卷积神经网络模型的遥感反演水质参数COD

化学需氧量(COD)是水体污染监测的常用水质指标之一,传统采集手段耗时耗力;利用遥感反演COD浓度能够快速获取整个水域的COD浓度空间分布状况,对于水污染治理和水环境保护具有重要意义。目前利用多光谱遥感数据反演COD浓度精度较低,主要原因是目前的反演模型多是以皮尔逊相关系数大小为指标选取建模波段的经验方法,对于多光谱遥感数据而言,其光谱波段范围较宽,波段的组合数量有限,难以找到有效的变量作为建模变量。针对这一问题,以郑州市天德湖为例,基于Planet多光谱高分辨率遥感影像,对遥感影像进行预处理和分析水样的高光谱数据,利用卷积神经网络对天德湖COD浓度进行反演;同时选取单变量回归模型、多变量回归模型进行精度对比。主要研究结论有：(1)相比于以皮尔逊相关系数为衡量标准选择不同波段组合的反演方式,卷积神经网络反演具有更高的空间反演精度,其决定系数为0.89, RMSE为2.22 mg·L^-1,这是因为卷积神经网络不仅充分利用了遥感影像的光谱特征,而且能够提取目标像元周围的领域空间信息,学习到图像深层的抽象特征以及水质参数浓度和遥感数据之间的“内在规律”,可以在一定程度上...     

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

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。     

人工神经网络结合多光谱遥感数据用于立地质量评价

多光谱遥感数据蕴含着大量的地表立地信息,而传统立地质量评价体系主要使用了人工地面调查数据。为了建立一套有效的立地质量评价体系,以内蒙古赤峰市旺业甸林场为研究对象,基于研究区域的多光谱遥感数据结合地面小班调查数据,采用一种改进的反向传播人工神经网络(back Propagation artificial neural network,BPANN)模型,以落叶松为例,建立了遥感光谱因子结合立地因子与地位指数关系的神经网络模型,对研究区域的小班进行立地质量评价研究。通过训练数据集的敏感度分析剔除弱相关或不相关的因子,简化了神经网络的规模,提高了网络的训练效率,得到了最优的地位指数预测模型,模型的预测精度达到95.36%,与使用传统小班调查数据建立的神经网络模型的预测结果进行了比较,精度提高了9.83%,说明使用多光谱遥感数据+小班调查数据确定的落叶松地位指数预测模型具有最高的预测精度。多光谱遥感数据十分适用于森林立地质量评价,改进BP神经网络具有理想的预测精度,充分证实了该方法的有效性和优越性。     

利用遥感植被指数模型研究青狮潭水源林变化

漓江近30年来出现了水量减少、枯水期越来越长的问题,而其上游青狮潭水源林覆盖的变化是影响漓江水量的重要因素之一。分别利用遥感比值植被指数(RVI)和归一化植被指数(NDVI)模型,提取美国ETM遥感图像青狮潭水源林不同时相的植被指数,通过分析植被指数的变化来研究水源林覆盖的变化。结果表明,1999年12月15日至2002年1月5日,研究区青狮潭水源林大部分面积(约80%)的植被覆盖度出现下降趋势,但植被覆盖度减少的数值不大,RVI减少值主要在-1.5≤·RVI<-0.1,NDVI减少面积中超过一半面积的NDVI减少值在-0.2≤·NDVI<-0.1,增长、不变的面积各占10%左右,遥感植被指数为定量分析漓江上游水源林覆盖的变化提供了一种有效手段。     

GF-6 WFV光谱植被指数模型的叶面积指数反演

农业是国家经济发展的基础支柱,同时也是社会发展的基础产业。我国农业遥感技术的进步和发展,大量遥感卫星发射升空,如高分1号、 2号和6号等,为我国农情监测、作物长势、农业产业结构调整提供了重要技术支撑。农业遥感成为农业科技创新和精准农业的重要手段。叶面积指数(LAI)是一种可用来衡量植被冠层生理与生化的关键指标,不仅可以用来评估植被冠层表面的最初能量交换情况,提供相应的结构定量数据,还能反映植被冠层的光谱能量信息。同时,在陆地气候变化情况下,叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。此外,研究发现植被冠层受人为活动和气候变化的直接或间接影响时,叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。因此,针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、稳定性较弱的问题。基于GF-6 WFV遥感影像以栾城县为试验区,通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数,采用R²和RMSE进行模型评价,同时利用未参与建模的实测叶面积指数和MODIS LAI产...     

