【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。

【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,R2)、根均方差(root mean square error,RMSE)、

【目的】探索植被指数（VI）及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数（LAI）高光谱遥感估算的影响，构建县域水稻LAI估算模型，并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的３套训练数据，分别对增强型植被指数（EVI）、修正三角植被指数2（MTVI2）、归一化差值植被指数（NDVI）和修正比值植被指数（MSR）开展波段选择。在此基础上，以1种VI作为LAI的特征参量，试用指数回归（ER）和人工神经网络（ANN），构建LAI估算模型。计算LAI估算值和实测值之间的决定系数（R~(2)）和均方根误差（RMSE），开展估算精度验证。【结果】①基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例，基于优选波段的EVI和MTVI2得到的R~(2)分别为0.638和0.681，RMSE分别为0.554和0.519；而NDVI和MSR得到的R~(2)分别为0.567和0.560，RMSE分别为0.606和0.611。②基于各VI优选波段组合的LAI估算精度（平均R~(2)为0.574，平均RMSE为0.598）优于默认波段组合（平均R~(2)为0.424，平均RMSE为0.694）。③ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中，ANN模型得到的平均R~(2)比ER模型分别提高了40.27%和14.03%；平均RMSE分别降低了11.32%和8.11%。④就本项目试验而言，训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如，当训练样本量低至24时，基于EVI构建的ANN模型的测试精度（R~(2)=0.660， RMSE=0.537），仍然优于ER模型（R~(2)=0.597， RMSE=0.585）。【结论】VI及其波段选择与回归建模方法对LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物，尝试利用任意可能的波段组合来计算多种VI，遴选与实测LAI相关系数最大的VI及其波段组合，有益于提高基于VI的LAI高光谱遥感估算精度。同时，即使基于小样本训练数据，机器学习算法仍有可能得出优于参数回归的结果。

【目的】考虑到利用单一植被指数(VI)反演叶面积指数(LAI)时,存在着不同程度的饱和性和易受土壤背景影响的问题,提出通过分段的方式选择敏感植被指数形成最佳VI组合以提高LAI反演的精度。【方法】通过ACRM辐射传输模型模拟数据,结合地面实测光谱数据,选择常用的植被指数进行土壤敏感性分析以及饱和性分析确定LAI的分段点,并在此基础上分段选择最佳植被指数形成组合VI来实现LAI的最终反演,并利Landsat5TM开展区域条件下冬小麦LAI反演应用。【结果】以LAI=3是较为适宜的分段点,利用植被指数最佳分段组合OSAVI(LAI≤3)+TGDVI(LAI>3)可在一定程度上有效克服土壤影响因素以...

[目的]针对小麦生长早期的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]首先，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。然后，运用简单线性聚类SLIC（Simple Linear Iterative Clustering）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Q_(seg)、综合评价指标F值、精度Precision作为分割精度评价指标，分析了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。最后，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，定性定量的评价本研究方法去除土壤背景干扰的性能。[结果]试验共采集了12个小麦品种、两个施氮水平、共24块种植小区图像，Q_(seg)、Precision和F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NDVI（Normalized Difference Vegetation Index）值变异系数的最大值、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值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值与GreenSeeker RT200的测量值具有较高的相关性，决定系数为0.8959。[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。

获取农作物叶面积指数（ｌｅａｆ ａｒｅａ ｉｎｄｅｘ，ｌａｉ）及其动态变化对于农作物长势监测和产量估测等应用具有重要的意义。基于冠层反射率模型（物理模型）的ｌａｉ遥感反演方法具有良好的普适性，对地面数据依赖较少，近年来广泛应用于农作物ｌａｉ高光谱反演研究。然而，当物理模型参数取值尽可能准确（代入参数实测值或依据先验知识取值）时，模拟光谱与实测光谱间仍然存在误差，研究称之为＂光谱模拟误差＂。该研究通过比对实测冬小麦冠层光谱与ａＣｒＭ（ａ ｔｗｏ－ｌａｙｅｒ Ｃａｎｏｐｙ ｒｅｆｌｅＣｔａｎＣｅ Ｍｏｄｅｌ）模型最优模拟光谱，展示了光谱模拟误差在各波段、不同样本点的分布规律。据此，根据对光谱模拟误．．．

冬小麦SPAD(Soil and Plant Analyzer Development)是评价其健康状况的重要农学参数,传统监测方法效率较低,旨在将田间监测和遥感技术相结合,探讨我国江汉平原地区冬小麦SPAD的遥感监测方法。研究选取湖北省潜江市后湖管理区为研究区域,利用ASD Fieldspec 3地物光谱仪和SPAD-502叶绿素仪在田间采集冬小麦冠层光谱和叶片SPAD,选取4种植被指数与叶片SPAD进行回归分析并构建预测模型。经模型精度检验,NDVI较适合对该地区冬小麦SPAD反演。然后将NDVI-SPAD反演模型与HJ-1卫星影像相结合,进行研究区域的冬小麦SPAD反演,通过比较HJ-1...

