受渍冬小麦不同叶位叶片的SPAD高光谱估算

实时、准确获取叶绿素含量信息对及时了解农作物受害程度、指导农业生产和估测产量等具有重要意义。为探索受渍冬小麦各层叶片叶绿素相对含量(SPAD)的最优估测模型,本研究设置排灌可控的冬小麦渍害胁迫梯度微区试验,分析了15个常用高光谱特征指数与SPAD的相关关系,并对基于多元线性回归、支持向量机、BP神经网络、决策树和随机森林模型的受渍冬小麦各层叶片SPAD的估算结果进行了对比分析。结果表明：短期渍水(≤3 d)对冬小麦分层叶片的SPAD值影响不明显,当渍水时间大于9 d时,SPAD值随着渍水时间的增加降低较为明显,在生长后期为0;15个高光谱特征指数与SPAD均达到极显著相关水平(P<0.05),其中Ctr2、Dy、NDVI和SIPI 4个指数与SPAD的相关性最好,其相关系数的绝对值分别达到0.880、0.868、0.868和0.833;与基于L1、L2和L3层叶片SPAD相比,基于平均SPAD的高光谱估算结果最好,其R²达到0.719;与其他4个估算模型相比,随机森林模型可较好地估算各层叶片的SPAD值,其R²、RMSE、RE分别为0....     

平稳小波变换在冬小麦SPAD高光谱监测中的应用

在2010与2011年度冬小麦生长季通过大田小区试验,利用ASD便携式野外光谱仪和SPAD 502叶绿素计实测冬小麦冠层的高光谱反射率与SPAD值.分析不同SPAD值下的冬小麦冠层光谱特征,建立了基于归一化植被指数（NDVI）与比值植被指数（RVI）、小波能量系数的不同生育期冬小麦SPAD估算模型.结果表明： 随着SPAD值的增大,“绿峰”与“红谷”特征愈加明显.在冬小麦返青期、拔节期、抽穗期、灌浆期NDVI估算SPAD的效果较好,估算模型的R²分别为0.7957、0.8096、0.7557、0.5033.小波能量系数回归模型可以提高冬小麦SPAD的估算精度,在返青期、拔节期、抽穗期、灌浆期以高频、低频小波能量系数为自变量的冬小麦SPAD估算模型的R²分别达到0.9168、0.9154、0.8802、0.9087.     

基于光谱特征的棉花苗期耐涝性鉴定

耐涝性是一个复杂农艺性状,采用传统方法大规模鉴定难度大。高光谱成像在作物表型检测方面具有无损、高效的优点,可望实现作物耐涝性的快速鉴定。本研究以27个陆地棉品种为供试材料,测定低氧胁迫与正常供氧条件下的株高、茎粗、叶面积、总根长,利用便携式光谱仪获取光谱图像,分析涝渍特征曲线并提取与色素、水分及氮素相关的6个光谱特征指数,采用主成分、逐步回归、系统聚类、相关性等多元分析方法,构建了基于光谱特征的棉花苗期耐涝性鉴定模型。利用主成分分析将10个耐涝单项指标简化为4个主成分。根据主成分贡献率和权重,将4个主成分简化为耐涝综合评价系数D值。逐步回归分析建立D值与10个单项指标耐涝性系数最优线性回归方程：D=0.161+0.220 SD+0.068 LA+0.358 PSSRa+0.404 I1+0.292 NDSI(R2=0.9849,式中SD为茎粗,LA为叶面积,PSSRa为色素比值指数a,I1为红外指数1,NDSI为归一化差值胁迫指数)。聚类分析将27份供试材料耐涝性划分为4个等级,即强耐涝、耐涝、中等耐涝、涝渍敏感。相关性分析结果显示,茎粗与色素比值指数a、色素比值指数b、植物氮光谱指数...     

臭氧胁迫冬小麦叶片高光谱特征和叶绿素含量估算

为无损、快速监测臭氧胁迫下冬小麦叶片叶绿素含量，建立叶绿素含量与光谱指标的定量关系，基于自由式臭氧浓度增加系统平台观测了臭氧浓度升高下拔节期、开花期及灌浆期冬小麦叶片的叶绿素含量和光谱特征。通过线性回归、人工神经网络(ANN)以及偏最小二乘回归(PLSR)模型对臭氧胁迫下叶片高光谱特征进行了叶绿素含量的估算。结果表明：臭氧胁迫冬小麦叶片的光谱曲线特征出现绿峰“红移”和红边位置“蓝移”现象。相比于拔节期和开花期，小麦叶片在灌浆期受到臭氧的影响更大。臭氧胁迫下叶绿素含量与部分光谱特征参数及遥感植被指数存在显著相关关系，所有模型均取得了较高的估算精度(R²>0.8),其中以光谱特征参数为建模参量的偏最小二乘回归模型精度最高。该方法可用于臭氧胁迫下冬小麦叶片叶绿素含量的估测，动态监测作物的臭氧胁迫。     