遥感植被指数和CASA模型估算山东省冬小麦单产

准确估算区域尺度冬小麦单产对明确区域农业生产现状与保证国家粮食安全有重要意义。光能利用率模型是作物单产估算的常用模型之一,模型中最大光能利用率(ξmax)是准确估算作物单产的关键参数,作物的ξmax是否随时间发生变化需要深入探讨。首先使用Savitzky-Golay(S-G)对中分辨率成像光谱仪(MODIS)时序植被指数数据进行滤波,采用差分法结合光谱突变法提取了山东省2000年—2015年冬小麦种植面积,并使用市级尺度年鉴统计面积对提取面积进行验证,然后使用固定ξmax和变化ξmax分别驱动光能利用率模型(CASA),结合作物收获指数与冬小麦种植面积获取山东省2000年—2016年冬小麦单产时空分布特征,探讨最大光能利用率对作物单产模拟的影响。结果表明,滤波后的时序植被指数数据能够反映冬小麦生长的光谱特征,差分法与光谱突变法结合提取冬小麦面积具有较好的普适性,提取的多年冬小麦种植面积与年鉴统计冬小麦播种面积之间的决定系数(R^2)达0.71;变化ξmax情景下模拟的多年冬小麦单产与统计单产之间的决定系数更高,说明冬小麦ξmax是随时间变化的,可能与冬小麦品种更替有关。基于统计与模拟的结果均显示山东省冬小麦单产在2000年—2016年间呈现增加趋势,两者表现出来的增加速率分别为93.12和149.79 kg·hm^-2·a^-1。在空间上,山东省冬小麦单产呈现西部高于东部的分布特征。     

基于无人机高光谱遥感的冬小麦全氮含量反演

氮素是作物生长发育必需的营养元素之一,作物的全氮含量是表征其氮素状况的主要指标。田块尺度的冬小麦全氮含量空间分布监测可以辅助其精准定量追肥,减少环境污染。无人机高光谱遥感具有分辨率高、时效性高、成本低等优势,可为作物长势信息反演提供重要数据源。XGBoost（extreme gradient boosting）作为一种新兴集成学习算法,运行效率高,泛化能力强,可以有效的应用于构建冬小麦全氮含量遥感反演模型,预测田块尺度冬小麦全氮含量空间分布。以农业部蒙城砂姜黑土生态环境站内拔节期冬小麦为研究对象,开展以下工作: （1）以低空无人机搭载高光谱成像仪获取冬小麦拔节期冠层成像光谱影像,结合地面采样数据,获取126个样点全氮含量数据;（2）分析拔节期冬小麦冠层光谱特征,并根据Person相关系数分析176个波段的光谱反射率与全氮含量之间的相关性;（3）构建基于XGBoost算法的不同土壤肥力条件下拔节期冬小麦全氮含量无人机高光谱反演模型。结果表明: （1）176个波段（400~1 000 nm）的光谱反射率与冬小麦全氮含量之间具有较强的相关性,除了735.5 nm外其他波段光谱反射率与全氮含量之间的相关系数均大于0.5;（2）基于XGBoost算法构建的拔节期冬小麦全氮含量无人机高光谱遥感反演模型具有较高的反演精度（R2=0.76,RMSE=2.68）;（3）基于XGBoost算法的冬小麦全氮含量反演模型可以获取不同土壤肥力条件下田块尺度的全氮含量空间分布图,总体上呈现较为显著的空间差异。该研究可为冬小麦精准定量追肥提供一定的科学依据,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

