共查询到18条相似文献，搜索用时 453 毫秒
1.
基于无人机成像高光谱影像的冬小麦LAI估测 总被引：4，自引：0，他引：4
利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。 相似文献
2.
为实现冬小麦条锈病早期探测、提高冬小麦产量和品质,研究了日光诱导叶绿素荧光(Solar-induced chlorophyll fluorescence,SIF)对冬小麦条锈病早期探测的可行性。基于3波段夫琅和费暗线(3-band Fraunhofer line discrimination,3FLD)和反射率荧光指数2种方法提取了冠层SIF数据,计算了对小麦条锈病敏感的光谱指数(Spectral index,SI),通过相关性分析优选了遥感探测小麦条锈病早期的特征参量,利用偏最小二乘(Partial least squares,PLS)算法构建冬小麦条锈病早期光谱探测模型。研究结果表明:O2-A波段的荧光强度(SIF-A)以及反射率荧光指数ρ_(440)/ρ_(690)、ρ_(675)ρ_(690)/ρ_(683)~2、ρ_(690)/ρ_(655)、ρ_(690)/ρ_(600)、D_(λP)/D_(744)、D_(705)/D_(722)均与小麦条锈病早期病情指数(Disease index,DI)达到了极显著相关,相关系数分别为-0. 793、-0. 523、-0. 539、-0. 497、0. 541、0. 446、0. 490,可作为冬小麦条锈病早期光谱探测的荧光特征参量;基于3组SIF数据构建的PLS-SIF检验模型的决定系数分别为0. 801、0. 772、0. 807,均方根误差分别为3. 3%、3. 1%、3. 2%,较反射率光谱指数构建的SI-PLS模型决定系数至少提高了27%,均方根误差至少减少了24%。因此,冠层SIF数据更适于冬小麦条锈病的早期探测。本研究结果对及时进行冬小麦条锈病防控具有重要应用价值,可为利用卫星荧光遥感数据对小麦条锈病早期大面积、无损探测提供参考依据。 相似文献
3.
无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R2)、均方根误差(RMSE)分别为0.69、428.91 kg/hm2,验证... 相似文献
4.
基于无人机高光谱长势指标的冬小麦长势监测 总被引：5，自引：0，他引：5
为快速准确监测作物长势,以冬小麦为研究对象,获取了不同生育期的无人机高光谱影像。利用无人机高光谱数据构建光谱指数,并分析4个生育期的指数与生物量、叶面积指数以及由生物量和叶面积2个生理参数构建的长势监测指标(Growth monitoring indicator,GMI)的相关性;建立与GMI相关性较强的4个光谱指数的单指数回归模型,利用多元线性回归、偏最小二乘和随机森林3种机器学习方法分别建立冬小麦各生育期的GMI反演模型;将最佳模型应用于无人机高光谱影像,得到冬小麦长势监测图。结果表明:各生育期光谱指数与冬小麦GMI相关性较高,大部分指数都达到了显著水平,其中NDVI、SR、MSR和NDVI×SR与GMI的相关性高于生物量、叶面积指数与GMI的相关性;拔节期、挑旗期、开花期、灌浆期、全生育期,表现最好的回归模型对应光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR;对比3种方法构建的GMI反演模型,开花期模型MLR-GMI效果最佳,此时期的模型建模R~2、RMSE和NRMSE分别是0. 716 4、0. 096 3、15. 90%。 相似文献
5.
基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算 总被引：13，自引：0，他引：13
以陕西省关中地区冬小麦不同生育期冠层高光谱反射率为数据源,模拟国产高分辨率卫星高分一号(GF-1)的光谱反射率,提取18种对叶绿素敏感的宽波段光谱指数,构建了基于遥感光谱指数的冬小麦叶片叶绿素相对含量(SPAD)遥感监测模型,并利用返青期的GF-1卫星数据对研究区的冬小麦叶片SPAD值进行了估算和验证。结果表明:返青期、孕穗期和全生育期SPAD值均与TGI指数相关性最高,相关系数分别为-0.742、-0.740和-0.483。拔节期和灌浆期SPAD值分别与SIPI指数和GNDVI指数相关性最高,相关系数分别为0.788和0.745。GNDVI、GRVI和TGI植被指数在各个生育期都和冬小麦叶片SPAD含量在0.01水平下呈显著相关。基于此3类植被指数构建的冬小麦叶片SPAD值回归模型精度较高,其中基于随机森林回归算法的估算模型效果最优,各类模型均在冬小麦拔节期的预测效果最佳。GF-1号卫星数据结合SPAD-RFR模型对研究区冬小麦叶片SPAD的估算结果最为理想,可用于大面积空间尺度的冬小麦叶片SPAD值遥感监测。 相似文献
6.
