新植被水分指数的冬小麦冠层水分遥感估算

水分含量是表征作物水分胁迫生理状况的重要指标,及时有效地监测作物水分含量对于评估作物水分盈亏平衡,指导农业生产灌溉具有重要意义。针对不同形式的归一化差值水分指数(NDWI)存在的饱和性问题,拟引入增强型植被指数EVI对其加以适当改进,通过构建新的植被水分指数NDWI#(即NDWI*EVI)来估算作物水分含量。首先,利用PROSAIL辐射传输模型分析了由不同水分敏感波段(1 240,1 450,1 950和2 500 nm)构建的各种典型NDWIs与相应新植被水分指数NDWI#对植被冠层水分及LAI的饱和响应特征;然后,利用田间实验光谱和水分数据,开展作物水分含量的建模和验证分析。结果表明：将EVI引入后,形成的新水分指数NDWI#能够有效提高冬小麦水分含量估算精度,特别是针对NDWI₁₄₅₀,NDWI₁₉₄₀,NDWI₂₅₀₀这三个指数,改进后的新指数显著提高了对LAI响应的饱和点,冬小麦作物水分估算精度也得到较为的明显改善。研究表明,将含有可见光波段信息的EVI引入到NDWI中,构建的新指数NDWI#因融合可见光、近红外和短波红外更多波段的光谱信息,对估算冬小麦冠层含水量可能具有更好的优势。     

晚霜冻影响下冬小麦冠层光谱特征与株高要素变化关系

冬小麦遭受晚霜冻害后,生理生态方面会发生显著变化,其中又以株高要素的变化最为显著。提取了包括红边位置、红边振幅在内的15个光谱特征参数,以及包括株高、穗长、穗下节间长和倒二节间长变化率4个株高要素,通过相关分析,筛选出与光谱特征相关性最好的株高变化率参数,并建立逐步回归模型。结果表明:仅有株高变化率在2013和2014年两期试验中均与光谱特征参数达到显著相关;将两期试验数据合并后,则穗长、穗下节间长和倒二节间长的变化率也均达到显著相关。综合考虑模型的Adj.R~2和显著性水平(Sig.)可知,模型拟合效果最好的是穗长变化率,其次是株高,穗下节间和倒二节间长变化率。比较模型的RMSE可知,模型预测精度最高的是穗下节间长变化率。该研究对在冻害胁迫条件下用光谱特征参数预测小麦株高各要素的变化提供了很好的参考,对研究晚霜冻害低温胁迫下冬小麦株高要素变化的规律具有指示性意义。     

高光谱特征参量的冬小麦吸收性光合有效辐射分量估算模型

精确估算吸收性光合有效辐射分量(EPAR)对于检测植被水分、能量及碳循环平衡具有重要意义。应用ASD地物光谱仪与SUNSCAN冠层分析仪对冬小麦整个生育期内冠层光谱反射和光合有效辐射进行监测,并利用冠层反射率数据构建了24个高光谱特征参量,通过分析不同光谱特征参量与冬小麦FPAR的相关关系,建立冬小麦FPAR光谱参量估算模型。结果表明：除蓝边幅值Db外其余高光谱参量均与冬小麦FPAR呈极显著相关(p＜0.01)。红边面积SDr与蓝边面积SDb的比值(VI₄)与FPAR的相关系数最高,达到0.836。提取相关性较高的7个光谱参量分别与冬小麦FPAR建立最优线性与非线性估算模型,通过精度检验分析,优选了冬小麦FPAR最合适的模型。对于线性模型,绿峰位置λg与FPAR的反演模型最好,其预测模型的R2, RMSE和RRMSE分别为0.679, 0.111和20.82%;对于非线性模型,绿峰反射率Rg与红谷反射率Rr的归一化比值(VI₂)与FPAR的反演模型最好,其预测模型的R2, RMSE和RRMSE分别为0.724, 0.088和21.84%。为进一步提高模型精度,分别运用多元线性逐步回归与BP神经网络建立多个高光谱参量同时参与的模型,与单参量模型相比,BP神经网络模型的反演精度明显提高(R2=0.906,RMSE=0.08,RRMSE=16.57%)。利用高光谱特征参量测定冬小麦FAPR具有可行性,这为实时、有效、准确监测冬小麦生长过程中FPAR的动态变化提供了一种新的方法和理论依据。     