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm...

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。

以陕西省扶风县马席村、巨良农场和杨凌区揉谷乡种植的大田玉米为试验材料,分别测定玉米抽雄期、灌浆期和乳熟期的冠层光谱反射率和叶片叶绿素含量,分析冠层各光谱植被指数与叶片叶绿素含量之间的相关关系,建立玉米叶绿素含量估测模型。结果表明,以单变量光谱植被指数估算叶绿素含量,抽雄期的最佳模型由修正叶绿素吸收反射率指数(Modified chlorophyll absorption reflectivity index,MCARI)建立,灌浆期最佳模型由垂直植被指数(Perpendicular vegetation index,PVI)建立,乳熟期最佳模型由植被衰老反射率指数(Plant senescen...

通过人工田间诱发不同等级小麦条锈病,在不同生育期测定染病冬小麦冠层光谱及其病情指数(DI)。把冠层光谱一阶微分数据与相应的DI进行相关分析,采用单变量线性和非线性回归技术,建立小麦DI的估测模型,并利用不同品种小麦样本对模型精度进行可靠性检验。结果表明:DI与一阶微分在432~582 nm、637~701 nm以及715~765 nm区域内有极显著相关性,以红边峰值区(725~735 nm)一阶微分总和与绿边峰值区(521~530 nm)一阶微分总和的比值为变量的线性模型估测DI精度最高,且其对小麦品种相对不敏感。上述研究结果对利用高光谱遥感监测农作物病害及其严重程度都具有实际应用价值。

小麦的产量受品种、光照、昼夜温差、降水、病虫害等自然灾害和耕地面积等综合因素的影响。通过小麦不同品种、不同灌溉方式、不同播种方式在小麦整个生育期的监测，研究小麦在不同的生长环境下建立与小麦的产量关系尤为重要。小麦冠层归一化植被指数（ＮＤＶＩ）以及比值植被指数（ＲＶＩ）的变化情况，可利用主动遥感仪器——ＧＲｅｅＮ ＳｅｅｋｅＲ进行检测。对测量数据进行筛选，建立回归模型，解析小麦冠层植被指数与产量的变化规律，寻找基于ＮＤＶＩ和ＲＶＩ与小麦产量的最佳估算模型，并验证小麦产量预测模型的有效性，对小麦产量预测的公式进行分析。

【目的】由适时获得的高光谱数据代替传统繁琐的实验室土壤养分测定数据来进行变量施肥,实现冬小麦高产优质的目标。【方法】本研究利用冬小麦起身期和拔节期冠层光谱数据,选用反映冬小麦长势信息的优化土壤调节植被指数(OSAVI,optimization of soil-adjusted vegetation index)和变量施肥模型进行变量施肥管理(变量区),以相邻地块常规非变量(均一)施肥区(对照区)为对照,研究了不同氮肥处理冬小麦冠层光谱特征及其施肥效应。【结果】变量施肥之后两种氮肥处理在敏感波段670nm和760～900nm处反射率差异明显,而670nm和760～900nm是氮素和冠层的敏感波段...

以ＷｏｒｌｄｖｉｅＷ－２遥感影像作为数据源，对东洞庭湖湿地核心区域进行了ｌＡｉ估算研究。首先对典型的植被指数与叶面积指数（ｖｉ－ｌＡｉ）的相关性进行了分析；然后选择了７个与ｌＡｉ之间存在显著相关性的植被指数（Ｎｄｖｉ、ｒｖｉ、ｄｖｉ、ＳＡｖｉ、ＭＳＡｖｉ、ｅｖｉ、ｒｄｖｉ）作为ｖｉ－ｌＡｉ的模型因子，采用多回归模型与ｌＡｉ实测数据进行拟合分析，筛选出这回归模型的最优因子；然后利用实测数据作为检验样本，最终确立了以Ｎｄｖｉ为模型变量的指数模型是用于ｌＡｉ估测的最优模型，精度达到了７４．３４％。结果表明：本研究采用的多植被指数比较建立的湿地植被ｖｉ－ｌＡｉ反演模型，是可以比较准确获取湿地区域叶面积．．．