共查询到18条相似文献，搜索用时 375 毫秒
1.
无人机多光谱遥感监测冬小麦拔节期根域土壤含水率 总被引：1，自引：0，他引：1
快速精确地获取冬小麦根域土壤含水率对实现精准灌溉具有重要意义。以拔节期不同水分处理的冬小麦为对象,利用低空无人机搭载六波段多光谱相机获取其冠层光谱反射率,并同时采集5个不同深度(10、20、30、40、60 cm)土壤含水率数据,通过逐步回归法、偏最小二乘法、岭回归法建立光谱数据与5个深度的多元回归模型。结果表明,三种回归模型对10、20 cm深度土壤含水率都有较高的监测精度,可以较好地对作物根域土壤含水率进行定量预测,其中逐步回归模型效果最好,其模型的决定系数R~2达到0.815、0.747,预测模型的R~2为0.774、0.717,相对分析误差R_(PD)为2.007、1.862,但三种回归模型对深度为30、40、60 cm根域土壤含水率的监测精度都较低。该研究结果对指导精准灌溉具有一定的参考价值。 相似文献
2.
为研究剔除土壤背景对无人机多光谱监测土壤含水率的影响,通过无人机飞行拍摄得到多光谱影像数据,运用监督分类剔除土壤背景,并分别提取剔除背景前后各6个波段的光谱反射率.将反射率与深度10 cm、20 cm和30 cm的实测含水率分别构建一元线性回归模型、逐步回归模型、偏最小二乘回归模型和岭回归模型,以R2、RMSE、RE为指标进行模型精度评价.结果表明:剔除灌浆期玉米的土壤背景后,数据的相关性和回归模型的精度始终比未剔除土壤背景数据的相关性和模型精度差.剔除土壤背景的反射率与各个深度含水率的相关系数绝对值在0.01～0.33之间,未剔除土壤背景的反射率与各个深度含水率的相关系数绝对值在0.08～0.54之间.未剔除土壤背景模型的效果在任何深度均高于剔除土壤背景的模型,其中在各深度处偏最小二乘回归模型的精度均为最优. 相似文献
3.
低空无人机多光谱遥感数据的土壤含水率反演 总被引：1，自引：0，他引：1
以杨凌地区黏壤土为研究对象,用无人机搭载多光谱相机采集土壤6个波段的光谱信息,探索一种快速监测土壤含水率的方法。试验通过相关系数法筛选光谱对于不同深度土壤水分的敏感波段,然后使用单一敏感波段处的光谱数据建立不同的一元回归模型并分析其定量关系。试验结果表明,一元二次回归模型的拟合效果最好,一元对数回归模型次之。其中,对于表层(约1 cm)土壤含水率的反演,模型拟合度均在0.81以上,预测相关系数均在0.92以上,预测均方根误差均在0.10以内,因此通过采集黏壤土反射率来推算表层土壤含水率是可行的。但随着深度增加,模型拟合效果急剧变差。该研究为利用无人机多光谱遥感对表层土壤含水率的快速、准确监测提供了一条新途径。 相似文献
4.
基于岭回归的土壤含水率高光谱反演研究 总被引：6，自引：0，他引：6
以以色列南部Seder Boker地区采集的粘壤土样品为研究对象。在室内利用ASD Field Spec 3型高光谱仪获取土壤的原始光谱,在进行数据预处理和不同数学变换后,共获取了4种光谱指标:光谱反射率(REF)、倒数之对数(LR)、一阶微分(FDR)和去包络线(CR)。采用偏最小二乘回归法(PLSR)、逐步回归法(SR)和岭回归法(RR)构建了基于不同指标的土壤含水率高光谱反演模型,并对反演结果进行精度验证与比较。结果表明:REF-PLSR模型在所有回归模型中的反演与预测效果均为最优(R2c=0.990,R2p=0.987),在逐步回归模型和岭回归模型中,LR-SR(R2c=0.981,R2p=0.971)、LR-RR(R2c=0.975,R2p=0.979)均为最佳模型。对于其他3种指标,虽然逐步回归法和岭回归法的建模效果较偏最小二乘回归法略有下降,但R2c均大于0.9,R2p均大于0.8,RPD均大于2.5,RMSE均小于0.03,模型仍具有较好的反演效果;逐步回归法和岭回归法均实现了模型的简化,但岭回归法采用有偏估计从而提高了模型的稳健性,且实现了波段的优选(用于建模的波段数仅为全光谱的0.3%)。粘壤土土壤含水率LR-RR高光谱反演模型的建立为高光谱模型的优化、土壤含水率的快速测定提供了途径。 相似文献
5.
