基于无人机遥感的果园冠层氮素估算及空间分析

为快速准确地获取植株冠层氮素含量及空间分布特征，对大尺度的果园进行精准动态的管理，以宽行窄株小冠模式、宽行窄株篱壁模式和传统栽培模式3种栽培模式的120棵柑橘树为研究对象，通过测定冠层氮素含量并提取无人机遥感影像多光谱数据中的纹理指数和植被指数，运用随机森林算法（RF）建立基于植被指数、纹理指数以及融合植被指数和纹理指数的柑橘冠层氮素反演模型，并比较融合植被指数和纹理指数的支持向量机（SVM）、BP神经网络算法（BP）和RF的模型反演精度。结果显示：在随机森林算法中，融合植被指数和纹理指数比单独的植被指数或纹理指数更能准确预测柑橘冠层氮素含量；植被指数训练集R²为0.710，测试集R²为0.430；纹理指数训练集R²为0.761，测试集R²为0.349；融合植被指数和纹理指数训练集R²为0.775，测试集R²为0.533。融合植被指数和纹理指数在SVM算法训练集R²为0.511，测试集R²为0.371；BP神经网络训练集R²为0.651，测试集R²为0.204。用融合植被指数和纹理指数的RF模型对3种栽培模式的柑橘园进行氮素反演，得到宽行窄株小冠模式的柑橘冠层平均氮素含量最高，其次为宽行窄株篱壁模式，传统栽培模式最低，氮素含量均值分别为31.33、30.20和27.82 mg/g。结合无人机遥感与融合植被指数和纹理指数的随机森林算法能够有效预测柑橘冠层氮素含量，可为大尺度柑橘果园定量施肥提供参考。     

基于物联网和LSTM的柑橘园土壤含水量和电导率预测模型

目的 构建柑橘果园环境信息物联网实时采集系统，建立基于物联网和长短期记忆(LSTM)的柑橘园土壤含量和电导率预测模型，为果园灌溉施肥管理、效果预测评估提供参考依据。方法 利用土壤温度、含水量、电导率三合一传感器，在柑橘果园中设置5个节点和1个气象站，通过ZigBee短距离无线通信和GPRS远距离无线传输，将果园气象数据和土壤墒情数据传输至远程服务器。利用LSTM模型建立气象数据与土壤含水量和电导率的预测模型，计算均方根误差(RMSE)和决定系数(R²)以进行性能评估。结果 物联网系统能够实现远程传输柑橘果园环境数据，建立了基于LSTM和广义回归神经网络(GRNN)的土壤含水量和电导率预测模型，模型在5个节点的数据集的训练结果分别为：LSTM模型训练的土壤含水量和电导率的RMSE范围分别为6.74~8.65和6.68~8.50，GRNN模型训练的土壤含水量和电导率的RMSE范围分别为7.01~14.70和7.60~13.70。利用生成的LSTM模型和气象数据进行拟合，将土壤含水量和电导率的预测值与实测值进行回归分析，LSTM模型拟合的土壤含水量和电导率的R²范围分别为0.760~0.906和0.648~0.850，GRNN模型拟合的土壤含水量和电导率的R²范围分别为0.126~0.369和0.132~0.268，说明LSTM模型的性能表现较好。结论 建立了柑橘果园环境的物联网信息传输系统，构建的基于LSTM的果园土壤含水量和电导率预测模型具有较高的精度，可用于指导柑橘果园的灌溉施肥管理。     

