAR敏感的光谱吸收特征信息,相较原始光谱反射率,能表达植被光合有效辐射吸收特征的更多细节信息,可作为植被冠层FAPAR反演的新参数,一定程度上弥补当前植被指数法估算FAPAR的不足。     

温室番茄冠层和叶片光谱特征分析及营养诊断

通过温室基质栽培,利用ASD光谱仪和傅里叶光谱分析仪测量了四种营养水平下温室番茄冠层和叶片的光谱反射曲线,并检测了对应叶片的水分含量、叶绿素含量和氮含量,分析了不同营养水平下番茄冠层和叶片的反射光谱变化,并对番茄叶片含水量的敏感波长以及冠层反射光谱的红边波长进行了研究。结果表明:温室番茄冠层反射光谱曲线在可见光550nm左右均有叶绿素的强反射峰,近红外区反射率高于可见光区。在同一生长期,随基质营养水平的提高,番茄冠层反射率在可见光波段不断减小,在近红外波段不断增大,且红边波长位置出现"红移"现象。利用530和760nm特征波长得到的归一化颜色指标NDCI与叶片氮含量有较好相关性,R2为0.7511。     

基于Landsat 8 OLI数据的玉米冠层含水量反演研究

植被含水量是作物长势好坏的指示因子,利用遥感技术及时准确监测植被含水量对农业生产、作物估产和干旱状况评价具有重要意义。基于新一代对地观测计划Landsat 8 OLI传感器(Operational Land Imager,陆地成像仪),评价其植被含水量反演的能力与局限性。首先,利用ProSail冠层模型模拟冠层光谱反射率数据集,分析OLI传感器的植被含水量敏感波段以及土壤背景对各波段反射率的影响,然后利用基于Landsat OLI影像计算的植被水分指数和2013年6月1日—8月14日期间采样的植被含水量数据,比较12种植被水分指数与地面实际采样的植被含水量的相关性,评价估算植被含水量的最佳植被水分指数。结果表明：OLI传感器的红、近红外和两个短波红外对植被含水量敏感,其中近红外波段最为敏感;在低植被覆盖度时,土壤背景反射率的太阳辐射将达到光谱传感器影响植被水分指数与植被含水量之间的关系,利用ProSail模拟干湿土壤背景反射率结果也表明土壤背景对植被冠层反射率的影响很大;引入优化土壤调整植被指数(OSAVI)去除土壤背景对植被水分指数的影响;在12种植被水分指数中,MSI2与植被含水量的拟合关系最好(R2=0.948),植被含水量的平均拟合误差为0.52 kg·m-2;在植被生长晚期即植被含水量大于2 kg·m-2时,各植被水分指数出现饱和情况,植被含水量的估算结果不佳。     

基于线性回归算法的春玉米叶面积指数的冠层高光谱反演研究

利用辽宁锦州地区2013年生长季不同土壤水分控制条件下的春玉米冠层高光谱数据,及对应的植株叶面积指数(leaf area index,LAI)数据,分析在不同发育期内不同生长状况下的春玉米冠层高光谱特征及其与植株叶面积指数的关系。采集并计算共313组有效样本,包括350～2 500 nm波段范围光谱的反射率、反射率倒数的对数、反射率一阶导数及LAI,应用多元逐步线性回归法和偏最小二乘回归法,对剔除了受大气水分影响较为严重光谱波段的其他波段数据进行降维,构建叶面积指数的全波段冠层高光谱数据模型,并进行精度检验与比较。结果表明,春玉米LAI与光谱反射率在可见光波段(350～680 nm)、红外波段(1 430～1 800和1 950～2 450 nm)均呈显著的负相关;反射率倒数的对数在对应区间为显著的正相关;反射率一阶导数则在可见光和近红外波段(350～1 350 nm)存在较显著相关波段。三种全波段冠层高光谱数据在春玉米LAI的线性回归中,偏最小二乘法在以冠层反射率为自变量的模型构建中,比多元逐步线性回归拟合度好,其总均方根误差为0.480 7;以冠层光谱反射率的倒数的对数及一阶导数为自变量,应用逐步线性回归法建模,拟合度较好,其总均方根误差分别为0.333 5和0.348 8;三种光谱数据的春玉米LAI两种回归算法中,以冠层反射率倒数的对数为自变量,应用逐步线性回归方法建模的拟合度最佳。     