为研究三维光谱指数预测土壤含水率的效果,以期能为精准农业地表土壤含水率的快速精确测定提供参考.以浙江永康地区采集的不同含水率土壤样本为研究对象,利用ASD FieldSpec 3光谱仪在室内对土样进行光谱反射率测量,并基于原始光谱反射率(R)及其对应的一阶微分光谱(FD)、二阶微分光谱(SD)进行一维二维及三维光谱指数的提取.再通过偏最小二乘回归模型(PLSR)对不同光谱指数建模,并对比分析不同模型的反演精度.结果表明:三维光谱指数相比于一维二维光谱指数对土壤含水率更加敏感;基于三维光谱指数(TBI2)偏最小二乘回归模型具有最佳的预测效果,其Rv2=0.92,RPD可达3.32;对于土壤含水率反演而言,三维指数(R-TBI1)相比于其他的光谱指数更具重要性,其变量投影重要性(VIP)达1.04.该研究表明利用三维光谱指数建模为高光谱遥感对表层土壤含水率的快速有效监测提供了一条新途径. 相似文献
6.
土壤盐渍化严重制约农田土壤环境的循环发展,高效准确地监测土壤盐分动态变化对盐碱地改良利用具有重要意义。为及时、有效地监测盐渍化土壤含盐量,以内蒙古黄河南岸灌区的4个典型盐碱化耕地改良示范区为例,利用Sentinel-2多光谱遥感影像,同步采集示范区内表层土壤的含盐量数据,通过相关性分析筛选敏感光谱指标,基于偏最小二乘回归（PLSR）、逐步回归（SR）、岭回归（RR）3种简单机器学习模型和深度学习Transformer模型建模,最后进行精度评价并优选出最佳含盐量反演模型。结果表明：示范区土壤反射率的可见光、红边、近红外波段反射率均与土壤含盐量呈正相关,短波红外波段反射率与土壤含盐量呈负相关,引入光谱指数能够有效提升Sentinel-2遥感影像与示范区表层土壤含盐量的相关性（相关系数绝对值不小于0.32）;对比不同模型发现深度学习Transformer模型优于简单机器学习模型,验证集决定系数R2和均方根误差（RMSE）分别为0.546和 2.687g/kg;含盐量反演结果与实地结果相吻合,为更精准反演内蒙古黄河南岸灌区盐渍化程度提供了参考。 相似文献
7.
无人机多光谱遥感反演抽穗期冬小麦土壤含水率研究 总被引：2，自引：0，他引：2
及时获取田间作物的土壤水分,对指导精准灌溉有重要意义。以抽穗期冬小麦为研究对象,采用低空无人机搭载六波段多光谱相机获取其冠层光谱反射率,并与参考点光谱反射率求差得差值反射率(DR),不同深度的土壤含水率(0~10、0~20、0~30、0~40、0~60 cm)与参考点土壤含水率同样求差得差值土壤含水率(DSM),对DR与DSM进行相关性分析,分别建立2者的一元线性模型和多元线性回归模型并验证。结果表明:一元模型中,40 cm深度的优于60 cm,20 cm的预测效果不佳;多元模型中,宽行距中40 cm深度的最优,建模R2和验证R2均达到了0.9以上,预测均方根误差仅为0.016。该研究可大面积快速获取田间土壤水分,为精准灌溉提供一定的理论依据。 相似文献
8.
全氮含量是土壤肥力的核心指标之一,快速、准确测定耕层土壤全氮含量对农业生产具有重要意义.以南京市江宁区典型水稻田为研究对象,采用棋盘式布点法选取了60个点位,每个点位均在0~30 cm表土层进行取样,利用大疆精灵4多光谱无人机同时获取了土壤样本分别在5个波段(450,560,650,730,840 nm)的光谱反射率,通过土壤全氮含量与光谱反射率多元线性分析,揭示了光谱反射率数据特有的多重共线性问题,构建了基于岭回归的无人机遥感影像反演土壤全氮含量预测模型.计算结果表明,岭回归系数取0.12时,其回归R2达到了0.408,方差膨胀因子均在10以下,且回归系数具有统计学意义.基于岭回归的反演模型可以较好兼顾反演精度与光谱数据多重共线性问题.研究成果可为无人机遥感土壤氮素营养诊断提供理论依据. 相似文献
9.
