基于无人机多光谱遥感数据的植被指数玉米估产模型研究

玉米作为主要的粮食作物,其产量估产意义较为重大。传统的产量估算方法均以数据抽样调查为主,产量估算精度较低。随着新技术新方法的不断涌现,该文以无人机结合多光谱遥感技术,通过采集玉米的拔节期、吐丝期、乳熟期、蜡熟期4个关键生育期植被指数的变化,通过产量构建分析模型,并验证筛选合理的模型用于产量估算。经验证,在乳熟期,依据RVI、DVI、SAVI构建的产量模型精度较高。在蜡熟期,依据NDVI、RVI、DVI、SAVI构建的产量模型较高。通过以上研究,对于在玉米生长过程中,能够积极结合数据变化,便于高效开展农作物种植,估测作物产量具有重要的指导意义。

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官(叶片、茎秆)氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期(拔节期、抽穗期、开花期、灌浆期)和3种施氮水平条件下(N1、N2和N3)的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD(soil and plant analyzer development,SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法:随机森林回归(random forest regression,RFR)、支持向量回归(support vector regression,SVR)、偏最小二乘回归(partial least squares regression,PLSR)、高斯过程回归(gaussian process regression,GPR)、深度神经网络回归(deep neural networks,DNN)构建冬小麦叶片和茎秆氮含量估算模型。结果表明:高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期,最佳植被指数双峰冠层植被指数DCNI(double-peak canopy nitrogen index)对叶片氮含量的敏感性最高,R^(2)为0.866。对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数NPQI(normalized phaeophytinization index)与氮含量决定系数R^(2)=0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度,对叶片氮含量,在不同生育期和施氮水平条件下估算精度提升了1%~7%,其中在全生育期的归一化均方根误差NRMSE从0.254降低到0.214,抽穗期的NRMSE提升最大,从0.201降低到0.128。对茎秆氮含量,全生育期的NRMSE从0.443降低到0.400,抽穗期的NRMSE变化最大,从0.323降低到0.268。在全生育期,结合SPAD值的DNN模型对叶片(R^(2)=0.782、NRMSE=0.214)和茎秆(R^(2)=0.802、NRMSE=0.400)氮含量的估算精度最佳。研究说明,SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。

城市不同植被的反射光谱特征与植被指数响应

以城市常见的9种景观植被冠层光谱数据为研究对象,探讨不同植被红边波段的光谱特征和植被指数在城市植被区分度上的表现.结果表明:红边幅值可作为城市植被种类精确划分的光谱特征参数,HSVI可以作为利用多光谱数据进行城市植被种类区分时优先使用的植被指数.

无人机遥感的多植被指数土壤水分反演模型

土壤水分是影响农业生产的重要因素,在作物生长发育和最终产量上起着至关重要的作用,快速、高效地估算土壤水分已成为农林水资源监测的热点问题。利用高光谱反射率的特征波段计算植被指数、构建土壤水分反演模型已获得广泛的认可和应用。针对反演土壤水分受植被覆盖度影响较大的问题,提出用多种植被指数组合削弱植被覆盖度对土壤水分反演的影响。在宜昌市仓屋榜试验基地选取30组柑橘树,在果树滴落线处收集土壤,通过烘干法测定土壤质量含水率,采样4次,共计120组土壤含水率;并利用ASD Field Spectral FR光谱仪(波长范围325~1 075 nm)及大疆精灵4多光谱版无人机获取了120组试验区蓝、绿、红、红边、近红外及短波红外波段光谱反射率,采用移动平均法对光谱数据进行降噪预处理,通过灰色关联法对9种植被指数进行比较分析,筛选出与土壤水分极显著相关的4种植被指数(p<0.01),各指数与土壤水分的相关性从高到低依次为裸土指数(BSI)、归一化蓝绿差异植被指数(NGBDI)、绿色归一化指数(GNDVI)、归一化差异植被指数(NDVI),其中BSI与土壤水分的相关性最高,相关系数为-0.687(N=120)。采用线性逐步回归法和非线性BP神经网络法建立了基于多种植被指数的土壤水分反演模型,依据决定系数(R^(2))、相对误差绝对值(ARE)、均方根误差(RMSE)作为反演模型的精度评价指标。结果表明:逐步回归模型和BP神经网络模型的土壤水分反演值与实测值之间的R^(2)分别为0.816、 0.889, RMSE分别为2.54%、 1.53%, ARE分别为21.13%、 8.88%,利用多植被指数组合的非线性BP神经网络算法基于植被指数建模对土壤水分反演的精度更高,在一定程度上可以克服植被覆盖度不同对土壤水分反演精度的影响,作为直接测定土壤水分的有效替代方法,为农业灌溉定量决策及科学管理提供科学参数。