基于地面观测光谱数据的冬小麦冠层叶片氮含量反演模型

冬小麦冠层叶片氮含量是反映其产量与品质的重要指标,构建高普适性、高精准性冬小麦冠层叶片氮含量高光谱反演模型对提高其监测效率具有重要意义。以不同地点、品种、年份、施氮水平、生育期的大田试验数据为基础,基于两波段光谱植被指数NDRE和550 nm光谱反射率组合构建一个三波段植被指数NEW-NDRE,并与11个传统冬小麦冠层叶片氮素光谱指数进行比较。结果表明: NEW-NDRE及传统植被指数中NDRE、NDDA、RI-1dB与冬小麦冠层叶片氮含量的相关性较好;其中,灌浆初期NEW-NDRE与冬小麦冠层叶片氮含量相关性最好,决定系数R²为0.9,均方根误差(RMSE)为0.4;经独立数据检验,以NEW-NDRE为变量建立的冬小麦冠层叶片氮含量反演模型的平均相对误差(RE)为9.3%,明显低于以NDRE、NDDA、RI-1dB为变量的模型RE。总体上,新构建的NEW-NDRE对冬小麦冠层叶片氮含量的模拟能力显著优于传统指数,减弱了试验条件的限制性,可为精准施肥提供新的技术支撑。     

青海瑞香狼毒叶绿素含量高光谱预测模型

叶绿素含量是植物生长状况的重要指标,狼毒叶绿素含量预测可为狼毒长势监测及危害防控提供科学依据。本文选取青海省兴海县瑞香狼毒分布的典型退化草甸,利用全光谱的偏最小二乘法(PLS)、基于连续投影算法的多元线性回归法(SPA-MLR)、基于连续投影算法的偏最小二乘法(SPA-PLS)、红边参数以及植被指数共5种方法对狼毒叶片SPAD值进行预测和对比分析,构建青海省瑞香狼毒叶绿素含量的最优预测模型。结果表明:利用SPA算法筛选出9个特征波长建立的PLS模型对狼毒SPAD值的预测结果最好,预测相关系数为0.778,预测均方根误差为1.895;与全光谱PLS模型相比,SPA-PLS模型明显减少计算量,提高了建模效率;与SPA-MLR模型相比,SPA-PLS模型有效解决了变量之间的共线问题,显著提高了预测精度,是狼毒叶绿素含量的最佳预测模型;基于红边参数和植被指数建立的预测模型中,MCARI指数构建的模型对狼毒SPAD值的预测精度最高,预测相关系数为0.808,预测均方根误差为1.969,可作为反演狼毒叶绿素含量的最优植被指数。     

基于地-空遥感耦合的冬小麦叶片氮积累量估算

利用不同冬小麦生态区同步的SPOT-5多光谱遥感影像、地面光谱数据和植株取样数据,提出一种基于波谱响应函数拟合和混合像元分解的纯净像元光谱提取方法,并对比分析了纯净像元光谱、模拟像元光谱和实测像元光谱与冬小麦叶片氮积累量（LNA）的定量关系.结果表明： 模拟像元光谱对叶片氮积累量的反演效果较好,纯净像元光谱反演效果次之,实测像元光谱最差;但基于模拟像元光谱的LNA监测模型不能直接外推至空间尺度.模型检验结果表明,基于纯净像元光谱的LNA监测模型在2个小麦生态区均具有较好的精度和稳定性,该方法综合利用了地-空遥感的优点,可以推广应用到其他不同空间分辨率和光谱分辨率的遥感数据,从而为区域性冬小麦氮素营养状况的遥感监测提供技术依据.     