为提高小麦条锈病遥感监测精度，综合利用反射率光谱在作物生化参数探测方面的优势和叶绿素荧光在光合生理诊断方面的优势，构建了冠层日光诱导叶绿素荧光(Solar induced chlorophyll fluorescence，SIF)协同反射率光谱吸收参量的初始特征集合，并基于融合遗传算法(Genetic algorithm，GA)和支持向量回归(Support vector regression，SVR)算法对初始特征集合与SVR参数进行联合优选，确定遥感监测小麦条锈病严重度的敏感因子，建立基于GA-SVR算法的小麦条锈病遥感监测模型，并将其与相关系数(Correlation coefficient，CC)分析法提取特征参量构建的CC-SVR模型精度进行对比。小区试验数据验证结果表明，融合GA和SVR算法优选特征参量构建的GA-SVR模型精度优于CC-SVR模型，3个样本组中GA-SVR模型预测病情指数(Disease index，DI)与实测DI间的决定系数R2比CC-SVR模型至少提高了2.7%，平均提高了17.8%，均方根误差(Root mean square error，RMSE)至少减少了10.1%，平均减少了32.1%。大田调查数据进一步验证了利用GA-SVR算法对小麦条锈病遥感监测的敏感因子进行优选及模型构建能够提高小麦条锈病遥感监测精度，研究结果为实现大面积高精度遥感监测作物健康状况提供了思路。 相似文献
7.
基于光谱指数的绿洲农田土壤含水率无人机高光谱检测 总被引：1，自引：0，他引：1
土壤含水率(Soil moisture content,SMC)是发展精细灌溉农业的重要参数,因此对其进行精确估测十分必要。选取新疆阜康绿洲小块农田为研究对象,基于无人机(Unmanned aerial vehicle,UAV)平台搭载的高光谱传感器获取的影像数据,基于Savitzky-Golay(SG)平滑后的一阶微分(First derivative,FD)、吸光度(Absorbance,Abs),连续统去除(Continuum removal,CR)3种不同预处理方法,共获取了SG、SG-FD、CR、Abs及Abs-FD共计5种预处理后的高光谱影像,探索不同预处理下的差值指数(Difference index,DI)、比值指数(Ratio index,RI)、归一化指数(Normalization index,NDI)及垂直植被指数(Perpendicular vegetation index,PVI)与SMC的关系,并在遴选出最优指数及预处理方案的基础上构建干旱区绿洲农田SMC高光谱定量估算模型。结果表明:预处理在不同程度上提高了光谱指数与SMC的相关性,其中基于Abs-SG预处理的PVI_((R644,R651))表现最优,相关系数为0.788,据此构建的三次拟合函数表现最优。基于不同预处理方案下多变量SMC估算模型效果在消噪的基础上,更为深度地挖掘了光谱信息,减少了单一光谱指数造成的误差,提升了模型的定量估测效果。Abs模型预测精度亦最为突出,其建模集R_c~2和RMSE为0.80、2.42%,验证集R_p~2与RMSE为0.91、1.71%,RPD为2.41。本研究构建的SMC估算模型减少了单一变量模型的误差;在规避过拟合现象的同时,提升了模型的定量估测效果,为土壤水分状况天地空一体化遥感监测提供了崭新的视角和方案。 相似文献
8.