在中国季节性冻融区如何高效快速地监测冻结土壤的含水率至关重要。以内蒙古河套灌区典型灌域土壤为对象，在实验室分梯度配置不同含水率的土样，通过地物光谱仪测定土壤冻结与未冻结状态下的高光谱数据，处理得到原始光谱反射率(Raw Spectral Reflectance,REF)、一阶微分反射率(First-order Differential Reflectance,FDR)和二阶微分反射率(Second-order Differential Reflectance, SDR)、标准正态变量变换(Standard Normal Variable Reflectance,SNV)和倒数之对数变换(Logarithm of Reciprocal,LR) 5种光谱指标，采用偏最小二乘回归法(Partial Least Squares Regression,PLSR)、多元逐步回归法(Multiple Stepwise Regression,MSR)、支持向量机法(Support Vecor Machine,SVM)和一元线性回归法(Unary Linear Regression,ULR)，构建基于不... 相似文献
10.
黄绵土风干过程中土壤含水率的光谱预测 总被引：2，自引：0，他引：2
以2014年两次在陕西省乾县田间采集的129个黄绵土土壤样本为研究对象,建立土壤含水率定量反演模型。在土壤风干过程中测量光谱反射率及含水率,分析土壤含水率与光谱反射率之间的关系,并利用一元线性及指数回归建立土壤含水率光谱预测模型。结果表明在400~1 340、1 460~1 790、1 960~2 390 nm波长范围内,与含水率相关性最大的反射率对应的波长分别为570、1 460、1 960 nm;吸收深度最大的波长位于490、1 460、1 960 nm。土壤光谱特征指标与含水率之间的线性相关关系优于指数相关关系。以特征波长1 980 nm(C1980)、1 980 nm的吸收深度(D1980)和1 480 nm的吸收深度(D1480)为自变量建立的线性模型为土壤含水率预测的最优模型,校正和验证的决定系数R2大于0.92,相对预测偏差(RPD)大于2.5,均方根误差(RMSE)小于2.5%。研究表明利用自然土样,在风干过程中进行土壤含水率光谱快速预测是完全可行的,从而为遥感实时、快速监测土壤水分含量及大面积土壤水分反演提供了参考。 相似文献
11.
SPAD（Soil and plant analyzer development）值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数（IKAW和RBRI）、多光谱植被指数（GNDVI、CI、GMSR和GOSAVI）具有较好的相关性,与可见光植被指数（CIVE）和多光谱植被指数（GNDVI）的相结合指数具有较好的相关性,其估算模型的R2为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R2为0.91,模型验证R2、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R2为0.90,模型验证R2、RMSE和nRMSE分别为0.88、2.51和6.12%。 相似文献
12.
为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。 相似文献
13.
基于无人机多光谱遥感的夏玉米冠层叶绿素含量估计 总被引：1，自引：0，他引：1
为探讨利用无人机多光谱遥感影像监测夏玉米冠层叶绿素含量的可行性,基于2019年不同施氮水平下(0,105,210,315 kg·N/hm2)夏玉米多光谱遥感影像和田间实测冠层叶绿素含量数据,分析了不同施氮水平下夏玉米冠层叶绿素含量的变化规律,同时选取10种常用光谱植被指数与实测冠层叶绿素含量进行相关性分析,采用与实测叶绿素含量极显著相关的9种植被指数,构建了基于遥感光谱指数的夏玉米冠层叶绿素含量遥感监测模型,并通过精度检验确定最优估测模型.结果表明,施用氮肥能够提高夏玉米冠层叶绿素含量,过量氮肥不能持续提高叶绿素含量,同一施氮水平下不同追肥处理之间叶绿素含量没有明显差异.绿色归一化植被指数与叶绿素含量的相关性系数最高,达到了0.892.采用逐步回归分析方法建立的模型表现最优,决定系数为0.87,均方根误差及相对误差分别为0.15和2.68%.因此,无人机多光谱遥感结合逐步回归模型可以实现田间尺度的夏玉米冠层叶绿素含量的实时监测. 相似文献
14.
土壤水分是研究土壤-植物-大气循环系统中能量与物质交换的关键,通过尺度转换方法将无人机遥感数据上推以修正卫星数据,可有效改善卫星遥感反演模型精度。本文以河套灌区为研究对象,分别采用重采样和TsHARP升尺度法,引入多元线性回归(MLR)、BP神经网络(BPNN)和支持向量机(SVM)算法构建不同土壤深度下无人机-卫星升尺度土壤含水率反演模型。研究结果表明：重采样升尺度法在不同土壤深度下模型整体精度由高到低依次为SVM、MLR、BPNN,其中在土壤深度0～60 cm下采用SVM模型最优,R2达到0.571,RMSE为0.022%;TsHARP升尺度法在不同土壤深度下模型整体精度由高到低依次为BPNN、SVM、MLR,其中在土壤深度0～60 cm下采用BPNN模型最优,R2达到0.829,RMSE为0.015%。与升尺度修正前对应土壤深度模型对比,两种升尺度方法均能明显提高卫星遥感对土壤含水率的反演精度,但TsHARP升尺度法整体优于重采样法;重采样法的R2由0.413提升至0.571,RMSE由0.026%降至0.022%... 相似文献
15.