协同冠层SIF和PRI光谱指数的构建及其在小麦条锈病监测中的应用

【目的】利用反射率光谱在作物生物物理方面的优势和日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)、光化学反射率指数(photochemical reflectance index,PRI)在光合生理方面的优势,构建协同冠层SIF和PRI光谱指数(synergistic spectral index of SIF and PRI,SISP),旨在提高作物病害遥感探测精度。【方法】基于3FLD(three bands fraunhofer line discrimination)算法,估测小麦条锈病在不同病情严重度下的单波段SIF强度,利用对作物冠层几何结构敏感的归一化植被指数(normalized difference vegetation index,NDVI)和重归一化植被指数(re-normalized vegetation index,RDVI)对SIF和PRI进行处理,再利用处理后的SIF和PRI数据构建SISP指数,通过建立传统的光谱指数和SIF、PRI及其组合对小麦条锈病的遥感监测模型,以病情指数(disease index,DI)实测值与预测值之间的决定系数(R²)、均方根误差(RMSE)和相对分析误差(RPD)评价模型精度,进而与SISP指数建立的模型进行比较,分析SISP指数对作物病害遥感监测的有效性。【结果】（1）综合利用SIF和PRI数据能够提高对小麦条锈病的遥感探测精度,3组验证样本数据集中,以PRI和SIF的简单组合PRI+SIF为自变量构建的小麦条锈病监测模型,预测DI值与实测DI值间的R²比单一PRI和SIF至少提高14.0%和1.7%,RMSE至少降低7.1%和3.7%。（2）利用反射率光谱指数NDVI和RDVI处理后的SIF和PRI构建的SISP指数,对小麦条锈病DI的预测精度优于直接利用PRI和SIF组合的各种指数,验证样本数据集中预测DI值与实测DI值间的R²至少提高3.7%,RMSE至少降低9%。（3）以SISP和反射率光谱指数为自变量构建的小麦条锈病多元线性回归(multiple linear regression,MLR)和径向基神经网络(radial basis function neural network,RBFN)模型的精度,高于仅利用反射率光谱指数构建的模型精度,其预测DI值与实测DI值间的R²分别较反射率光谱指数提高13.42%和5.72%,RMSE分别减少29.93%和19.24%,RPD分别提高44.53%和29.80%。【结论】利用NDVI和RDVI处理后的SIF和PRI构建SISP指数,能够减弱作物群体生物量对冠层SIF和PRI信号的影响,提高小麦条锈病的遥感监测精度。     

西北旱区不同覆膜和灌溉水平下的玉米冠层氮含量垂直分布及高光谱反演

为探究不同覆膜和灌溉水平下玉米叶片氮含量垂直分布特征及其遥感反演规律,2020年在甘肃省武威绿洲农业高效用水国家野外科学观测研究站进行大田试验,设置3种灌水量水平(春玉米灌溉需水量的100%(W₁₀₀)、70%(W₇₀)和40%(W₄₀))和3种覆膜处理(不覆膜(M₀)、普通塑料膜(M₁)和生物可降解膜(M₂)),测定春玉米在不同灌水量和覆膜条件下叶片氮含量垂直分布、冠层反射特征和反射率与叶片氮含量等指标,并采用随机森林法构建氮含量估测模型分析垂直分布的叶片氮含量。结果表明,相同灌水处理的玉米冠层叶片中氮含量由高到低为M₀>M₂>M₁,M₀比M₂的上、中、下部位叶片氮含量分别增加6.78%、5.11%、2.55%,M₂比M₁的上、中、下部位叶片氮含量分别增加7.14%、5.24%、5.39%。相同覆膜条件下玉米冠层叶片氮含量由高到低为W₁₀₀>W₇₀>W₄₀,W₁₀₀比W₇₀的上、中、下部位叶片氮含量分别增加6.84%、6.23%、7.74%,W₇₀比W₄₀的上、中、下部位叶片氮含量分别增加4.41%、3.32%、9.49%。在M₀W₁₀₀处理中,玉米冠层叶片氮含量从上到下依次减小,上部比中部叶片氮含量增加7.44%,中部比下部叶片氮含量增加7.60%。在相同覆膜条件下,在可见光波段范围内,冠层反射率随着灌水量的增加而降低;在近红外波段范围内,冠层反射率随着灌水量的增加而增加。综上,基于随机森林的春玉米不同垂直部位叶片中氮含量估算模型均与实测结果相吻合(验证的R²>0.5),上部叶片中氮含量估算精度最高(R²为0.63,RMSE为1.66 g/kg,RPD为1.57),其次为中部叶片(R²为0.73,RMSE为1.66 g/kg,RPD为1.30),精度最低的下部叶片(R²为0.00)。     

