基于高光谱的冬小麦不同生育时期地上部生物量监测

为实现冬小麦不同生育时期地上部生物量的高光谱监测,2017-2019年分别在河南省鹤壁市、原阳县和温县布置冬小麦氮肥梯度田间试验,分别于分蘖期、拔节期、抽穗期和灌浆期测定冬小麦地上部生物量及其冠层原位高光谱反射率（400～950 nm）,并采用Pearson相关分析明确两者间定量回归关系,再分别利用支持向量机（support vector machine, SVM）和偏最小二乘回归（partial least square, PLS）建立预测模型并进行精度验证,以确定最优光谱监测时期和有效波段。结果表明,冬小麦地上部生物量与冠层高光谱反射率在可见光区（400～715 nm）呈负相关,在近红外区（715～950 nm）呈正相关,且相关性表现为分蘖期<拔节期<灌浆期≤抽穗期。生育时期间模型精度差异较大,抽穗期效果最优,SVM和PLS模型的验证决定系数分别为0.877和0.859,相对分析误差分别为2.429和2.340;灌浆期次之,决定系数分别为0.835和0.830,相对分析误差分别为2.416和1.814;分蘖期最低,决定系数分别为0.693和0.750,相对分析误差分别为1.063和0.894。同时,冬小麦地上部生物量有效波段在生育时期间具有明显的异同性,分蘖期时有效波段在可见光-近红外区均有明显的均衡分布,至拔节期时产生明显的短波“蓝移”现象,抽穗期“蓝移”现象更显著,而至灌浆期则表现出明显的长波“红移”特征。此后,再次构建基于有效波段的冬小麦不同生育时期地上部生物量SVM和PLS监测模型,决定系数和相对分析误差分别高于0.72和1.40,预测精度较理想,能够满足无损和精准监测需求。     

基于光谱指数的冬小麦冠层叶绿素含量估算模型研究

为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合,同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果,通过分析350~2 500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系,建立冬小麦冠层叶绿素含量估算模型。结果表明,选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71,标准误差均小于1.842。利用独立试验资料进行检验,表现最好的是RSI(FD_(689),FD_(609))和SASI(R_(491),R_(666))L=0.01,预测精度高达98.2%,模型精确度和可靠性较高。     

基于高光谱特征参数的冬小麦氮营养指数估算

为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术，利用美国SVC HR-1024I型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测，获取“三边”参数、任意两波段光谱指数和植被指数，通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数，结合偏最小二乘回归(PLSR)、随机森林算法(RFR)、支持向量机回归(SVR)和梯度增强回归(GBDT)建立冬小麦氮营养指数模型，并对模型估算精度进行验证。结果表明，从拔节期到灌浆期，各时期的氮营养指数与任意两波段光谱指数均呈极显著相关，其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期，且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大，为0.66。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r²)和均方根误差(RMSE)分别为0.96和0.05,模型验证的r²、RMSE和相对预测偏差(RPD)分别为0.95、0.12和2.12,模型预测精度最高。因此，拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测...     

县域冬小麦生物量动态变化遥感估测研究

为给生产管理中及时掌握县域冬小麦长势的动态变化提供有效手段,以江苏省沭阳县为研究区,基于冬小麦生物量形成的生理生态过程,重构冬小麦生物量遥感估测模型。选用两景不同时相的HJ星影像数据,利用植被指数反演的LAI数据,对冬小麦生物量模型进行参数修订,并对县域冬小麦拔节期生物量的空间分布进行估测。在此基础上,进一步估测冬小麦抽穗期生物量分布特征及其动态变化特点。结果表明：（1）冬小麦拔节期生物量估测值和观测值范围分别为2 054.3~4 828.3 和1 962.5~4 568.4 kg·hm^-2 ,平均值分别为3 148和3 045.5 kg·hm^-2 ,RMSE为214.8 kg·hm^-2 ,决定系数为0.919 1,表明冬小麦生物量模型模拟精度较好;（2）冬小麦抽穗期生物量较拔节期发生明显变化,其中长势变化快的田块面积为20 108.7hm,占总种植面积的23.4%。春季气候因素的转好以及肥水措施的实施对冬小麦营养与生殖共生阶段的生长起到明显促进作用。说明本研究提出的基于遥感反演信息与生长模型协同的冬小麦生物量估测方法能有效估测县域冬小麦不同生长时期生物量的空间分布及其动态变化。     