基于无人机遥感的不同施氮水稻光谱与植被指数分析

卫星遥感空间分辨率低且易受大气、云层、雨雪等因素的影响。本文使用共轴十二旋翼无人机搭载光谱仪构成农情遥感系统。首先,给出自主设计的无人机结构和飞行控制系统,围绕飞行平台、控制系统、遥感载荷构建了多环节数据备份的无人机遥感数据采集系统;然后,试验测试4种施氮水平水稻的光谱指数变化规律;最后,通过试验数据分析可得:在可见光区水稻冠层光谱反射率随氮素水平增加而减小,在近红外区,光谱反射率一开始随氮素水平增加而增大,但氮素水平增大到一定程度后再增加氮素导致反射率降低。在4种氮素水平下,水稻植被指数RVI和NDVI由分蘖期到拔节期先增大,然后至抽穗期又逐渐减小,且抽穗期RVI和NDVI值小于其分蘖期RVI和NDVI值。试验表明以多旋翼无人机为平台搭载光谱仪器构成农情遥感监测系统用于反演作物植被指数方面是可行的。本文设计的无人机遥感数据采集系统能够有效、实时获取遥感信息,其获取的高空间分辨率和光谱分辨率的农田实时信息能够为作物长势的分析、健康状况的监测提供必要的数据支持。     

艾比湖湿地自然保护区土壤盐分多光谱遥感反演模型

土壤盐分是衡量土壤质量的要素,也是作物生长发育的基本条件。因此,迫切地需要一种可以快速了解土壤盐分含量（SSC）的方法。针对艾比湖湿地自然保护区,基于Landsat8 OLI多光谱遥感影像,以该研究区36个土壤表层样品的盐分含量为数据源,选择相关性较好的多光谱遥感指数分析研究区土壤盐分分布状况,并将其分别与实测SSC构建线性、对数、二次函数模型,进而优选精度最高的模型来反演该研究区SSC。结果表明：（1）在多光谱遥感指数中,与SSC相关性最高的是增强型植被指数（EVI）,其相关性范围为（-0.70~-0.67）;其次是传统型植被指数（TVI）,其范围为（-0.58~-0.46）;土壤盐分指数（SI）与SSC的相关性最低,其范围为（-0.45~0.16）,其中SI3和SI4与SSC均没有相关性。（2）将实测土壤盐分值所反演的分布图与EVI对比分析,发现在西北、正南方向的艾比湖湖边周围和东北方向盐池桥的SSC均较高,其EVI的值较低,说明通过该研究区实测土壤盐分值所反演的盐分分布图与EVI的空间分布结果较为一致,表明EVI对该地区土壤盐分具有一定的敏感性,能较好地反演SSC的空间分布;（3）分别将三种EVI与实测SSC建模分析比较,发现SSC与增强型比值植被指数（ERVI）所构建的二次函数模型最好;其验证集的决定系数（R2）为0.92,均方根误差（RMSE）为2.48,相对分析误差（RPD）为2.09,模型精度较高、稳定性较为可靠,相比之下,说明ERVI对该湿地自然保护区土壤盐分有更高的敏感性,可以用来预测该区域SSC,从而进行空间反演。在TVI中加入Landsat8多光谱遥感影像的b6和b7波段,得到EVI,以此来反演SSC是可行的,且比传统可见光和近红外波段所构建的植被指数反演效果更好。因此该研究不仅可以为遥感反演提供理论参考,而且对该地区SSC的定量估算和动态监测具有重要的意义,也可作为其他区域SSC预测反演的备选方案。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究

