[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。

[目的]本文对作物冠层区域的光强自适应性分割算法进行了研究,旨在消除光谱指数测量过程中土壤背景的干扰,克服现有光谱检测方法对结构光的依赖性。[方法]采用加装窄带滤光片的2个相机组建测量系统,并对相机的几何安装参数进行标定;将窄带图像灰度直方图的波谷灰度值与最大灰度值的比值作为归一化阈值,实现窄带图像分割的光环境自适应性。在实现近红外窄带图像中土壤和冠层分割的基础上,通过几何变换推算出可见光波段窄带图像的冠层区域,从而实现可见光窄带图像的分割。[结果]在80～140 cm高度内,每隔10 cm设置1个测量高度,每个高度采集5组平均株高为25 cm的绿萝冠层窄带图像(770和660 nm),安装660 nm滤光片的相机在完成图像采集后,将滤光片换成770 nm重新拍摄5张照片,作为660 nm图像分割效果的参考图像。结果表明:660 nm图像的分割区域与参考图像的分割区域平均重合度大于99%。同时计算了光照度为10 000～26 000 lx时拍摄的50幅绿萝770 nm窄带图像的非归一化阈值和归一化阈值,其与光照度的相关系数分别为0.586 6和0.091 6。[结论]本文提出的基于归一化阈值的分割方法对光环境的变化具有很强的适应性,综合归一化阈值和几何变换可以实现窄带图像的分割,为构建消除土壤干扰的归一化植被指数(normalized difference vegetation index,NDVI)等光谱指数提供有效的基础数据。

【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)、

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】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。

粳稻氮素含量的快速、无损、准确反演,可以反映和诊断作物的氮营养状况,为施肥决策提供依据。基于田间试验采集的粳稻分蘖期无人机光谱影像数据与对应氮素含量数据,采用无信息变量消除法(uninformation variable elimination,UVE)筛选得到的特征波段光谱反射率两两组合构建NDVI、DSI、RVI、RDVI、TVI、NRVI、WDRVI、LogR指数变量,根据与粳稻叶片氮素含量的决定系数等势图挑选出9组不同的植被指数组合(8种植被指数的组合共1组,每一种植被指数的组合共8组)分别作为模型的输入量,构建极限学习机(extreme learning machine,ELM)、天牛须搜索算法优化极限学习机(tenniu shall optimize-extreme learning machine,BAS-ELM)粳稻冠层叶片氮素含量反演模型并验证分析。UVE算法较好地剔除了无用及冗余信息波段,得到266个光谱特征波段;在构建植被指数过程中,各指数与粳稻冠层叶片氮含量的决定系数R~2分布在0.7283～0.7580之间,构建的植被指数均与氮含量呈现显著相关关系。从预测结果来看,9组不同输入量建立的BAS-ELM反演建模效果均较好,训练集与验证集的R~2均在0.646以上,RMSE均低于0.564mg·g~(-1);其中以8种植被指数的组合为输入量建立的BAS-ELM预测效果最好,训练集与验证集的R~2分别为0.756和0.753,均方根误差(RMSE)分别为0.431mg·g(-1)和0.466mg·g~(-1),优于单一结构的植被指数组合;通过对比,BASELM在预测能力、稳定性和泛化性上比ELM的预测模型有明显提高。综上研究,基于无人机获取的分蘖期水稻冠层光谱数据,以依特征波段构建的多种植被指数的组合作为输入量结合BAS-ELM建模方法在快速无损反演粳稻叶片氮素含量中具有优势,可为粳稻精准施肥提供参考。

选择株型差异较大的冬小麦品种,并通过部分品种不同密度试验,分析了冠层结构的两个重要指标叶向值(LOV)与叶面积指数(LAI)与光谱特征参量的关系,同时对20个不同处理进行了聚类分析。结果表明,不同生育阶段株型指标LOV和群体大小指标LAI对光谱的贡献是不同的,前期(以拔节期为主)LOV对光谱的影响要大些,后期主要受LAI的影响;对拔节期包括品种和密度在内的共20个处理进行聚类分析,划分了株型和群体大小的不同组合4个(A-株型直立,群体较小;B-株型直立,群体较大;C-株型披散,群体较小;D-株型披散,群体较大);拔节期不同类组冠层光谱反射率在400～700nm范围内反射率由高到低的顺序为A>B...