基于植被指数融合的无人机冬小麦LNC反演

为了解无人机遥感平台用于快速、准确地监测冬小麦叶片氮含量(LNC)中的可行性,利用无人机遥感平台获取新疆喀什地区新疆农业科学院小麦育种基地冬小麦冠层光谱图像,分析和筛选可见光植被指数、多光谱植被指数与LNC的相关性,建立融合植被指数,比较多元线性回归(MLR)、逐步线性回归(SMLR)、随机森林回归(RF)在冬小麦各生育时期对叶片氮含量的适用性,筛选最优冬小麦叶片氮素含量估测模型。结果表明,小麦LNC与可见光植被指数(ExR、IKAW、VARI)、多光谱植被指数(RVI、RDVI、MSR、NDRE、RERDVI)、融合植被指数(ExR×RERDVI、IKAW×RERDVI和VARI×RERDVI)具有较高相关性,遥感监测效果在抽穗期最佳,灌浆期次之,成熟期最差。以融合植被指数作为自变量,采用随机森林回归模型构建的LNC估测模型在抽穗期的预测精度最佳,建模r^(2)、RMSE和nRMSE分别为0.866、0.95 g·kg^(-1)和6.23%,模型验证r^(2)、RMSE和nRMSE分别为0.71、1.61 g·kg^(-1)和10.83%。这说明基于无人机遥感平台利用融合植被指数能够实现对冬小麦LNC的快速、准确估测。

煤滞尘对叶片反射光谱与植被指数的影响与定量分析

我国煤炭资源多集中在干旱少雨的北方地区,露天开采和运输等过程极易引起煤粉尘扩散和污染。粉尘扩散后其中一部分在重力作用下沉降覆盖到周边的植被上,导致植被降尘现象普遍。在利用遥感手段进行植被监测时,降尘效应会影响植被光谱的纯净性,使遥感器所获取的信号为植被与降尘的混合光谱信号,从而严重影响植被定量遥感精度。为定量研究植被遥感中煤尘的滞尘效应,开展了叶面滞尘光谱测量实验,探究了光谱和植被指数的变化规律;在此基础上,利用含有红边波段的Sentinel-2A遥感影像,在内蒙古霍林河露天矿区分别选择煤尘影响区与对照区两个区域进行植被指数对比,用来验证地面光谱测量实验结果。结果表明,随着滞尘量(0~36 g·m^(-2))的增加,叶面煤尘会使叶片的反射率整体逐渐降低,叶片光谱波峰处(560,720,860,1 680和2 220 nm)的反射率变化幅度明显高于波谷处(445,681和1 940 nm);随着滞尘量的增加,归一化差异植被指数(NDVI)、简单比值指数(SR_(705))和归一化差异指数(ND_(705))明显下降,而中分辨率成像光谱仪陆地叶绿素指数(MTCI)、改进型简单比值指数mSR_(705)(modified simple ratio)和改进型归一化差异指数(mND_(705))基本保持不变,表现出抗煤尘特性,445 nm处反射率和681 nm处反射率对指数起到了重要作用。利用霍林河露天煤矿区的Sentinel-2A遥感影像计算上述指数,将煤尘影响区与对照区比较,MTCI、 mSR_(705)和mND_(705)等指数表现了抗煤尘特性,验证了地面实验的结果。该研究为煤尘污染区域的植被遥感奠定了一定基础,对保证植被遥感反演精度具有积极意义。