基于无人机热成像的棉花根域土壤水分含量估测研究

为探究棉花冠层无人机热红外影像对根域土壤水分含量反演规律,以棉花花铃期土壤水分为研究对象,利用小区水分胁迫控制试验和模型模拟的方法,获取棉花花铃期在不同干旱胁迫天数下（灌水后第2、10和32天）的叶片含水量、根域各土层（0~10、10~20、20~30、30~40、40~50 cm）土壤相对含水量（Relative soil water content,RSWC）,同步获取无人机热红外影像数据,通过将棉花冠层温度与叶片、大气温度结合构建差值温度指数（Difference temperature index,DTI）,比值温度指数（Ratio temperature index,RTI）和归一化差值温度指数（Normalized difference temperature index,NDTI）,选择与RSWC相关性在0.6以上的指标（冠层温度、冠-高温差、冠-均温差、DTI2、DTI3、NDTI2、NDTI3）构建不同土层水分含量估测模型,并进行验证。结果表明：1）随干旱胁迫天数的增加,棉花叶片含水量呈先升高后降低的趋势,土壤相对含水量随干旱胁迫天数的增加逐渐降低;2）冠层温度协同叶片、大气温度构建的温度指数估测根域土壤水分含量精度要优于单一使用冠层温度,具体表现为NDTI3>DTI3>DTI2>NDTI2>冠-均温差>冠-高温差>冠层温度;3）多元线性回归模型对棉花根域土壤含水量具有较高的估测精度,其中干旱胁迫第2天对10~20 cm根域土层的估测精度最高,R²为0.600,RMSE为0.388;第10天对20~30 cm根域土层的估测精度最高,R²为0.721,RMSE为0.267;第32天对30~40 cm根域土层的估测精度最高,R²为0.918,RMSE为0.068。因此,利用无人机热成像仪获取棉花冠层温度并结合叶片及大气温度,可对作物根域土壤水分含量进行拟合估测,对发展节水灌溉等土壤水分调控与管理技术具有现实意义。     

基于XGBoost与地理加权回归的吉林省西部土壤盐渍化反演

为及时、准确地应用多源遥感数据提取干旱和半干旱区域土壤盐渍化反演特征及获取土壤盐渍化程度的空间分布数据,以吉林省西部大安市为研究区,利用Sentinel-1 SAR、Sentinel-2 MSI多源遥感数据和DEM数据,构建土壤盐分含量（Soil Salt Content,SSC）反演特征集,结合BorutaShap算法优选特征,通过耦合地理加权回归（Geographically weighted regression,GWR）与极限梯度提升树（XGBoost）回归构建土壤盐渍化反演模型,并与XGBoost回归、GWR反演结果对比分析。结果表明：SSC反演特征集中,盐分指数、植被指数在BorutaShap算法中取得了较高的重要性排名,是大安市SSC反演的重要特征。GWR模型的R²和RMSE分别为0.48和4.83 g/kg,XGBoost回归模型的R²和RMSE分别为0.54和4.35 g/kg,耦合GWR与XGBoost回归构建的土壤盐渍化反演模型预测精度得到显著提高,R²与RMSE分别达到0.63和3.71 g/kg。依据该模型反演结果,大安市各类盐渍土分布存在较强的空间异质性,土壤盐分含量呈现出由东南向西北逐渐递减的趋势,与实地调查基本一致。综上,耦合GWR与XGBoost回归模型充分考虑了反演特征的空间异质性和非线性关系,可有效提高SSC反演精度,可获得更符合实际的SSC空间分布,可用于干旱和半干旱地区土壤盐分含量的反演。     

基于样品复配的奶牛场粪水近红外光谱氮磷速测模型构建

为提高样品代表性,构建近红外光谱的理想校正模型,实现对奶牛场粪水氮磷含量的速测,本研究基于粪水运移过程代表性暴露位点的原始样品,按照不同比例进行样品复配,填补现场不易采集到的"黑箱"位点样品,运用偏最小二乘法构建了基于最优光谱预处理方法的原样模型、复配模型和融合模型。结果表明:相比原始样品,原样+复配样品总氮、总磷的变异系数分别降低了0.103、0.107,提升了浓度分布均匀性,丰富了粪水光谱信息。相比原样模型,融合模型总氮和总磷的决定系数(R²_pred)分别提升了0.049和0.061,相对分析误差(RPD)分别提升了1.547和0.176。相比复配模型,融合模型总氮和总磷的R²_pred分别提升了0.026和0.022,RPD分别提升了0.470和0.052。验证结果表明,总氮和总磷模型的R²_pred分别为0.903和0.878、RPD分别为2.916和2.508。研究表明,样品复配的方法可有效提高校正集样品的代表性,提升模型预测性能,为还田前粪水养分的快速定量提供技术支撑。     

杉木人工林胸径生长神经网络建模研究

【目的】探索神经网络技术对杉木人工林胸径生长的模拟和预测能力,以寻求最优模型。【方法】以江西大岗山杉木人工林为研究对象,依据林木生长理论,用林龄(A)、立地指数(SI)和初植密度(N)3个因子构建平均胸径生长BP模型;通过定量和定性分析相结合的方法对模型选优,并将最佳模型与拓展的Richards模型比较;最后将优化模型应用于未参与建模的样地。【结果】最佳BP模型为Levenberg-Marquardt算法3∶5∶1结构模型（LM351）,R²=0.984,MSE=0.196;拓展的Richards模型R²=0.964,MSE=0.433。LM351模型经校正后,适合预测福建邵武杉木人工林胸径生长规律（R²=0.995)。【结论】LM351神经网络模型在精度上优于传统Richards模型,适于林龄6～28年、立地指数12～17 m、初植密度1 667～9 967株/hm2的杉木林分平均胸径的模拟和预测。     