冬小麦叶片SPAD值高光谱估测的预处理方法

为选择合适的光谱预处理方法,提高叶片SPAD值的预测精度,本研究分析冬小麦不同叶位叶片SPAD值与光谱的响应关系,对原始光谱数据进行归一化处理(NC)、多元散射校正(MSC)和基线校正(BC)及组合处理,并结合连续投影算法(SPA)和逐步多元线性回归(SMLR)构建SPAD值光谱估测模型。结果表明:增加施氮量能提高冬小麦不同叶位叶片的SPAD值,生育前期顶二叶在近红外光谱区域反射率最大,生育后期则为顶一叶最大;单一光谱预处理中基于NC处理的光谱预测模型最好(R2=0.770、RMSE=1.483),MSC处理降低了模型预测效果,组合预处理中,以BC+NC建模效果最好,R2和RMSE分别为0.755和1.540;部分预处理在一定程度上可以消减噪音,但不当的预处理方法会降低模型的预测能力;预处理方法并不是越多越好,顺序不同预测模型精度不同。     

基于Sentinel-2A影像干旱区棉花叶片SPAD数字制图

植被叶片叶绿素是农业遥感反演的重要参数,叶绿素含量的变化与植被生长环境的胁迫程度、生理变化密切相关,故将植被叶绿素进行实时、动态监测对农业生产极为重要。然而,传统经验模型及叶绿素精准测量存在困难。基于高分辨率的Sentinel-2A数据,在机器学习框架下,利用光谱信息、最适光谱指数和基于PROSAIL辐射传输模型的生物协变量构建3种建模方案(方案1:光谱信息和最适光谱指数联合,方案2:光谱信息和物理模型生物协变量联合,方案3:光谱信息、最适光谱指数和物理模型生物协变量联合)。最终基于优选出的建模方案进行棉花叶片叶绿素相对含量的空间数字制图。结果表明:(1)红边波段参与的最适光谱指数比值植被指数(RVI)与棉花叶片SPAD值相关性最高r=0.767,P^**=0.195;(2)将构建的17个变量进行重要性分析可知,构建的最适光谱指数比值植被指数(RVI)与物理模型生物协变量LAI-Cab对估算模型的精度贡献率较大;(3)建模方案构建植被指数时红边波段被确定为最优波段,在增加精度方面起到决定性作用;通过模型评价标准来分析3种方案可知,预测精度大小顺序为模型方案3>...     

江淮地区小麦涝渍灾害风险评估与区划

基于灾害风险分析理论,根据历年气候资料,小麦生长发育、种植面积和产量资料,对江淮地区各县小麦涝渍脆弱性、自然气候风险、灾损风险和抗灾能力等方面进行分析评估,建立了包括涝渍脆弱度、气候风险指数、灾损风险指数、涝渍综合风险评估系数等不同的涝渍风险表征模型,并构建了涝渍综合风险评估系数作为区划指标,对江淮地区小麦涝渍灾害风险进行了空间区域划分。结果表明:涝渍脆弱度、气候风险指数、灾损风险指数和抗灾力系数4个因子的组合,可以较好地反映江淮地区小麦涝渍风险特征;按照高、较高、中和低4个等级对小麦涝渍综合风险进行了区划;安徽省江淮南部为高风险区;沿淮中部以及江淮中部南部、沿洪泽湖区域为涝渍较高风险区;河南省33°N以南区域、以及安徽、江苏省淮北中部区域为涝渍中风险区;33°N以北地区为涝渍低风险区。     

基于减量精细采样法估算小麦叶片氮积累量的最佳归一化光谱指数

基于6个小麦品种、5个施氮水平、4年田间试验条件下不同生育时期的小麦叶片高光谱反射率和相应的氮含量及生物量,采用减量精细采样法,系统构建了350～2500 nm范围内所有两两波段组成的归一化光谱指数［NDSI（i, j）］,综合分析了小麦叶片氮积累量(LNA, g N·m^-2)与NDSI（i, j）的定量关系,确定了估算叶片氮积累量的新高光谱特征波段和光谱指数,进而建立了小麦叶片氮积累量监测模型.结果表明：估算小麦叶片氮积累量的敏感波段主要存在于可见光区和近红外区,最佳特征波段组合为720 nm和860 nm;基于NDSI(860,720)的叶片氮积累量监测模型为LNA=26.34×［NDSI(860,720)］^1.887（R²=0.900,SE=1.327）.利用独立试验资料的检验结果表明,基于NDSI(860,720)建立的回归模型对小麦叶片氮积累量的估测精度为0.823,RMSE为0.991 g N·m^-2,模型预测值与观察值之间的符合度较高.可利用新的归一化高光谱参数NDSI(860,720)来估算小麦叶片氮积累量.     