基于窄带光谱图像分析的小麦冠层植被指数测量方法研究

[目的]针对小麦生长早期植被指数易受土壤背景干扰的问题,提出了一种基于窄带光谱图像分析的小麦植被指数测量方法。[方法]构建了多镜头结构的窄带光谱图像获取装置,实时获取656和770 nm的田间小麦窄带光谱图像。运用简单线性聚类(simple linear iterative clustering, SLIC)和VGG16(visual geometry group network 16)全卷积神经网络对小麦近红外窄带光谱图像进行超像素聚类和分类,把交并比(Qseg)、综合评价指标(F值)、精度(Precision)作为分割精度评价指标,分析传统阈值分割方法和本研究方法去土壤背景干扰的性能差异。去除土壤背景后的窄带光谱图像采用太阳光免白板标定方法计算植被指数,并与GreenSeeker RT200的实测数据进行对比分析,定性定量评价本研究方法去除土壤背景干扰的性能。[结果]试验共采集12个小麦品种、2个施氮水平、24块种植小区图像,Qseg、Precision和F值的平均值分别为90.41%、80.82%和72.73%,分割性能均优于传统的阈值分割方法。针对相同测试田块,GreenSeeker RT200测量的各小区归一化植被指数(normalized difference vegetation index, NDVI)变异系数的最大值、平均值和标准差分别为47.12%、33.61%、10.17%,而本测量方法的各小区NDVI的相应指标值分别为18.59%、9.61%、3.88%;当采样小区小麦封行后,本方法所提取的NDVI与GreenSeeker RT200的测量值具有较高的相关性,决定系数为0.895 9。[结论]该方法可以完成复杂土壤背景、大田光照变化条件下的小麦窄带光谱图像的冠层提取与植被指数测量,可为多镜头结构的作物冠层反射光谱仪的优化设计提供参考。

基于植被指数与连续小波变换的玉米叶片Cu^(2+)含量反演

目的:确定Cu^(2+)污染胁迫下玉米叶片Cu^(2+)含量最优反演模型。方法:以室内盆栽玉米为研究对象,在采集不同胁迫梯度下玉米叶片光谱以及同期叶片Cu^(2+)含量的基础上,通过遍历计算出两波段原始光谱植被指数,并将其与叶片Cu^(2+)含量进行相关性分析;利用0.1~0.9阶、1.1~1.9阶与1~4阶共22种光谱微分预处理重采样后的光谱数据,经连续小波变换后分析小波系数与叶片Cu^(2+)含量之间的相关性;根据相关性分析提取最优植被指数与最优小波系数,建立反演模型。结果:植被指数与叶片Cu^(2+)含量显著相关,最优波段组合分别为:DI(621.5 nm, 1 889.2 nm)、RI(482.2 nm, 1 418.5 nm)、NDVI(666.3 nm, 1 917.2 nm)、RNDVI(621.5 nm, 1 889.2 nm),其光谱特征均集中在可见光与近红外波段附近;小波系数也与叶片Cu^(2+)含量之间具有良好的相关性,其敏感波段位于400、600、900、1 200、2 400 nm附近,与最优植被指数敏感波段一致。经0.9阶光谱微分预处理后得到的小波系数与叶片Cu^(2+)含量相关系数最大,为0.88;通过相关性分析提取最优植被指数和最优小波系数,以植被指数与不同阶微分变换的连续小波变换提取的小波系数为自变量,建立线性反演模型,其中利用最优植被指数建立的反演模型精度最高,模型最稳定,RMSE为4.97μg/g。结论:植被指数和连续小波变换两种方法在农作物重金属污染监测方面具有重要的参考价值,应用前景广阔。