基于多变量统计分析的冬小麦长势高光谱估算研究

利用高光谱分析技术实现冬小麦长势的准确、无损监测具有重要的实践意义。基于连续两年的氮素运筹试验,通过获取叶面积指数(LAI)、地上干生物量(AGDB)、地上鲜生物量(AGFB)、植株含水量(PWC)、叶绿素密度(CH.D)和氮素积累量(ANC)六个冬小麦长势指标及冬小麦冠层高光谱,引入主成分分析法(PCA)构建可表征冬小麦长势的综合长势指标(CGI),并结合偏最小二乘回归法(PLSR)构建CGI的高光谱估测模型。结果表明,除植株含水量外,其他长势指标与所构建的CGI都达到极显著水平,表明利用CGI可以表征各长势指标信息。对比CGI和其他各长势指标的PLSR模型表现可知,CGI光谱监测模型表现最优(R2=0.802,RMSE=1.268,RPD=2.015),也具有较高的预测精度和稳健度(R2=0.672,RMSE=1.732,RPD=1.489)。表明基于PCA方法所构建的CGI可以表征冬小麦长势,利用PLSR方法可以实现对冬小麦长势的准确监测,且监测效果要优于单一的冬小麦长势指标。     

土壤表层湿度影响下冬小麦晚霜冻害及冠层光谱检测

为探究土壤表层湿度影响下冬小麦冠层光谱反射率响应晚霜冻害的特征,并检验敏感光谱波段预测小麦产量变化的能力,于2013和2014年小麦拔节期,分别设置了表层土壤含水量为10%(干)、10%~20%(中)和20%(湿)的三个湿度处理的冻前试验,并在低温室内进行降温处理。分析了不同土壤表层湿度下受冻冬小麦的穗数、穗粒数、千粒重、单株产量、冠层光谱反射率及其一阶微分值的差异,对冬小麦冻害产量变化率和高光谱特征参量进行了相关分析和一元线性拟合。结果表明:冬小麦穗粒数和单株产量总体上均随土壤表层湿度的降低而呈减少态势,在土壤表层干处理条件下冻害对冬小麦产量造成的影响最为显著(p0.05);在绿峰(523nm附近)、黄边(571nm附近)、红边(732nm附近)和近红外台的两个水分吸收带(952和1 145nm附近),干+冻害处理冬小麦冠层反射率的一阶微分值与中+冻害、湿+冻害处理的差值明显;剥离了土壤表层湿度对光谱的影响后,冬小麦冠层反射率一阶微分差值在以570nm为中心的黄边区域和以710nm为中心的红边区域对干、中和湿梯度处理下晚霜冻害响应的差异明显;两年试验中的黄边面积(SDy)和570nm处一阶微分值(d570)均与冻害产量变化率达到显著正相关(p0.05),说明黄边区域的高光谱特征参量可用于检测土壤表层湿度影响下的冬小麦晚霜冻害程度。本研究可为土壤表层湿度和晚霜冻害叠加影响下冬小麦产量变化预测方法的探讨提供参考。     

冬小麦活体叶片叶绿素和水分含量与反射光谱的模型建立

定量测定小麦活体叶片的叶绿素含量和水分含量,在小麦估产、农情监测等方面具有重要的意义,同时可为进行高光谱遥感提供基础。文章使用ASD便携式光谱仪和LI-COR 1800型积分球,在350～1 650 nm的光谱范围内,测量冬小麦叶片在不同生长期的反射光谱,用偏最小二乘方法建立了冬小麦叶片叶绿素和水分含量与反射光谱的定量分析模型。在400～750 nm的光谱范围,建立了叶绿素含量与反射光谱的模型,结果为：叶绿素的预测值与真实值的相关系数为0.898,相对标准偏差为13.6%。在1 400～1 600 nm的光谱范围,建立了水分含量与反射光谱的模型,其结果为：水分的预测值与真实值的相关系数为0.999,相对标准偏差为0.3%。在农业生产中,这些结果是满意的。     