基于无人机高清数码影像和高光谱遥感数据反演大豆典型生育期氮平衡指数

氮平衡指数(NBI)是反映作物长势的重要指标之一.通过测量NBI可以快速监测作物氮肥盈亏状况,为农业生产和管理提供精准信息.本文以无人机高清数码影像和高光谱遥感数据,以及地面实测大豆NBI数据为基础,分析大豆从开花期到成熟期,原始光谱和红外、近红外波段的导数光谱与NBI的相关性,筛选敏感波段并计算植被指数.采用经验模型法构建NBI反演模型,通过分析验证模型的决定系数(R^2)和均方根误差(RMSE),得出最佳反演模型.结果表明:大豆NBI与导数光谱反射率的相关性好于与原始光谱反射率的相关性;本文筛选的14个植被指数中,除了导数光谱光化学植被指数与大豆NBI呈不显著相关外,其余13个植被指数与大豆NBI呈极显著相关;利用13个植被指数构建NBI反演模型,并分析模型反演精度,结果显示,利用导数光谱差值植被指数构建NBI反演模型的精度最高,R^2和RMSE分别为0.771和3.077,利用该模型生成大豆典型生育期NBI分布图,能够反映大豆的长势状况.通过多载荷无人机获取的高清数码影像和高光谱遥感数据进行NBI估算,能够实时、动态、非破坏性、快速有效地监测大豆氮素营养状况,可为大豆氮肥精确管理提供简便实用的方法.     

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。     

基于多源遥感数据的大豆叶面积指数估测精度对比

近年来遥感技术的革新促使遥感源越来越丰富.为分析多源遥感数据的叶面积指数(LAI)估测精度,本文以大豆为研究对象,利用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合地面实测LAI构建经验回归模型,比较3类遥感数据(地面高光谱数据、无人机多光谱影像以及高分一号WFV影像)对大豆LAI的估测能力,并从传感器几何位置和光谱响应特性以及像元空间分辨率三方面分析讨论了3类遥感数据的LAI反演差异.结果表明： 地面高光谱数据模型和无人机多光谱数据模型都可以准确预测大豆LAI(在α=0.01显著水平下,R²均>0.69,RMSE均<0.40);地面高光谱RVI对数模型的LAI预测能力优于无人机多光谱NDVI线性模型,但两者差异不大(E_A相差0.3%,R²相差0.04,RMSE相差0.006);高分一号WFV数据模型对研究区内大豆LAI的预测效果不理想(R²<0.30,RMSE>0.70).针对星、机、地三类遥感信息源,地面高光谱数据在反演LAI方面较传统多光谱数据有优势但不突出;16 m空间分辨率的高分一号WFV影像无法满足田块尺度作物长势监测的需求;在保证获得高精度大豆LAI预测值和高工作效率的前提条件下,基于无人机遥感的农情信息获取技术不失为一种最佳试验方案.在当今可用遥感信息源越来越多的情况下,农业无人机遥感信息可成为指导田块精细尺度作物管理的重要依据,为精准农业研究提供更科学准确的信息.     

烟草叶面积指数的高光谱估算模型

叶面积指数(1eaf area index,LAI)是重要的生物物理参数,亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量,因此具有重要的研究意义。为了探索不同高光谱模型监测烟草叶面积指数LAI的精度,在烟草伸根期,旺长期和成熟期采用ASD Fieldspec HH光谱仪测定了不同水氮条件下烟草冠层的高光谱反射率和叶面积指数数据。选用四个常用的植被指数RVI (ratio vegetation index)、NDVI (normalized difference vegetation index)、MTVI2（Modified second triangular vegetation index）、MSAVI（Modified Soil-adjusted vegetation index）和PCA (principal component analysis)、neural network (NN)三种方法对烟草LAI进行了估算,比较分析了三种方法的估算结果。研究结果表明,植被指数法,主成分分析,神经网络方法LAI都取得了较为理想的结果,其中植被指数法可以较为精确反演烟草LAI,验证模型确定性系数在0.76～0.85之间,主成分分析方法和神经网络方法精度较高,分别为0.938和0.889。主成分分析方法验证模型的稳定性更好,其验证模型的RMSE为0.172,低于四个植被指数和神经网络。MTVI2和MSAVI能较好地去除土壤、大气等条件影响,反演精度高于RVI和NDVI。与基于植被指数建立的模型相比,主成分分析和神经网络可以更好的提高LAI的反演精度。     