倒伏作物产量评估是作物倒伏灾害综合评估中的一项重要指标。针对传统倒伏作物产量评估方法的不足,该文提出了一种基于图像处理技术和光谱分析技术的倒伏冬小麦估产方法。研究首先通过冬小麦倒伏模拟试验,人工造成冬小麦倒伏,采集不同倒伏等级冬小麦RGB图像数据、冠层光谱反射率数据,并测量倒伏冬小麦产量。然后,通过RGB图像获得颜色、纹理特征,通过光谱反射率获得光谱吸收、红边和植被指数特征,取与倒伏冬小麦产量最为相关的23个特征量作为产量预测模型的输入变量。最后,使用粒子群算法优化径向基权值并建立估产模型,通过三个倒伏时期的光谱和图像指标估算倒伏冬小麦产量。结果表明,模型估算精度为98.2%,该模型能满足非接...

以自然光下大田油菜幼苗图像为研究对象,运用超红指数ExR、超绿指数ExG、超绿超红差分指数ExGR、归一化植被指数NDI、植被提取颜色指数CIVE、植被指数组合COM等6种常用植被指数和阈值算法分割具有阴影区域的大田油菜图像,同时试验中引入定量评价标准客观评价常用RGB空间植被指数的分割效果。结果表明:定性分析中COM指数优于其他5种植被指数,能够减少阴影带来的分割影响,并在局部叶片分割试验中保留完整叶片轮廓;定量分析中COM指数提供最佳分割精度、灵敏度和特指度分别为94.1%、97.2%、90.9%,其相应标准差为1.1、1.3和0.06。

【目的】以海南省特有树种降香黄檀为研究对象,提出1种基于植被指数和多光谱纹理特征的叶片全铁含量(TIC)预测方法,为珍贵树种重金属营养诊断提供参考。【方法】分别设计4种梯度(CK、F1、F2、F3)的铁胁迫试验,胁迫结束后摘取叶片并获取多光谱图像,计算叶片图像的植被指数(VIs)及纹理特征(包括纹理特征均值TFMV和纹理特征方差TFV),分析其与TIC之间的关系。通过显著性检验筛选出与TIC在0. 05和0. 01水平上显著相关的变量,再使用相关性分析法(CA)、主成分分析法(PCA)、平均影响值法(MIV)和遗传算法(GA)进行二次筛选,将筛选结果作为粒子群优化-反向反馈神经网络(PSO-BPNN)的输入变量,分析比较预测结果。【结果】1)在CK～F2梯度区间内,树高、冠幅和地茎的生长量随着施铁含量的增加而增加,而在F3梯度下,树高、冠幅生长量降低,地茎生长量出现大幅度上升; 2)随着叶片TIC的上升,B波段呈先下降后上升趋势;G波段则与B波段相反; R波段先下降后上升,之后基本保持稳定; RE和NIR波段则一直呈上升趋势; 3)大部分VI与TIC在0. 01和0. 05水平上相关,TFMV和TFV也可以反映叶片TIC,但TFV在相关水平和相关个数方面均优于TFMV。从波段角度分析,RE和NIR波段在植被指数和纹理特征方面与TIC的相关性均优于其他波段; 4)使用不同筛选方法得到的预测结果不同,其中CA与GA得到的评价指标最佳且相似,但GA在150～300mg·kg~(-1)区间得到的预测结果偏低,不适用于田间施肥指导。5)仅使用植被指数得到的预测结果较差,加入纹理特征后很明显的提高了拟合优度及预测精度,纹理特征方差对模型精度的影响更大,说明叶片纹理的离散程度可以较好的作为预测全铁含量的辅助信息。【结论】F1和F2梯度的施肥量可以促进降香黄檀植株生长及生物量累计。最佳叶片全铁含量为150～300 mg·kg~(-1)。除植被指数外,MPV作为辅助因素可以提高模型的拟合优度及预测精度,同时,CA-PSO-BPNN方法可以有效的运用于田间施肥指导,为珍贵树种重金属含量监测提供较为准确的预测。

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...

小流域植被状况的快速、高精度和低成本监测是评价退耕还林还草与生态环境建设功效的基础工作。为丰富植被指数多样性，本文旨在提出一种适宜黄土高原小流域植被状况监测的可见光植被指数。基于无人机遥感技术获取小流域可见光影像，论文构建了简化可见光植被指数(Simplified visible light vegetation index,SVVI)，结合样本统计法确定阈值，以支持向量机(Support vector machine,SVM)的监督分类结果对比了8种常用可见光植被指数提取效果，并以黄土高原2个典型流域为例，以混淆矩阵检验指数精度及其适用性。结果表明：1)SVVI能有效抑制非植被地物信息，在提取地物种类丰富且植被覆盖度相对较低的区域时，SVVI提取精度高达96%。2)在地物相对单一且植被覆盖度较高的验证区，SVVI提取精度依然在90%以上，表明SVVI有较好的适用性。相比较于监督分类结果，基于SVVI进行植被覆盖度计算可以有效保留植被信息，实现黄土高原小流域植被状况高精度监测。

【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...