叶面降尘对香梨叶片高光谱特征的影响及定量反演研究

叶面降尘指大气中的浮尘经重力沉降后,在植物叶片表面所形成的一层明显积尘,对其进行监测,可为沙尘区的环境评价及农业灾害评估提供基本依据。在量化叶面降尘的基础上,研究了叶面降尘对南疆香梨叶片高光谱特征的影响,分析了叶面降尘与反射率的相关性,并建立了叶面降尘的高光谱定量反演模型。研究结果表明,叶面降尘使可见光(400~700 nm)反射率增加,最大变幅位于666 nm,绝对变化率为-10.50%,相对变化率为62.89%;使近红外(701~1 050 nm)的反射率降低,最大变幅位于758 nm,绝对变化率为12.04%,相对变化率为-41.75%。叶面降尘量大于20 g·m-2时,叶片除尘后,绿峰、红光吸收谷、蓝光吸收谷得到凸现,500~750 nm波段的斜率明显变大。叶面降尘量低于20 g·m-2时,其对绿峰的形状和面积影响不大。叶面降尘与反射率在可见光波段呈正相关,与近红外波段呈负相关,可见光波段的相关性要优于近红外波段,最大相关系数(0.61)出现在663 nm。在构建的七种PLSR反演模型中,倒数对数一阶微分模型具有较好的稳定性及预测能力,决定系数(R2)、均方根误差(RMSE)、预测方差比(RPD)分别为0.78,3.37和2.09,对叶面降尘具有很好的预测能力,其余模型的RPD均小于2.0。研究结果为叶面降尘的高光谱遥感监测提供了一定的理论依据,同时为沙尘区环境评价及农业灾害评估提供了新的数据获取方法与思路。     

大麻植物冠层光谱特征研究

大麻是一种特殊的经济作物,具有广泛的应用领域,准确掌握我国大麻种植面积与空间分布,对国家制定大麻产业政策具有重要的参考价值。遥感技术是大范围内大麻监测的一种潜在手段,但是对大麻光谱特征少有研究。利用ASD FieldSpec便携式光谱仪实测的大麻植物及常见作物的冠层光谱数据,系统分析了大麻植物冠层光谱特征,并采用差异分析的方法,探明其遥感探测的最佳波段和所需的波段光谱分辨率,为大区域范围内的大麻植物遥感识别提供了理论基础。研究表明,大麻植物在530,552,734,992,1 213,1 580和2 199 nm附近冠层光谱反射特征与其他植物有较大差异,且在734 nm附近与其他植物有最大反射率差异。光谱分辨率在可见光和近红外波段需要30 nm或更窄,在中红外波段需要50 nm或更窄。     

基于可见-近红外光谱技术的炭疽病侵染后油茶叶片叶绿素含量预测研究

分析炭疽病侵染后油茶冠层的可见-近红外光谱特征,探索建立病害胁迫下油茶冠层叶片叶绿素含量的预测模型。通过实地调查病情指数,获取不同病害程度的油茶冠层叶片光谱数据及其叶绿素含量,并对光谱数据进行了一阶微分与滑动平均滤波相结合的预处理,再通过光谱数据重采样,提取敏感波段建立了叶绿素含量的BP神经网络预测模型。结果表明:(1)随着病情的加重,油茶冠层光谱可见光区域的反射峰和吸收谷逐渐消失;红光到近红外陡峭的红边被逐渐拉平;在近红外区域,健康油茶的光谱反射率明显大于感病油茶的光谱反射率。(2)微分光谱484～512,533～565,586～606和672～724nm四个波段是叶绿素吸收和反射的敏感波段。(3)以敏感波段为输入变量建立的BP神经网络模型,其计算出的预测值与观测值之间的相关系数r和均方根误差分别为0.992 1和0.045 8。因此,利用可见-近红外光谱技术预测炭疽病侵染后油茶叶片叶绿素含量是可行的。     

基于光谱波段自相关的水稻信息提取波段选择

通过大田试验,使用ASD光谱仪测量水稻不同生育期的冠层光谱,将光谱以10 nm为步长进行合并,再将不同日期光谱的所有波段组合计算相关系数平方（R2）,生成R2矩阵,并绘制R2分布图。根据R2越大,光谱波段之间冗余信息越多,R2越小,水稻光谱波段信息含量越多的原则,在所有测量日期中选择出前100个R2最小值对应的波段,将这些波段进行统计分析。结果表明,可见光区域各个波段之间和红外（近红外和短波红外）区域各个波段之间都含有大量冗余信息。水稻信息量丰富的波段主要集中在可见光的长波波段,红边波段,近红外第一和第二峰值波段,以及短波近红外第一峰前区（1 530 nm附近）和第二峰值区（2 215 nm附近）。比较水稻与其他植被对于最优波段的选择,400～410,630～650和1 520～1 540 nm三个波段区间表现为水稻信息提取较为独特的波段。     