基于近地高光谱与TM遥感影像的冬小麦冠层含水量反演

为探讨利用近地高光谱和TM遥感影像数据评估作物冠层水分状况的可行性,以北京顺义通州为研究区域,以冬小麦为研究对象,首先基于Landsat TM5的光谱响应函数,利用地面实测的冬小麦全生育期冠层高光谱窄波段反射率数据来模拟TM5卫星宽波段反射率,然后利用模拟的TM5数据的NIR波段(第4波段)和2个SWIR波段(第5和7波段)反射率分别构建水分指数(WI)和归一化差异水分指数(NDWI),并利用地面实测数据建立冠层叶片含水量(LWC)和等效水厚度(EWT)的遥感估算模型,最后选取最优的水分估算模型,利用TM5卫星遥感影像数据对研究区域小麦冠层水分含量进行反演与应用。结果表明,利用TM5数据中SWIR第5波段比第7波段构建的水分指数更有优势;WI对估算LWC的效果较好,而NDWI在EWT估算方面效果较好,应用TM5宽波段模拟数据模型验证的冬小麦冠层含水量的r2和RMSE分别为0.57和0.51、3.89%和0.024。同时从TM遥感影像的反演结果来看,开花期的冬小麦冠层水分高于拔节期。     

多光谱与热红外数据融合在冬小麦产量估测中的应用

为了解多光谱与热红外数据融合对冬小麦产量估测精度的影响,以30个黄淮麦区冬小麦品种为材料,利用三种灌溉处理（处理1、处理2和处理3灌水量分别为240、190和145 mm）下冬小麦拔节期、挑旗期、抽穗期与灌浆期的无人机多光谱和热红外动态数据,构造了多个光谱指数,以支持向量机构建冬小麦产量估测模型,并验证其精度。结果表明,植被指数与籽粒产量的相关性受溉水量影响,处理1下植被指数与籽粒产量均呈正相关,处理2下植被指数除土壤调整植被指数（SAVI）和转化叶绿素吸收反射指数（TCARI）外均与籽粒产量呈正相关,处理3下植被指数与籽粒产量均呈负相关。通过多光谱和热红外数据融合构建的冬小麦产量估测模型的预测精度比仅使用多光谱数据构建的模型提高8%。不同灌溉条件下,通过多光谱与热红外数据融合构建的模型的预测精度存在差异,在处理1、处理2和处理3下拔节期、挑旗期、抽穗期和灌浆期验证决定系数（R）最高值分别为0.63、0.68和0.56,均方根误差（RMSE）最低值分别为0.60、0.24和0.41 t·hm^-2,且在三种灌溉条件下灌浆期预测效果均最佳。因此,利用无人机光谱对小麦品种产量估测时应将多光谱与热红外数据融合,用支持向量机（SVM）算法构建产量估测模型,且模型在灌浆期具有较高预测  精度。     

基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算

为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(PCA)对叶绿素敏感的可见光波段(390～780 nm)一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证。结果表明,小麦冠层叶绿素含量与一阶导数光谱在751 nm处的相关性最高(r=0.71),特征参数中红边蓝边归一化(SDr-SDb)/(SDr+SDb)与叶绿素含量的相关性最高(r=0.66),植被指数(VI)中修正归一化差异指数(mND705)相关性最高(r=0.74)。在输入变量相同的情况下,基于随机森林(RF)回归的预测模型均优于偏最小二乘回归(PLSR)模型,其中PCA-VI-RF模型的各精度指标均达到最优(r²=0.94,RMSE=1.05,RPD=3.70),是冬小麦冠层叶绿素...     

遥感光谱指标和神经网络结合的冬小麦地上部生物量估测

为探讨基于神经网络对小麦地上部生物量（aboveground biomass,AGB）进行遥感估测的可行性,在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验,在对冬小麦近红外波段反射率（near-infrared band reflectance,REF_nir）、红光波段反射率（red band reflectance,REF_red）、归一化差值植被指数（normalized difference vegetation index,NDVI）、差值植被指数（difference vegetation index,DVI）、比值植被指数（ratio vegetation index,RVI）、土壤调节植被指数（soil adjusted vegetation index,SAVI）和优化土壤调节植被指数（optimized soil adjusted vegetation index,OSAVI）等7个遥感光谱指标与冬小麦生长指标（LAI和AGB）进行相关性分析基础上,构建基于BP神经网络的冬小麦AGB估测模型,并与多元线性回归估测模型进行精度比较。结果表明,冬小麦拔节期REF_red、NDVI、RVI、SAVI、OSAVI和LAI与AGB之间存在较好相关性,其中LAI与AGB的相关性最高（相关系数为0.782）,SAVI与AGB的相关性最低(相关系数为0.647)。利用BP神经网络建立的冬小麦AGB估测模型AGB_BP的决定系数（r）为0.918,均方根误差（root mean square error,RMSE）为582.9 kg·hm^-2,平均相对误差（average relative error,ARE）为18.4%。利用多元线性回归分析建立的冬小麦AGB估测模型AGB_RA的r为0.784,RMSE为871.1 kg·hm^-2, ARE为32.6%。利用冬小麦抽穗期AGB实测数据再对模型AGB_BP和AGB_RA进行验证,其RMSE分别为1 140.4和1 676.7 kg·hm^-2, ARE分别为20.5%和33.1%。由此可以看出,冬小麦估测模型AGB_BP精度优于模型AGB_RA,说明利用多个遥感光谱指标结合LAI建模可以有效提高冬小麦AGB的估测精度。     