竹叶片氮含量高光谱估测方法对比研究 总被引：1，自引：0，他引：1
为实现快速无损检测竹叶片氮含量,采用波长范围为350~2500nm的地物光谱仪获取竹叶片光谱数据,以金镶玉竹叶片为样本,对其进行高光谱分析。将高光谱原始反射率及其一阶微分、对数一阶微分和二阶微分值,与化学法测量的竹叶片氮含量值进行了相关性分析,分别获得了不同微分变化下的特征波段;基于微分变换后的高光谱反射率数据,分别采用二元线性回归、多元逐步回归、偏最小二乘回归和基于主成分分析的BP神经网络方法,建立了4种金镶玉竹叶片的氮含量高光谱估测模型。对比4种估测模型的校验结果表明,在光谱反射率的对数一阶微分变换下,采用拓扑结构为6-10-1的基于主成分分析的BP神经网络估测模型,校验环节决定系数为0.838,均方根误差RMSE为0.0452,具备较好的竹叶片氮含量估测效果。 相似文献
16.
叶片含水率和叶水势反映植物组织中水分的状态,是衡量植物水分供应和水分利用效率的重要指标。为探究基于不同高度下无人机多光谱影像反演叶片含水率和叶水势模型的差异,本研究在3个飞行高度处理F30、F60、F100 (30、60、100m)下采集多光谱影像数据,通过使用6种光谱反射率+经验植被指数的组合与地面实测数据进行相关性分析,获得不同飞行高度下的光谱反射率+经验植被指数组合与叶片含水率和叶水势的反演模型及其决定系数,以决定系数为依据分别构建支持向量机（SVM）、随机森林（RF）和径向基神经网络（RBFNN）模型,分析不同飞行高度无人机多光谱影像反演芳樟叶片含水率和叶水势的精度。结果发现：3个飞行高度下,基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30处理对叶片含水率与叶水势反演效果均优于F60和F100处理。F30处理对叶片含水率反演的敏感光谱反射率+植被指数组合为红光波段反射率（R）、红边1波段反射率（RE1）、红边2波段反射率（RE2）、近红外波段反射率（NIR）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）。RF模型训练集的R2、RMSE、MRE分别为0.845、0.548%、0.712%;测试集的R2、RMSE、MRE分别为0.832、0.683%、0897%。对叶水势反演的敏感光谱反射率+植被指数组合为R、RE2、NIR、EVI、SAVI、花青素反射指数（ARI）。RF模型训练集的R2、RMSE、MRE分别为0.814、0.073MPa、3.550%;测试集的R2、RMSE、MRE分别为0.806、0.095MPa、4.250%。研究结果表明飞行高度30m与RF方法分别为反演叶片含水率和叶水势的最优光谱获取高度与最优模型构建方法。本研究可为基于无人机平台的矮林芳樟水分监测提供技术支持,并可为筛选无人机多光谱波段与经验植被指数、实现植物长势参数快速估测提供应用参考。 相似文献
17.
受水稻冠层几何结构的影响,传统的无人机高光谱获取到的反射光谱信息中包含与水稻内部组成物质无关的镜面反射信息,从而影响水稻氮素含量的反演精度,因此在利用无人机获取水稻冠层反射光谱信息时,有必要考虑通过偏振测量技术去除反射光谱中的镜面反射分量,进而实现提升水稻氮素含量反演精度的目的。基于无人机偏振遥感测量得到的水稻分蘖期多角度偏振光谱数据和与之对应的氮素含量数据,采用植被指数方法分析二者之间的相关性,得到了水稻冠层偏振光谱数据与其对应氮素含量相关性最高时对应的角度,选取该观测角度下的偏振光谱数据,利用连续投影法(Successive projections algorithm, SPA)提取特征波段,在此基础上,基于数学变换的方法,提出了构建植被指数的新思路,构建了由2个波段组成的偏振光谱植被指数(Polarisation spectrum vegetation index, PSVI),并利用线性回归方法建立水稻冠层氮素含量的反演模型。结果表明,通过对不同观测天顶角下水稻冠层偏振光谱数据与氮素含量相关性分析,得到最佳观测角度为-15°(后向观测15°);利用连续投影法提取得到该角度下偏振... 相似文献
18.
基于反射光谱的苹果叶片叶绿素和含水率预测模型 总被引：4，自引：0，他引：4
为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。 相似文献