基于RF和MLR的土壤重金属影响因素分析及生物有效性预测

为探究影响土壤中重金属累积和生物有效性的因素,以桂北地区某铅锌矿流域为研究对象,综合运用单因子指数法、风险评价编码法（RAC）、多元线性回归模型（MLR）和随机森林模型（RF）进行土壤重金属（Pb、Zn、Cu和Cr）累积影响因素分析及生物有效性预测。结果表明：研究区Cr含量无超标且空间分布相对均匀（变异系数为0.51）;Cu、Pb和Zn的含量均值（分别为52.58、280.31 mg·kg^-1和654.71 mg·kg^-1）均大于广西西江流域土壤重金属背景值,在思的河山前和地下河入口处全量和生物有效性均较大,对土壤生态环境具有一定风险;对于重金属全量分布和生物有效态的影响因素,阳离子交换量（CEC）、黏粒（Clay）、土壤有机质（SOM）和铁铝氧化物对Cr影响较大,SOM、Clay、pH和铁铝氧化物对Cu影响较大,pH、电导率（EC）和Clay对Pb影响较大,CEC、pH、土壤质地和铁铝氧化物对Zn影响较大;生物有效性预测结果显示RF和MLR均可较好地预测土壤重金属的全量与次生相,其中RF预测的R²区间为0.44~0.93,MLR预测的R²区间为0.30~0.72,RF预测结果表现更为准确。     

基于土壤优化光谱参数估测太湖地区土壤全氮含量

为明确太湖地区土壤全氮的高光谱特征，构建定量分析模型，以江苏省无锡市滨湖区为研究区域，选取地理位置跨度大、土壤质地相似的93个样品，进行土壤风干样品全氮含量测定和光谱数据采集，对光谱反射率进行一阶微分，运用相关系数峰谷值法筛选敏感波长，将敏感波长两两结合进行土壤调节光谱指数（MSASI）运算。将两两结合后敏感波段分别采用多元线性回归分析、人工神经网络分析和偏最小二乘法构建土壤全氮含量的定量高光谱分析模型。结果表明，研究区内土壤全氮含量与光谱反射率呈正相关，敏感波段包括420~444 nm和480~537 nm。基于土壤调节光谱指数的多元线性回归分析对敏感波段诊断的效果最佳（R²=0.98、RMSE=0.04），其精度高、可靠性强，是筛选出的最佳土壤全氮含量估测模型。偏最小二乘法模型（R²=0.70、RMSE=0.13）次之，而人工神经网络模型（R²=0.69、RMSE=0.15）精度最低。该研究结果为太湖地区土壤全氮水平的高光谱快速估测提供了方法借鉴，可为土壤养分精准管理提供技术参考。     

基于RGB颜色空间的早稻氮素营养监测研究

针对双季稻区水稻过量施肥带来环境污染和成本提高问题,设计不同品种氮肥梯度大田试验,应用数码相机获取早稻冠层数字图像,研究不同色彩参数及早稻氮素营养指标的时空变化特征,以期确立双季早稻氮素营养预测模型。结果表明:不同品种同一氮肥处理下图像色彩参数差异不大;拔节期数字图像参数对氮素营养指标敏感;模型构建结果显示,图像参数INT与水稻氮素营养指标构建的模型决定系数(R2)最大,模型预测效果最佳,R2分别为0.895 7和0.924 7;进一步采用多元回归分析和BP神经网络分析法进行预测,预测效果均较好。对预测结果进行检验,发现品种对于模型的构建影响不大,以BP神经网络分析法构建的叶片氮浓度(LNC)模型和以INT为敏感色彩参数构建的叶片氮积累量(LNA)回归模型效果最优,而多元回归分析方法则效果不佳。早稻冠层RGB颜色空间敏感参数与氮素营养指标间相关性较好,可以实现氮素营养的无损监测诊断。     