冬小麦叶面积指数的品种差异性与高光谱估算研究

为给小麦叶面积指数（LAI）的高光谱估算提供技术支持,基于2年大田试验,以4个河南主推品种为材料,对小麦LAI和冠层光谱变化特点、估算模型及其品种间的差异等进行了系统分析。结果表明,在生育期内不同冬小麦品种冠层光谱反射率的变化与LAI变化有差异;在相同LAI下,不同冬小麦品种的光谱曲线存在差异。利用400~900 nm范围内冠层光谱反射率的任意两波段组合的比值光谱指数（RSI）、归一化差值光谱指数（NDSI）和差值光谱指数（DSI）所建立的单品种模型以及不同品种综合模型的决定系数（r）均达到0.84以上,单品种模型的r和调整r分别较综合模型高出3.1%~4.8%和2.0%~4.2%。利用独立于建模样本以外的数据对上述模型进行检验,单品种模型预测的r较综合模型提高了0.6%~11.0%,而均方根误差降低了10.0%~37.0%。因此,在利用高光谱遥感技术估算冬小麦LAI时,可以通过建立单品种模型来提高估算精度。     

基于机器学习算法的冬小麦不同生育时期生物量高光谱估算

为探索适用于冬小麦不同生育时期的高光谱估算方法,基于4年大田试验,以江苏省主要冬小麦品种为材料,以8种对常用生物量敏感的高光谱指数为基础,分别采用偏最小二乘算法、支持向量回归算法、随机森林算法在冬小麦4个主要生育时期(抽穗期前、抽穗期、开花期和灌浆期)进行了高光谱生物量估算和预测能力比较。结果表明,在冬小麦不同生育时期,高光谱估算生物量精度差异显著;利用随机森林构建的生物量估算模型在4个生育时期均表现出很好的效果,决定系数(r^2)和均方根误差(RMSE)在抽穗期前分别为0.79和44.82 g·m^-2,在抽穗期分别为0.71和62.07 g·m^-2,在开花期分别为0.70和97.63 g·m^-2,在灌浆期分别为0.71和106.98 g·m^-2;随机森林模型在4个生育时期的预测能力都高于或接近于支持向量回归模型,高于偏最小二乘回归模型,r^2和RMSE在抽穗期前分别为0.60和72.54 g·m^-2,在抽穗期分别为0.60和75.07 g·m^-2,在开花期分别为0.68和109.9 g·m^-2,在灌浆期分别为0.61和127.93 g·m^-2。这说明随机森林算法在冬小麦不同生育时期生物量高光谱遥感估算方面具有较高的精度和稳定性。     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明,WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...     

不同冬小麦品种株高的高光谱估算模型

为建立小麦株高的高光谱估算适宜模型,通过连续两年田间不同品种试验,在拔节至抽穗期同步测定小麦冠层高光谱数据和株高,并对两者的关系进行系统分析。结果表明,小麦株高与可见光波段呈负相关,与近红外波段呈正相关,与可见光波段的相关性总体上高于近红外波段。株高可以利用统一的光谱参数进行定量反演,其中以F698、D550、Dy、λr、SDr/SDb和(SDr-SDb)/(SDr+SDb)等光谱参数拟合效果较好。经两年的独立试验数据检验表明,以参数F698、D550、Dy及(SDr-SDb)/(SDr+SDb)为变量建立的株高估算模型表现较为稳定,尤其是以光谱参数(SDr-SDb)/(SDr+SDb)建立的模型,建模决定系数为0.85,预测决定系数和均方根偏差分别为0.86和4.27,相对误差为9%。因此,该参数可以作为估测小麦株高的有效光谱参数,对小麦生长中期的株高进行监测。     

基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算

为探讨基于Dualex植物多酚-叶绿素仪和高光谱遥感技术反演小麦叶绿素含量的可行性,利用Dualex植物多酚-叶绿素仪,测定不同生育时期冬小麦叶片叶绿素含量(Chl),同时进行叶片光谱测定,以对Chl敏感的1个一阶导数波段、3个三边参数和3个植被指数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建估测模型,并利用验证样本对各生育时期估测模型进行精度检验,同时与传统的单因素模型进行了比较。结果表明,冬小麦反射光谱曲线在不同生育时期有所不同,且随着叶绿素含量的增加,可见光波段的光谱反射率不断降低;在以一阶导数光谱敏感波段、三边参数以及植被指数构建的冬小麦Chl单因素估算模型中,基于各生育时期显著相关的植被指数构建的模型精度最优;以7个参数作为自变量,利用偏最小二乘法(PLS)和支持向量回归(SVR)构建的模型在各生育时期均表现出较好的拟合性及预测精度,尤其利用SVR建立的模型建模决定系数在0.8以上,预测决定系数在0.7以上,是进行冬小麦叶片Chl估测的最优模型。     