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。     

基于光谱技术的水稻稻纵卷叶螟受害区域检测

利用光谱技术探索了水稻稻纵卷叶螟虫害的检测。通过分析田间水稻稻纵卷叶螟受害区和对照区冠层反射光谱和一阶微分光谱特征差异发现,可见光区(400~700 nm),550 nm附近中度受害水稻冠层反射率明显低于对照冠层反射率值,重度受害水稻冠层反射率则高于对照区冠层反射率;水稻受害时,叶片受损及干枯导致叶绿素含量降低,对红光波段(600~700 nm)的吸收减小。近红外区(750~770 nm)范围内,受害水稻冠层反射光谱曲线均不同程度出现"尖峰"波动,且光谱曲线红边拐点发生"蓝移"。通过构建样本总体修正曲线,提供了直观判别广域水稻是否受稻纵卷叶螟虫害侵扰的依据。进一步探讨稻纵卷叶螟受害区定性检测参数发现,利用NIR-NDVI特征可以有效地区分对照区和受害区区域,经验证,准确率达70%。     

基于光谱分析与角度斜率指数的植被含水量研究

植被含水量是植被生长状态的重要指示因子,是农业、生态和水文等研究中的重要参数,其诊断对于监测自然植被群落的干旱状况、预报森林火灾等都具有重要意义。通过对植被光谱反射率与植被含水量的相关性分析,发现植被波谱不同波段的光谱反射率与植被含水量的相关性差异很大,其中可见光红光波段(620～700 nm)、近红外波段(800～1 350, 1 600～1 950, 2 200～2 400 nm)的光谱反射率与植被含水量具有较好的相关性,选取了660,850,1 630和2 200 nm的光谱反射率作为RED,NIR,SWIR1和SWIR2的波段值来建立角度斜率指数;分析了植被含水量与角度斜率指数的关系,将角度斜率指数(SANI,SASI,ANIR)作为反演植被含水量的参量,建立植被含水量与角度斜率指数之间线性回归模型。通过对近红外角度指数ANIR改进,提出了近红外角度归一化指数NANI(near infrared angle normalized index)与近红外角度斜率指数NASI(near infrared angle slope index),建立植被含水量与NANI和NASI之间线性回归模型,结果显示：NANI与Palacios-Orueta等提出的角度斜率指数(SANI,SASI,ANIR)相比有一定的优势,模型可决系数R2从原最高0.791提高到0.853,RMSE也从原最小0.047降低到0.039。确定了NANI为反演植被含水量的最佳角度斜率指数,并建立了植被含水量反演模型。该研究主要创新点：在前人研究成果基础上,通过对原角度斜率指数的改进,提出了NANI和NASI角度斜率指数,使其在植被含水量反演上具有更高的精度。     

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。     

典型伪装材料高光谱特征及识别方法研究

针对某些特定环境下,伪装目标和背景目标出现的“异物同谱”现象,传统的可见光及多光谱遥感伪装识别存在局限性,为此,将高光谱应用到典型伪装材料的特征分析与识别。以北方地区常用丛林迷彩伪装网为研究对象,利用SVC HR1024光谱仪获取其不同浸水时间的可见光-近红外光谱,通过光谱相似性度量和包络线去除处理,分析揭示不同浸水条件下伪装网和北方典型植被光谱特征和敏感波段,并基于近红外波段构建光谱比值指数RCI,用于识别绿色植被环境中的伪装目标,最后通过高光谱成像实验获取仿真伪装环境高光谱图像,并利用高光谱图像对识别效果进行验证。结果显示：(1)不同浸水时间的丛林迷彩伪装网的光谱曲线基本形态相似,且反射率随浸水时间的增加而整体呈下降趋势;1 900 nm波段是伪装网反射光谱对含水量响应最为明显的波段,其光谱特征会因浸水处理而相似于植被,相似度从0.895提高到了0.939。(2)丛林迷彩伪装网和植被在可见光波段的相似度较高,光谱波动情况相似,但在近红外波段光谱特征差异明显。通过包络线统去除分析得出970, 1 190和1 440 nm波段附近处是丛林迷彩伪装网识别的敏感波段,且基于迷彩伪装网和各植...     