氮肥后移对抽穗后水分胁迫下冬小麦光合特性及产量的影响

采用子母桶栽土培法模拟冬小麦抽穗后不同的水分胁迫状态,研究了氮肥后移对冬小麦光合特性及产量的影响.设置3个氮肥处理,分别为N₁(基肥∶拔节肥∶开花肥=10∶0∶0)、N₂(6∶4∶0)和N₃(4∶3∶3),模拟冬小麦抽穗后2种水分胁迫(渍水胁迫、干旱胁迫),设正常供水为对照.结果表明：相同供水条件下,N₂和N₃处理较N₁处理显著提高冬小麦灌浆期旗叶的SPAD和光合速率,确保了收获时较高的穗数、穗粒数和地上部分生物量;氮肥后移处理显著提高了冬小麦的耗水量,但其籽粒产量和水分利用效率也显著提高.相同氮肥条件下,干旱胁迫和渍水胁迫处理较正常供水显著降低了冬小麦开花期和灌浆期旗叶的光合速率、千粒重、穗粒数和产量.与正常供水相比,各氮肥条件下干旱胁迫和渍水胁迫处理花后旗叶光合速率及籽粒产量的减小幅度均表现为N₁＞N₂＞N₃.表明氮肥后移通过提高旗叶SPAD、减缓花后旗叶光合速率的下降幅度、增加地上部分干物质积累量,调控产量及其构成要素,以减轻逆境灾害(干旱和渍水胁迫)对产量的影响.     

控制大田和自然大田稻纵卷叶螟危害水稻生理生态参数估算模型

为了准确监测和客观评估稻纵卷叶螟对水稻生长发育和产量形成的危害,利用ASD Field Spec3地物波谱仪和SPAD-502叶绿素仪分别采集控制大田试验（2015年和2019年）和自然大田试验（2020年）在各生育期（拔节期、孕穗期、灌浆期、成熟期）水稻的冠层高光谱数据和SPAD值,调查采集样点的虫量和水稻卷叶率,对比分析两种试验中稻纵卷叶螟的虫害发生特征、水稻冠层光谱特征和水稻生理生态参数特征,建立基于高光谱参数的水稻受稻纵卷叶螟危害的生理生态参数估算模型。结果表明,（1）两种试验的水稻SPAD值和冠层的红边至近红外波段的反射率均随着稻纵卷叶螟虫害程度的加重而降低,而可见光波段的反射率则相反;（2）自然大田试验的SPAD值和红光至近红外波段的冠层反射率在水稻生长发育前期要显著低于控制大田试验,而到了后期则反而要略高于控制大田试验;（3）综合分析筛选出自然大田试验和控制大田试验中的多个虫害特征参数和植被指数分别构建出了SPAD的单因子和多因子估算模型,各模型均达到了较好的估算效果,在单因子模型中EVI的二项式函数模拟效果最好,而多因子线性回归估测模型的模拟效果优于所有的单因子模型;（4）通过2021年对这些模型的应用检验发现：这些模型中基于虫量、卷叶率、OSAVI、EVI和DVI的单因子估算模型的SPAD估算值与实测值拟合度很高,其R_v²均超过了0.8,达到了比较理想的估算效果,这为稻纵卷叶螟危害下的水稻SPAD值估测提供了一种精度较高且可行的估算方法。     

一种估测小麦冠层氮含量的新高光谱指数

提出了一种估测小麦冠层氮含量的新高光谱指数--微分归一化氮指数(FD-NDNI)。以FieldSpec Pro FR地物光谱仪采集拔节后至孕穗前小麦的冠层光谱190份,随机抽取142份作为训练集,其余48份作为预测集。将光谱以小波阈值去噪法去噪后,利用其525、570 与730 nm处的一阶导数值,采用差值、比值以及归一化的方法构建了12种光谱指数以实现小麦冠层氮含量的估测,并与mNDVI705、mSR以及NDVI705等22种常用指数进行了比较分析。发现指数FD-NDNI对小麦冠层氮含量的估测结果最佳,其估测模型(指数形式)校正集决定系数(C-R²)与预测集决定系数(P-R²)分别达0.818与0.811,优于mNDVI705等常用指数。进一步分析表明,在各指数中,FD-NDNI对叶面积系数最不敏感,可最有效地避免冠层郁闭度等因素对氮含量估测的影响。为优化结果,采用最小二乘支持向量回归算法(LS-SVR)对模型进行了改进,当模型惩罚系数C与RBF核函数参数g取得最优解6.4与1.6时,其C-R²与P-R²分别提高至0.846与0.838,具有比指数模型更高的精度。结果表明:FD-NDNI是小麦冠层氮含量估测的优选指数,LS-SVR为建模的优选算法。