基于无人机RGB影像的小麦叶面积指数与产量估算研究

为探讨基于无人机RGB影像实现对小麦叶面积指数(leaf area index, LAI)和产量估算的可行性,设置不同生态点、品种和氮素处理的小麦田间试验,应用大疆精灵4 Pro无人机获取小麦拔节期、抽穗期、扬花期和灌浆期4个主要生育时期的RGB高时空分辨率影像,并同测定小麦LAI。采用相关性分析筛选出不同生育时期对LAI敏感的光谱与纹理特征集,并借助随机森林(random forest, RF)、偏最小二乘回归法(partial least squares regression, PLSR)、BP神经网络(back propagation neural network, BPNN)和支持向量机(support vector machine, SVM)分析方法,筛选出小麦不同生育时期最优的LAI估测模型。基于不同生育时期的光谱与纹理特征以及时期特征集,进一步建立产量预测模型,并在不同生态点验证叶面积估算模型与产量预测模型的普适性。结果表明,基于RF的LAI估测模型的验证精度最高,4个生育时期的均方根误差(root mean square error, RMSE)分别为2.26、1.44...     

冬小麦冠层降水截留性能研究

为定量分析冬小麦冠层降水截留量,采用"简易吸水法"分别研究了冬小麦单茎和群体的冠层截留性能,并对其影响因素进行了探讨。结果表明,在冬小麦抽穗前,叶数对单茎截留量影响显著(P<0.05),而对截留率影响不明显。在叶数相同条件下,单茎截留量在不同生育期间差异显著(P<0.01)。冬小麦单茎截留量随叶面积的增大而增大,而叶面积对截留率影响不显著。冬小麦单茎截留量与株高、鲜重呈线性正相关,相应截留率则与株高、鲜重呈线性负相关;群体截留量与叶面积指数(LAI)、地上部生物量呈线性正相关,相应截留率则与LAI、地上部生物量呈线性负相关。从拔节至成熟,冬小麦冠层截留量先增加后减少,最大冠层截留量出现在抽穗期(1.28mm),且不同生育期截留量差异极显著(P<0.01);相应截留率在不同生育期的变化无规律,各生育期间差异不显著。     

关中冬小麦叶片氮素含量高光谱遥感监测模型

为给黄土高原大范围的冬小麦氮素营养遥感监测提供理论依据,通过田间试验,研究了冬小麦叶片氮素含量遥感监测的最佳生育时期、最敏感波段及其他最优光谱参量。结果表明,灌浆期是利用高光谱遥感监测冬小麦叶片氮素营养状况的最佳生育时期;在拔节、抽穗和灌浆期680nm波段光谱反射率R680均能较好地反映冬小麦叶片氮素含量,基于光谱位置以及叶面积指数的光谱参量也能较好地反映冬小麦叶片氮素含量。拔节期、抽穗期和灌浆期分别以680nm波段光谱反射率R680、绿峰反射率Rg和植被指数(SDr-SDb)/(SDr+SDb)对小麦叶片氮素含量的拟合效果最佳,其回归方程分别为Y=27.54-280.247 X+1456.245 X2、Y=8.632 X-0.24和Y=25.83 X1.012。     

基于高光谱遥感的小麦黄花叶病害等级监测研究

为了构建小麦黄花叶病的遥感监测技术,在小麦返青期、拔节前期和拔节后期测定了不同黄花叶病等级下的冠层反射率,并同步调查与病害等级相关的小麦株高、含水量、氮含量、色素含量等农学参数,筛选出适宜监测小麦黄花叶病的植被指数,并构建病害等级监测模型。结果表明,小麦黄花叶病的反射光谱敏感波段在返青期和拔节前期集中于560～720 nm范围,而拔节后期则集中于800～900 nm区域。随病害等级的增加,光谱反射率在可见光波段逐渐增加,而在近红外波段区域降低。植被指数与病害等级相关性在不同生育时期间存在显著差异,整体上以拔节前期最好,决定系数(r)为0.72～0.82,而拔节后期模型精度急剧下降(r=0.26～0.72)。在植被指数中,整体上以表征色素变化的mND705模型预测精度最好,r和RMSE分别为 0.59～0.68和0.79～0.98。采用偏最小二乘回归(PLSR)建立黄花叶病害分级模型,三个时期的模型精度均高于植被指数模型,且整体上以返青期和拔节期前期估算效果较好,模型验证r为0.93～0.97,RMSE为0.24～0.32。因此,利用PLSR模型可以准确评价返青至拔节期前期小麦黄花叶病害等级。