基于高光谱植被指数的大豆地上部生物量估算模型研究

本研究以大豆为研究对象,利用光谱仪测定大豆鼓粒期冠层高光谱数据并计算多种高光谱植被指数。分别采用一元线性回归(LR)、支持向量机(SVM)、反向传播神经网络(BPNN)和随机森林(RF)建立高光谱植被指数组合和大豆地上部生物量之间相互关系的数学模型。结果显示:基于LR、SVM、BPNN和RF建立的估算AGB模型的决定系数(R^(2))分别为0.59,0.71,0.73和0.76;均方根误差(RMSE)分别为2559.0,481.1,1194.6和805.2 kg·hm^(-2);相对分析误差(RPD)分别为1.22,1.55,1.87和1.92。基于RF建立模型的预测精准度比LR、SVM和BPNN模型更可靠,因此运用RF模型可以更精确地估算大豆地上部生物量。

高分一号宽幅多光谱影像辐射定标偏差及其植被指数影响

自2013年4月在轨运行以来,高分一号(GF-1)宽幅(WFV)多光谱相机已实现持续对地观测,为包括生态学在内的相关研究领域与行业应用提供了丰富的数据源。当前场地定标频次偏低以及定标参数更新、发布滞后的现状,一定程度上影响了GF-1 WFV多光谱数据的定量应用。然而,现有文献仅在数据预处理流程中谈及对GF-1 WFV影像的辐射定标处理,很少讨论定标参数选取不当甚至误用产生的可能影响。基于已公布的辐射定标参数(2014—2021年)和4景GF-1 WFV Level1A级影像产品数据,重点围绕辐射定标偏差及其对多光谱波段星上反射率和常用植被指数的影响等展开模型分析和讨论。结果显示:即使两个相邻年份间,在多数情况下误用辐射定标参数会导致不可忽视的波段星上反射率相对偏差;进而给不同类型植被指数的实际应用带来不同程度的挑战。因辐射定标偏差的影响,常用的两波段归一化型植被指数在监测稀疏植被覆盖区时会存在明显的误差;而对高植被覆盖区的监测时采用两波段简单比值型植被指数将面临更大的挑战。针对存档GF-1 WFV Level1A数据的应用需求,提出利用时间距离加权的线性内插法来修正基于公开定标参数的辐射定标结果,并通过案例分析表明了该处理方法的有效性。最后,希望研究结果能引起普通用户对卫星遥感影像辐射定标的关注和重视。

基于冠层高光谱植被指数的水稻产量预测模型研究

及时、准确、快速的进行粮食产量预测预报对指导农业生产和国家制定粮食政策有重大意义。以不同水稻品种和施氮水平为试验因素,进行两因素裂区设计试验,在水稻拔节期、孕穗期和抽穗期测定其冠层光谱反射率,通过筛选出与产量相关性最高的最佳波段组合,计算最优波段组合组成的12种植被指数,并建立了基于单植被指数和多植被指数组合的水稻产量预测模型。结果表明,孕穗期,在401~723 nm波段范围内水稻冠层原始光谱反射率与产量呈显著负相关关系;各植被指数与产量的相关性达到极显著水平。基于单植被指数构建的水稻产量预测模型,以孕穗期线性模型精度最高(R^(2)=0.436,RMSE=874.57 kg/hm^(2)),最佳植被指数为重归一化植被指数(RDVI),模型表达式为y=7.7E+05×RDVI_((455,456))+1.1E+04;基于逐步回归构建的多植被指数产量预测模型同样以孕穗期表现最佳(R^(2)=0.443,RMSE=861.81 kg/hm^(2)),最优植被指数为比值植被指数(RVI)、土壤调节型植被指数(SAVI)和最佳植被指数(VIopt),模型表达式为y=1.8E+05×RVI_((1661,1687))-2.1E+05×SAVI_((1235,1268))+5.3E+04×VIopt_((2260,2215))-3.4E+05。总的来说,多植被指数产量预测模型的拟合精度和预测效果均优于单植被指数产量预测模型,其中以孕穗期模拟效果最好。