基于粒子群算法优化光谱指数的甜菜叶片氮含量估测研究 总被引：1，自引：0，他引：1
为对甜菜叶片氮含量进行快速估测,利用高光谱成像仪获取甜菜冠层叶片高光谱图像数据,通过凯氏定氮法测定叶片氮含量。基于精细采样法在全波段范围内构建归一化光谱指数(Normalized difference spectral index,NDSI)和土壤调节光谱指数(Soil-adjusted spectral index,SASI),并提出了基于粒子群算法的植被冠层调节参数L优化方法,探寻任意波段组合下SASI的最佳L值及其变化规律。在筛选出特征光谱指数基础上,开展甜菜叶片氮含量的定量估测和可视化研究。结果表明,各生育期SASI对甜菜冠层叶片氮含量(Canopy leaf nitrogen content,CLNC)的敏感度高于NDSI,尤其在NDSI易发生饱和现象的近红外区域。相比常规光谱指数,叶丛快速生长期基于SASI1(R430. 20,R896. 76)和SASI2(R433. 03,R896. 01)建立的CLNC估测模型预测效果最优,2015年验证集R~2为0. 78,RMSE为2. 48 g/kg,RE为4. 18%;糖分增长期以SASI3(R952. 09,R946. 11)和SASI4(R760. 37,R803. 48)的建模效果最佳,2015年验证集R~2为0. 67,RMSE为2. 71 g/kg,RE为4. 72%;糖分积累期的最优建模参数为SASI5(R883. 30,R887. 79),2015年模型R~2为0. 72,RMSE为2. 54 g/kg,RE为4. 49%。为直观显示甜菜CLNC在时间和空间尺度上的变化规律,基于上述估测模型计算并生成甜菜CLNC的预测分布图,实现了甜菜CLNC的可视化。研究结果表明,提出的甜菜CLNC估测方法具有可行性,可为及时了解作物长势及营养估测提供技术支持。 相似文献
9.
【目的】快速准确获取大面积果园冠层叶片全氮含量（LNC ,Leaf Nitrogen Content）是实现现代精准农业的基本要求。【方法】本试验通过无人机高光谱成像仪（391.9nm ~ 1006.2nm）采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率（OD）、倒数光谱（RT）、对数光谱（LF)、一阶微分光谱（FD）,构建任意两个光谱波段集组合的差值植被指数（Difference spectral index,DSI ）、土壤调节植被指数（Soil Adjusted Vegetation Index ,SAVI）、归一化光谱指数（Normalized Different Spectral Index, NDSI）,分析三种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。【结果】研究表明：人工灌溉区的FD-SAVI(825,536）、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6746和0.0665。本试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。 相似文献
10.
为了探索准确、高效地估算冬小麦地上生物量(Dry aerial mass,DAM)的方法,获取了2013—2014年和2014—2015年2个生长季的冬小麦试验数据,采用植被指数反演叶面积指数(LAI),以遥感反演LAI作为遥感与SAFY(Simple algorithm for yield estimates)模型之间的耦合变量,利用主成分分析的复合型混合演化(Shuffled complex evolution with PCA,SP-UCI)算法优化出苗日期(D0)、有效光能利用率(ELUE)和衰老温度(STT) 3个敏感参数,对冬小麦全生育期进行动态生长模拟。结果表明,2014—2015年和2013—2014年冬小麦全生育期模型模拟地上生物量R~2、RMSE和NRMSE分别为0. 887、1. 001 t/hm~2、19. 41%和0. 856、1. 033 t/hm~2、19. 86%。研究表明,耦合高光谱遥感与SAFY作物生长模型能够准确地模拟冬小麦长势的动态变化,对冬小麦地上生物量估算精度较高,可为遥感监测冬小麦长势提供参考。 相似文献
11.
基于Hyperion高光谱影像的冬小麦地上干生物量反演 总被引：3，自引：0，他引：3
在黄淮海粮食主产区选择河北省衡水市深州市为试验区,以冬小麦地上干生物量为研究对象,以作物冠层高光谱和EO-1 Hyperion高光谱卫星数据为主要数据源,在分析冠层高光谱构建的窄波段植被指数(N-VIs)与实测冬小麦地上干生物量间相关性基础上,提出了利用拟合精度R2极大值区域重心确定冬小麦干生物量敏感的光谱波段中心的方法,并运用该方法确定了冬小麦生物量敏感波段中心。在此基础上,以敏感波段中心筛选结果为指导,利用窄波段植被指数及相关波段开展Hyperion高光谱卫星遥感区域冬小麦干生物量遥感反演和精度验证。最终,按精度最高原则优选区域冬小麦地上生物量反演结果。其中,研究采用了冬小麦孕穗期Hyperion数据,涉及的植被指数包括窄波段归一化植被指数(N-NDVI)、窄波段差值植被指数(N-DVI)和窄波段比值植被指数(N-RVI)。结果表明,通过与实测冬小麦地上干生物量对比,利用冠层高光谱冬小麦地上干生物量反演敏感波段筛选结果及其相应波段构建的Hyperion窄波段植被指数进行孕穗期作物干生物量估算取得了较好结果,其精度由大到小为:NNDVI、N-RVI、N-DVI。其中,以波段B18(波长528.57 nm)、波段B82(波长962.91 nm)构建的Hyperion N-NDVI估算区域冬小麦地上干生物量精度最高,相对误差(RE)和归一化均方根误差(NRMSE)分别为12.65%和13.78%。 相似文献
12.