三峡库区柑桔园紫色土光谱特征及其与氮素相关性研究

应用可见光-近红外光谱技术研究了三峡库区柑桔园紫色土的光谱特征及其与土壤氮素营养含量的相关性。结果表明,三峡库区柑桔园土壤光谱反射率在可见光区域随波长增加呈直线上升,在近红外短波区域(780～1 750 nm)基本趋于平稳,波动较小,而在近红外长波区域(1 750～2 400 nm)上波动性和反射率均较大,并且在近红外长波段区域的1 416,1 913,2 209 nm处出现了强的吸收峰。土壤有效氮、全氮含量均与光谱反射率呈正相关,与倒数对数光谱成负相关。在可见光541 nm处,土壤有效氮含量与反射光谱一阶导数微分值达最大正相关,相关系数为0.605**,二者响应的最佳拟合方程为y=2E+09x2-3E+06x+890.49(R2=0.5,x为反射光谱一阶导数值)。在近红外长波段1 909 nm处,土壤全氮含量与反射光谱的倒数对数值的相关性最好,相关系数为-0.612**,二者响应的最佳拟合模型为y=1.372 12-2.107 5x+0.859 2(R2=0.4,x为反射光谱倒数对数值)。     

基于Hyperion高光谱数据的温带森林不同冠层结构的光谱特征分析

冠层是植被进行生态过程的主要层次,森林冠层结构影响冠层生化组分的遥感反演,因此对其光谱特征的分析有助于提高冠层生化组分反演的精度。以长白山温带阔叶红松林为研究对象,利用Hyperion高光谱数据提取不同林冠反射率,运用连续统去除和光谱一阶微分法进行光谱变换,定量分析森林冠层的光谱特征。通过计算样方阔叶树种优势度(BFDI),以及一系列光谱指数(NIR,NDVI,EVI,NDNI,SPRI*NDVI和SPRI*EVI),探讨冠层结构组成对其光谱特征及光谱指数的影响。结果表明：(1)相比阔叶林冠层,针阔混交林、美人松林和樟子松林冠层光谱的红边有左移趋势,斜率明显下降,蓝边、黄边斜率特征也相应减弱,近红外波段反射率明显下降,可见光波段的归一化反射率有上升趋势,表明不同林冠,尤其针叶林与阔叶林林冠之间的光谱特征差异明显。(2)BFDI对冠层NIR反射率和三边斜率有明显的影响,与光谱指数显著相关(P<0.01),表明BFDI影响森林光谱指数。BFDI与NDVI,EVI,SPRI*EVI,NIR,SPRI*NDVI,NDNI的R2分别达到0.90,0.83,0.83,0.81,0.68,0.59,揭示了BFDI对于冠层绿度、叶面积指数、植被生产力以及冠层叶氮浓度等植被参数存在一定影响。研究表明,利用星载高光谱数据结合地面样方调查可以很好地阐明林冠结构组成对于光谱特征的影响,也对优化植被冠层生化组分和森林生态系统生产力的遥感反演具有借鉴意义。     

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。     

不同施氮水平下玉米冠层光谱反射特征分析

通过田间试验研究了玉米不同生长期冠层光谱反射率的变化特征,分析了不同施氮水平下可见光区冠层光谱反射率的差异。研究结果表明：受作物群体光和能力的影响,玉米可见光区冠层反射光谱在拔节期达最高点,随后持续降低; 近红外区,苗期反射率最低,在拔节期达最高点,喇叭口期有所降低而在开花吐丝期得到回升,进入灌浆期后又下降。不同施氮水平下,拔节期随施氮水平的增加,叶绿素的强吸收带(430～450和640～660 nm)玉米冠层反射曲线呈下降排列,但在550 nm附近反射率R_正常>R_偏低>R_偏高; 喇叭口期偏低施氮区的冠层反射率在可见光区明显高于其它施氮水平,且偏高和正常施氮区域内光谱反射强度基本相同,显示过量施肥并不会促进作物生长。分析玉米生长期间不同施氮水平下光谱反射率的差异,对监测玉米生长状况,指导田间施肥具有重要的现实意义。     

基于高光谱和BP神经网络的棉花冠层叶绿素含量联合估算

冠层叶绿素能够有效反映植被的生长状况。为了基于高光谱精确估算冠层的叶绿素含量,以棉花为研究对象,实测棉花冠层光谱反射率和叶绿素含量,然后进行原始光谱数据转换,计算高光谱参数,分析叶绿素含量与高光谱参数之间的相关关系,构建估算棉花冠层叶绿素含量的BP神经网络模型。结果表明:包络线去除处理后,冠层反射率和叶绿素含量的相关性在560～740 nm波段范围内提高了10.7%,效果优于原始光谱和一阶微分光谱得到的结果;基于原始光谱和去除包络线光谱建立的植被指数mSR、mND、NDI、DD与叶绿素含量表现出较高的相关性,相关系数均在0.8左右;在所建的BP神经网络模型中,基于包络线光谱指数建立的模型的决定系数为0.85,均方根误差和相对误差分别为1.37、1.97%,这一结果优于基于红边参数、原始光谱植被指数和一阶微分光谱指数建立的模型。本研究可为作物叶绿素含量估算的实际应用提供理论依据和技术支持。