为探究遥感监测水稻冠层叶片氮素含量的较优高光谱反演模型,以水稻小区试验为基础,获取了不同生长期水稻冠层高光谱数据。在综合比较一阶导数变换(1-Der)、标准正态变量变换(SNV)和SG滤波法等处理方法基础上,提出一种将SNV与一阶导数变换的SG滤波法相结合的光谱处理方法(SNV-FDSGF),并将处理后的数据经无信息变量消除法(UVE)与竞争自适应重加权采样法（CARS）选出不同生长期的敏感波段。将各生长期的敏感波段两两随机组合,并构建与水稻叶片含氮量相关性较高的差值光谱植被指数(DSI)、比值光谱植被指数(RSI)、归一化光谱植被指数(NDSI)。其中分蘖、拔节和抽穗3个时期的最优植被指数和决定系数R2分别为：DSI(R₈₅₇, R₆₂₃), 0.704; DSI(R₆₇₀, R₅₇₈), 0.786; DSI(R₉₉₅, R₅₀₈), 0.754。以各生长期内的较优的三种植被指数作为输入分别构建自适应差分优化的极限学习机(SaDE-ELM)、径向基神经网络(RBF-NN)以及粒子群优化的BP神经网络(PSO-BPNN)反演模型。结果表明：SaDE-ELM建模效果最好,在模型稳定性和预测能力上比RBF-NN和PSO-BPNN都有了明显提高,各生长期反演模型的训练集和验证集决定系数R2均在0.810以上,RMSE均在0.400以下,可为东北水粳稻冠层叶片含氮量的检测与评估提供科学和技术依据。     

基于多光谱遥感成像链模型的系统信噪比分析

信噪比(SNR)是评价多光谱遥感成像性能的重要指标,在设计多光谱遥感成像仪的最初阶段应进行分析,从而确定各分系统相关参数。多光谱遥感系统的成像链模型综合考虑辐射源、地物光谱反射、大气辐射传输、光学系统成像、分光元件特性、探测器光谱响应和相机噪声等各个环节,可用于进行成像过程端对端的完整分析。以基于滤光片阵列的多光谱遥感系统为例,采用MODTRAN软件进行大气辐射传输计算,对不同太阳天顶角下,不同目标地物计算像面的照度,根据电荷耦合器件探测器的噪声模型,计算出不同工作条件下多光谱遥感系统的SNR。通过对SNR的分析,可给出该类型多光谱遥感系统获得最佳性能的工作条件,并能够结合使用要求进行光学系统参数的优化选择。     

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。     

苔藓结皮影响干旱半干旱植被指数的稳定性

植被指数是表征大尺度下陆地生态系统的最常用的,也是最前要的参数,所以得到准确的植被指数就显得至关重要.苔鲜结皮在干旱半干旱区、极地和亚极地Ⅸ分布广泛,且干、湿苔鲜结皮光谱差异较大,这种差异在十湿交替频繁的干旱与半干旱区是否对区域植被指数产乍影响?能产生多大的影响?国内外未见研究报道.该文以最常用的植被指数NDVI为例,重点分析了苔藓结皮干、湿变化能在多大程度上影响区域NDVI值.研究得出,100%盖度的湿苔藓结皮NDVI值(0.657)较于苔鲜结皮NDVI值(0.320)提高0.337,比干苔藓结皮高1倍多,干、湿苔藓结皮NDVI值达到0.000水平差异显著;研究区苔藓结皮的平均盖度为12.25%,线性混合光谱模型分析得出,湿苔藓结皮较干苔鲜结皮可以使研究区区域NDVI提高0.04(14·3%);由于苔鲜结皮的存在和干旱半干旱区降雨的不稳定性,必然造成该区域短时间内NDVI变化的不稳定.     

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。     

新光谱变换结合神经网络提取山区地形遥感水体信息

通过对比分析MNDWI结合阈值法和波段谱间关系结合阈值法这两种常见的水体信息法,针对其识别山体阴影和水体的准确率的不高的缺点,提出了一种新的光谱变换结合神经网络分类法。实验结果表明,新光谱变换结合BP神经网络的遥感分类方法基本上消除了山体阴影对水体提取的干扰,提取水体信息的效果比前两种方法要好。     

基于多光谱遥感的撂荒地识别方法研究

耕地撂荒严重影响了我国的粮食产量,成为中国近20年来耕地利用过程中出现的又一重大问题.多光谱遥感具有数据获取范围广、速度快等特点,在国土资源研究中具有非常大的优势和潜力.为了提取撂荒地,文章采用多光谱遥感数据Modis/Terra 2000年-2009年的NDVI数据产品和日本ALOS卫星遥感影像数据,利用时间序列ND...     

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。