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。     

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。     

倒伏胁迫下的玉米冠层结构特征变化与光谱响应解析

倒伏胁迫是玉米生产中的主要灾害之一,严重影响玉米的产量、品质和机械收获能力。解析不同倒伏胁迫强度下玉米冠层结构变化规律及其光谱响应机理,是玉米倒伏灾情大范围遥感监测的基础。分别在玉米抽雄期、灌浆中期设置茎倒、茎折、根倒3种强度的倒伏处理,基于田间多频次持续观测实验,分析生育期、倒伏类型对玉米冠层结构动态变化及其自我恢复能力的影响;采用传统光谱变换与连续小波变换方法对倒伏玉米冠层高光谱进行处理,选取叶面积密度（LAD）为玉米倒伏冠层结构特征指标,筛选叶面积密度最佳敏感波段和小波系数,基于随机森林法构建叶面积密度高光谱响应模型,利用未参与建模的实测样本验证模型精度,重点探讨小波分解尺度和光谱分辨率对LAD光谱响应能力的影响规律。研究结果表明：叶面积密度作为单位体积内叶面积总量的冠层结构表征指标,与倒伏胁迫强度具有较好的响应关系,灌浆期的倒伏玉米LAD普遍高于抽雄期,抽雄期LAD整体表现为茎折＞根倒＞茎倒＞未倒伏,灌浆期LAD整体表现为根倒＞茎折＞茎倒＞未倒伏;经连续小波变换后,玉米倒伏冠层光谱对玉米倒伏LAD的响应能力普遍优于传统光谱变换,随着小波分解尺度的增加,LAD与敏感波段的相关性越强,其中10尺度相关系数最高,达0.74;连续小波变换所构建的模型精度普遍优于传统光谱变换,其中由原始光谱小波变换后构建的LAD响应模型精度最高,检验样本的R2为0.811,RMSE为1.763,表明连续小波变换技术可凸显和利用冠层光谱中的细微信息。因此,叶面积密度可有效定量表征不同倒伏胁迫程度的玉米冠层结构变化特征,连续小波变换能有效提升冠层光谱对倒伏玉米结构变化的响应能力,基于随机森林法构建的倒伏玉米叶面积密度诊断模型具有较高的精度和稳定性,可为区域尺度的夏玉米倒伏灾情遥感监测提供先验知识。     

最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究

冬小麦叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一,高光谱遥感技术为大面积、快速监测植被LAI提供了有效途径。在探讨利用最小二乘支持向量机(least squares support vector machines, LS-SVM)方法和高光谱数据对不同条件下冬小麦LAI的估算能力。在用主成分分析法(principal component analysis, PCA)对PHI航空数据降维的基础上,利用实测LAI数据和高光谱反射率数据,构建LS-SVM模型,采用独立变量法,分别估算不同株型品种、不同生育时期、不同氮素和水分处理条件下的冬小麦LAI,并与传统NDVI模型反演结果对比。结果显示,每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。NDVI模型对不同株型品种、不同氮素和水分条件下冬小麦LAI估算精度不稳定,LS-SVM则表现出较好的稳定性。表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。     

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。     

基于高光谱数据和模型反演植被叶面积指数的进展

植被叶面积指数(Leaf Area Index , LAI)是陆面过程中影响陆-气交换的重要参数,也是表征植被冠层结构最基本的参量之一。准确而快速地获取LAI是植被-气候相互作用、植被生态和农作物估产研究不可缺少的工作。本文首先针对LAI和高光谱遥感进行概述,然后从不同平台高光谱传感器数据和不同反演方法两个角度总结了国内外近些年来高光谱遥感LAI的研究进展,最后分析了高光谱遥感反演LAI的未来发展方向。     