基于无人机多光谱影像植被指数与纹理特征的冬小麦地上部生物量估算

为了实现对冬小麦生物量的高效无损监测,于2020—2021年间设置田间试验,利用大疆精灵4多光谱版(P4M)无人机获取冬小麦6个关键生育期的多光谱影像,对冬小麦的地上部生物量(above-ground biomass,AGB)与多光谱影像的植被指数和纹理特征进行相关性分析,筛选特征变量,并分别采用线性回归、偏最小二乘回归(partial least squares regression,PLSR)、随机森林(random forest,RF)3种方法构建基于不同特征组合的AGB估算模型。结果显示:植被指数与冬小麦AGB的相关性要高于纹理特征。将植被指数与纹理特征融合使用,在不同生育期不同算法下,均可有效地降低光谱特征的饱和现象,提升模型估算冬小麦生物量的精度。基于筛选的特征运用线性回归估算AGB时,孕穗期和成熟期的精度较好;而运用PLSR与RF估算生物量的最佳时期则是抽穗期。综上,植被指数耦合纹理特征可以有效地提高冬小麦生物量估算的效果,基于消费级无人机可在中小尺度上快速准确估算冬小麦生物量。

基于无人机遥感图像纹理与植被指数的土壤含盐量反演

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0~20 cm的土壤含盐量,并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类(土壤背景和植被冠层),基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征,采用支持向量机(SVM)和极限学习机(ELM)构建土壤含盐量监测模型,其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4),通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明:策略3、4所计算出的土壤含盐量反演精度高于策略1、2,策略1~4验证集决定系数R_(v)^(2)分别为0.614、0.640、0.657、0.681,因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4,图像纹理特征+植被指数受到土壤背景的影响,策略4精度低于策略3精度,其R_(v)^(2)分别为0.614、0.657;各变量处理的最优模型均为ELM模型,建模集R_(v)^(2)分别为0.625、0.644、0.618、0.683,标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。

基于优化植被指数组合的多品种辣椒叶片叶绿素数值估测

叶片叶绿素与植被生长状况息息相关,SPAD值能够反映作物叶片叶绿素含量,不同品种辣椒外形和生理生态参数具有明显差异,因此,准确、快速地估算SPAD值具有重要意义。以4个不同品种辣椒为研究对象,测量其SPAD值,对原始光谱进行倒数、对数、倒数对数、一阶微分和二阶微分变换,通过将变换光谱替换原始光谱来优化植被指数,对比优化植被指数和经典植被指数搭建模型的差异,最终得到不同品种辣椒SPAD值和高光谱之间的关系,寻找SPAD值的最优反演模型。结果表明:不同品种辣椒冠层光谱特性存在差异;辣椒叶片建模集、验证集和全样本SPAD值的变化趋势均为线椒大于朝天椒;基于倒数对数光谱优化的植被指数除了CI_(red edge)外,其余植被指数的相关系数均高于经典植被指数;基于lg1/R-VI搭建的随机森林模型无论是建模集还是验证集精度均较好,适合于不同品种辣椒SPAD值的估算,其中全样本模型测试集决定系数(R^(2))为0.83,平均绝对误差(MAD)为1.90,验证集R^(2)和MAD分别为0.45和1.26。

基于纹理-颜色特征与植被指数融合的冬小麦LAI估测

准确、快速、无损估测叶面积指数(LAI)对于冬小麦生产管理具有重要意义。利用无人机搭载Prime ALTUM多光谱相机获取冬小麦拔节期、孕穗期、抽穗期、灌浆期多光谱图像,利用LAI-2200C型植物冠层分析仪获取地面LAI数据。通过Pearson相关性分析筛选出25个植被指数,并提取植被指数影像中8种纹理特征:对比度(CON)、熵(ENT)、方差(VAR)、均值(MEA)、协同性(HOM)、相异性(DIS)、二阶矩(SEM)和相关性(COR),以及3种颜色特征:一阶矩(M)、二阶矩(V)和三阶矩(S),再分别利用多元逐步回归模型(MSR)、支持向量回归模型(SVR)和高斯过程回归模型(GPR)构建冬小麦LAI估测模型。结果表明:相对于考虑单一类型变量,考虑结合纹理特征和颜色特征进行估测时模型精度更高;3类模型中,GPR模型估测冬小麦LAI的精度最高;所有模型中,基于纹理-颜色特征与植被指数融合的GPR模型估测冬小麦LAI精度最高(决定系数R2为0.94,均方根误差(RMSE)为0.17 m^(2)/m^(2),平均绝对误差(MAE)为0.13 m^(2)/m^(2),归一化均方根误差(NRMSE)为4.06%)。纹理特征和颜色特征能有效改善植被指数在高密度冠层下的饱和问题,能够从有限的信息中衍生得到更多信息用于更高精度地估测冬小麦LAI,从而为冬小麦长势监测和生产管理提供理论依据。