MODIS EVI时间序列数据和光谱角聚类的冬小麦遥感估产分区方法研究

农作物遥感估产区划是农作物遥感估产的基础,它为估产研究和实践提供了重要的科学依据。以冬小麦生育期内的MODIS EVI时间序列作为分区数据,选择江苏省为试验区,探讨了一种改进的光谱角制图和K均值聚类相结合(光谱角聚类)的分区方法,并在冬小麦遥感估产中进行了试验。结果表明：光谱角聚类分区方法充分利用了MODIS时间序列数据所反映的农作物生长进程,可以充分体现气候差异所带来的冬小麦区域差异;与传统分区相比,基于光谱角聚类分区方法所得到的遥感估产结果具有较高的决定系数R2(0.702 6比0.624 8)和较低的均方根误差RMSE(343.34比381.34 kg·hm-2),体现了该分区方法在冬小麦遥感估产中的优势。光谱角聚类分区方法仅以获取便利的低分辨率时间序列遥感数据为分区数据,且能很好的将冬小麦划分为特征性质一致的区域,所得遥感估产模型的精度和稳定性也较好,为冬小麦遥感估产分区提供了一种有效方法,有利于进行冬小麦遥感估产研究。     

冬小麦导数光谱特征提取与缺磷胁迫神经网络诊断

分别于返青期、拔节期、抽穗期和灌浆期采集不同磷素处理的冬小麦叶片原始高光谱数据;之后求取其一阶导数(一阶导数光谱)并进行小波去噪处理;通过分析原始光谱和一阶导数光谱对小同磷素处理水平的响应特征,确定敏感波长范围并提取四种吸收面积;将每个叶片磷素含量值对应的四种吸收而积的归一化值,作为样本空间样本点的位置坐标(4维样本输...     

多信息融合的冬小麦地上鲜生物量检测研究

将小麦冠层光谱与小麦冠层图像或者侧面图像进行多信息融合,对冬小麦地上鲜生物量进行预测,提高了冬小麦地上鲜生物量无损检测精度,试验获取苗期93个样本的冠层光谱和冠层图像,中后期(拔节期、抽穗期、开花期、灌浆期)200个样本的冠层光谱和侧面图像。将光谱反射率作为光谱特征参数,并通过图像处理提取小麦覆盖度作为图像特征参数,建立苗期和中后期基于光谱特征参数和图像特征参数的地上生物量检测模型,将冠层光谱反射率和小麦覆盖度作为多信息融合的输入,利用多元回归分析(MRA)和偏最小二乘法(PLS)建立地上鲜生物量预测模型并进行验证。结果表明,在苗期和中后期,将光谱信息和图像信息融合,采用PLS所建立的预测模型与单独的图像模型和光谱模型相比精度最高。苗期基于信息融合所建立的PLS模型验证集R2为0.881,其RMSE为0.015 kg;中后期基于信息融合所建立的PLS模型验证集R2为0.791,RMSE为0.059 kg。由此可见,相比单一的光谱模型和图像模型,图像信息和光谱信息融合之后,充分提高了光谱信息和图像信息的利用率,使模型的精度得以提高。     

基于机器学习和可见光光谱的冬小麦叶片氮积累量估算

在拔节期分4次采集了6个施氮水平下的冬小麦冠层图像,同步进行取样并以凯氏定氮法测定叶片含氮量,进而计算叶片氮积累量。利用随机森林算法分割冠层图像之后提取冠层覆盖度、可见光波段(R, G和B)三个分量及其衍生的5个色彩指数。以冠层覆盖度外加色彩指数、色彩分量的两种非线性回归,以及人工神经网络、支持向量回归、随机森林3种机器学习算法建立了冬小麦叶片氮积累量的估算模型。结果表明利用色彩指数的非线性回归模型的估算精度稍低于其他方法,而随机森林算法的拟合精度最高,但存在明显的过拟合现象。其他三种方法,即以冠层覆盖度及色彩分量为输入变量的非线性回归、支持向量回归和人工神经网络方法,均具有较高的拟合精度和泛化性能。