基于实测光谱的植被指数对水稻叶面积指数的响应特征分析

叶面积指数(LAI)是目前最常用的农业生态监测指标,可以为农作物的病虫害监测、作物长势监测、碳循环、生物量估算及作物估产提供依据。植被指数(VI)是卫星LAI产品生产的重要数据源,但不同VIs对植被LAI的响应特征具有一定的差异性。以江西省水稻为例,基于实测光谱提取了水稻实测VIs,结合实测LAI,讨论了归一化植被指数(NDVI)、增强型植被指数(EVI)、土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征,并与MODIS LAI备用算法的计算结果进行了对比分析,研究了不同VIs用于LAI产品反演的可行性及存在的问题。通过对不同实测VIs-LAI模型精度的评估,分析其应用于LAI反演的适应性,结果显示EVI,SAVI和MSAVI比NDVI有更好的适应性,其中EVI效果最优。此外,通过对比MODIS LAI备用算法查找表,发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类,在LAI>4时,NDVI出现饱和;而实测水稻作物的NDVI在LAI>2时开始出现饱和;且当NDVI相同时,查找表LAI远大于实测LAI,MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差,有必要改用其他VIs优化该备用算法。通过对比分析四种VIs模型对LAI的预测误差,发现EVI,SAVI和MSAVI精度明显优于NDVI,基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6,基于实测NDVI反演算法的1/2,因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。     

运用光谱参数冠层覆盖度建立作物长势及氮营养状态模型

为了探索运用数码照片中光谱(红、绿、蓝)的像素计算得到的冠层覆盖度(canopy cover, CC)对玉米长势及氮素营养状态进行非破坏性监测的技术。通过获取玉米冠层的数码照片图像,定量化数码照片色彩参数与作物叶面积指数(leaf area index, LAI)、冠层干重(shoot dry matter weight, DM)、叶片氮素含量(leaf nitrogen content percentage, N%)之间的关系。试验于2012年和2013年在中国农业科学院试验田进行,运用基于Visual Basic Version 6.0研发的玉米冠层图像分析系统,分析了玉米品种中单909在3个氮素水平条件下分别于9叶展时期、抽雄期和灌浆期的CC、11种色彩指数与植株LAI,DM,N%及产量之间的相关性,并对相关性显著的指标进行了拟合与建模。结果表明,CC与LAI(r=0.93, p＜0.01),DM(r=0.94, p＜0.01),N%(r=0.82, p＜0.01)之间均达到了极显著水平;用CC估算LAI,DM和N%的模型均为幂函数,方程式分别是y=3.281 2x0.763 9,y=283.658 1x0.553 6,y=3.064 5x0.932 9;用与建模相独立的数据对模型验证,结果表明,CC估算LAI模型的实测值与模拟值基于1∶1直线的R2,RMSE和RE分别是0.996,0.035和1.46%;CC估算DM模型的R2,RMSE和RE分别是0.978,5.408 g和2.43%;CC估算N%模型的R2,RMSE和RE分别是0.990,0.054和2.62%。综上所述,模型能够较准确的通过CC估算不同氮肥水平条件下玉米9叶展时期、抽雄期和灌浆期的LAI,DM与N%,表明应用数码相机的光谱信息可实现对玉米生长过程中的生长状况及氮素营养状态进行实时无损快速监测与预测。     

一种坛紫菜叶状体测定新方法研究

通过一系列试验探究坛紫菜不同生物量的指标, 以期用测量叶面积的方式来替代传统测量指标. 研究了环境的光、温、湿度对于叶面积测定结果的影响, 明确其适用范围; 设计了相关性、变异系数、标准差与增量比值的试验. 结果表明, 叶面积与干重的相关性极其显著; 叶面积的变异系数最小, 均小于1%, 其标准差与增量比值也小于其他指标. 同时也表明, 在坛紫菜的实验生态研究中, 叶面积以其灵敏性、简便、精确更占优势, 其可以作为紫菜等海藻形态、育种研究的一项重要指标.     

无人机高光谱波段选择的叶面积指数反演

叶面积指数(LAI)是评价作物长势和作物产量的重要参数.为有效利用高光谱信息,优选出最佳波段进而构建新型双波段指数来提高LAI估测精度,以冬小麦为研究对象,获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据,开展冬小麦LAI反演研究.首先采用连续投影算法(SPA)、最佳指数法(OIF)以及逐波段组合法(E)分别进行无...