基于LiDAR数据与光谱影像融合的单木提取方法

针对现有的机载数据单木分割方法对林型的普适度不高,尤其在高郁闭度阔叶林地带提取精度偏低的问题,选用海南省海口市热带阔叶林地带的光谱影像和LiDAR数据,先采用基于距离阈值的单木分割方法,利用高分光谱影像分割得到的树冠边缘,对初始探测树顶点进行位置约束。获得单木顶点的精确定位后,采用基于种子点的单木分割方法分割,完成了阔叶林的单木提取。结果显示,与已有的基于单木间相对间距单木分割方法相比,本研究通过选取最佳分割尺度结合光谱影像进行精确定位,改善了原有单一尺度分割方法导致的过分割现象,将单木识别精确率由0.67提升至0.92。该方法在使用遥感对森林单木进行分割工作中,可以更好地识别单木,对不同林型适用度较高,可以为后续的单木信息提取工作提供数据基础。

光谱植被指数与水稻叶面积指数相关性的研究

综合分析比较了几种常见光谱植被指数与水稻 (Oryzasativa)叶面积指数的相关性及其预测力。结果表明 ,植被指数的预测力在水稻营养生长旺盛期间最好。植被指数的预测力主要依赖于叶面积指数 (LAI)的整体变化范围。因此 ,综合不同生育时期和氮肥处理的试验资料 ,光谱植被指数能准确地预测LAI的变化。LAI与各植被指数均呈曲线相关 ,与比值植被指数 (RVI)、再归一化植被指数 (RDVI)和R810 /R560 显著幂相关 ,与归一化植被指数(NDVI)、垂直植被指数 (PVI)、差值植被指数 (DVI)、土壤调整植被指数 (SAVI)和转换型土壤调整指数 (TSAVI)显著指数相关。其中 ,近红外与绿光波段的比值R810 /R560 的预测力最佳。用不同移栽秧龄、不同密度、不同水分和氮肥处理的数据对R810 /R560 的表现进行了检验 ,结果表明估算精度平均为 91.2 2 % ,估计的均方差根 (RMSE)平均为0 .4 80 5 ,平均相对误差为 - 0 .0 13。

利用高光谱植被指数估测苹果树冠层叶绿素含量

叶绿素含量是反映植物生长状况的重要参数。利用ASD FieldSpec 3光谱仪,测定春梢停止生长期苹果冠层高光谱反射率,对原始光谱进行微分变换,与苹果叶绿素含量进行相关分析确定敏感波段,通过分析敏感区域400～1 350nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明:(1)苹果冠层叶绿素含量的敏感波段区域为400～1 350nm。(2)利用筛选得到的植被指数CCI(D794/D763)构建的估测模型能较好的估测苹果冠层叶绿素含量。(3)以CCI(D794/D763)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R预测效果最佳。因此,利用高光谱技术能够较快速、精确的对苹果冠层叶绿素含量进行定量化反演,为苹果长势的遥感监测提供理论依据。

用神经网络和高光谱植被指数估算小麦生物量

准确的估算作物生物量,能够为国家和地方政府的粮食经济宏观调控决策提供科学依据。利用高光谱植被指数,系统的比较了人工神经网络方法和传统回归模型估算的小麦生物量。结果表明,基于BP神经网络的方法相对于对数回归模型,显著地提高了小麦的生物量诊断的准确性,均方根误差(RMSE)相对减小,决定系数(R2)和T值相对增大,特别是对于比值植被指数(RVI),T值提高的幅度比较大,达99.8%。说明人工神经网络对作物小麦的生物量高光谱遥感诊断是一种实时高效的方法。

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(P<0.01)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P<0.01),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P<0.01),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P<0.01),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P<0.01),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。