基于数码图像的甜菜氮素近地遥感监测模型

为定量研究利用数码图像进行甜菜冠层叶片氮含量(Leaf nitrogen content,LNC)时空变化监测的适宜性及准确性,以2014年内蒙古赤峰市松山区太平地镇田间试验为基础,在甜菜各生长阶段采集甜菜冠层数码图像,利用数字图像处理技术对图像进行分割并提取红光值(R)、绿光值(G)和蓝光值(B)。分析R/B、G/B等9个颜色参数与不同生育期冠层LNC的相关性,并研究冠层LNC随施氮量的变化规律,探寻适宜于甜菜氮素营养监测的关键生育时期及最佳颜色参数。分别利用支持向量机(Support vector machine,SVM)和BP人工神经网络(BackPropagation artificial neural network,BP-ANN)建立甜菜冠层LNC预测模型。研究结果表明,BP-ANN预测模型具有较高且较稳定的预测精度,其验证集的决定系数R~2和均方根误差RMSE分别为0.74和2.35,与SVM模型相比,BP-ANN模型的决定系数R~2提高了12.12%,均方根误差RMSE降低了8.09%。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

基于PCA-LSTM神经网络的凡纳滨对虾养殖水质预测

基于上海奉贤区2个水产养殖合作社2014—2018年和2021年的检测数据,选取水温(T)、溶解氧(DO)、高锰酸盐指数(I_Mn)、总磷(TP)、总氮(TN)、氨氮(TAN)、亚硝酸盐氮(NO₂^--N)、硝酸盐氮(NO₃^--N)共8个水质指标进行研究,提出了基于主成分分析(Principal component analysis, PCA)和长短时记忆神经网络(Long short-term memory neural network,LSTM)的预测模型。首先采用主成分分析法对数据进行特征提取和降维,选取高锰酸盐指数(I_Mn)和氨氮(TAN)作为水质预测指标,建立基于PCA法的LSTM模型;接着采用PCA-LSTM模型对不同养殖塘的水质进行预测;最后,将其与单一LSTM模型进行对比以验证模型的优劣。结果表明:PCA-LSTM模型可用于凡纳滨对虾养殖池塘水中I_Mn和TAN的预测, 预测结果优于单一LSTM模型。     

Nitrogen nutrition diagnosis for cotton under mulched drip irrigation using unmanned aerial vehicle multispectral images

Remote sensing has been increasingly used for precision nitrogen management to assess the plant nitrogen status in a spatial and real-time manner. The nitrogen nutrition index (NNI) can quantitatively describe the nitrogen status of crops. Nevertheless, the NNI diagnosis for cotton with unmanned aerial vehicle (UAV) multispectral images has not been evaluated yet. This study aimed to evaluate the performance of three machine learning models, i.e., support vector machine (SVM), back propagation neural network (BPNN), and extreme gradient boosting (XGB) for predicting canopy nitrogen weight and NNI of cotton over the whole growing season from UAV images. The results indicated that the models performed better when the top 15 vegetation indices were used as input variables based on their correlation ranking with nitrogen weight and NNI. The XGB model performed the best among the three models in predicting nitrogen weight. The prediction accuracy of nitrogen weight at the upper half-leaf level (R²=0.89, RMSE=0.68 g m^–2, RE=14.62% for calibration and R²=0.83, RMSE=1.08 g m^–2, RE=19.71% for validation) was much better than that at the all-leaf level (R²=0.73, RMSE=2.20 g m^–2, RE=26.70% for calibration and R²=0.70, RMSE=2.48 g m^–2, RE=31.49% for validation) and at the plant level (R²=0.66, RMSE=4.46 g m^–2, RE=30.96% for calibration and R²=0.63, RMSE=3.69 g m^–2, RE=24.81% for validation). Similarly, the XGB model (R²=0.65, RMSE=0.09, RE=8.59% for calibration and R²=0.63, RMSE=0.09, RE=8.87% for validation) also outperformed the SVM model (R²=0.62, RMSE=0.10, RE=7.92% for calibration and R²=0.60, RMSE=0.09, RE=8.03% for validation) and BPNN model (R²=0.64, RMSE=0.09, RE=9.24% for calibration and R²=0.62, RMSE=0.09, RE=8.38% for validation) in predicting NNI. The NNI predictive map generated from the optimal XGB model can intuitively diagnose the spatial distribution and dynamics of nitrogen nutrition in cotton fields, which can help farmers implement precise cotton nitrogen management in a timely and accurate manner.     

基于LSTM的柑橘幼苗蒸发量预测

将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R²最大,说明这3种模型中LSTM预测模型的预测效果最佳。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。