基于无人机高光谱影像的水稻叶片磷素含量估算 总被引：1，自引：0，他引：1
为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量（质量分数）（Leaf phosphorus content, LPC）。分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,基于特征波长反射率和光谱指数建立水稻LPC的估算模型,利用最佳模型对高光谱影像进行反演填图,得到LPC空间分布信息。结果表明：全生育期内LPC与462~718 nm范围内光谱反射率显著负相关,负相关最大处相关系数达到-0.902;LPC的特征波长为670、706、722、846 nm,基于特征波长、使用偏最小二乘回归建立的LPC估算模型精度最高,验证R2达到0.925,RMSE为0.027%;在任意波段组合构建的3种类型的光谱指数中,NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586)与LPC的相关性最高,相关系数分别为0.913、0.915和0.938;基于3个光谱指数、使用神经网络构建的LPC估算模型精度较高,验证R2为0.885,RMSE为0.029%;对各生育期水稻LPC空间分布的反演结果与实测数据相一致,说明利用无人机高光谱遥感可以实现田间水稻LPC的快速无损监测。 相似文献
13.
为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供... 相似文献
14.
开展冬小麦冠层SPAD值监测,建立“三边”参数与SPAD值之间的高光谱估算模型,以期为高光谱诊断冬小麦冠层SPAD值提供理论依据和技术支持.以冬小麦冠层反射率与冠层SPAD值的相关关系为基础,构建基于“三边”参数的冬小麦冠层SPAD值的一元线性回归模型和主成分回归模型.结果表明:拔节期、抽穗期、灌浆期和全生育期分别以红谷位置、(SDr-SDb)/(SDr+SDb)、红谷幅值、(SDr-SDy)/(SDr+SDy)的相关系数最高,且均具有统计学意义(P<0.01);采用主成分方法构建的光谱模型在拔节期、抽穗期、灌浆期和全生育期相较于同期一元线性回归模型,决定系数R2分别提高49.6%,54.3%,14.3%和8.6%,均方根误差RMSE与相对误差RE均分别减少9.0%,12.4%,13.5%和13.6%,因此采用综合光谱信息构建主成分回归模型,在各生育时段及全生育时段对冬小麦冠层SPAD值均有较高的估算精度,可为冬小麦SPAD值的监测与诊断提供依据. 相似文献
15.
为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R2为0.82,RMSE为0.84t/hm2。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。 相似文献
16.
为了弥补一次性建模分析的缺陷,提高小麦条锈病遥感监测模型的运行效率和精度,根据模型集群分析（Model population analysis,MPA）算法的特点,综合利用光谱区间选择算法和光谱点选择算法的优势,提出了一种联合相关系数（Correlation coefficient,CC）与MPA的特征变量优选算法。在利用CC算法对全波段光谱进行特征变量选择的基础上,分别利用基于MPA思想开发的竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）和变量组合集群分析法（Variable combination population analysis,VCPA）进一步优选对小麦条锈病敏感的特征变量,并利用偏最小二乘回归（Partial least squares regression,PLSR）算法构建了小麦条锈病遥感监测的CC-CARS和CC-VCPA模型。结果表明：联合CC-MPA算法优选的特征变量构建的CC-CARS和CC-VCPA模型精度均高于CC、CARS和VCPA算法。3组验证集样本中,CC-CARS模型预测病情指数（Disease index,DI）与实测DI间的R2V较CC模型和CARS模型至少分别提高了6.78%和6.66%,RMSEV至少分别降低了15.31%和10.98%,RPD至少分别提高了18.08%和12.34%。CC-VCPA模型预测DI与实测DI间的R2V较CC模型和VCPA模型至少分别提高了9.58%和0.73%,RMSEV至少分别降低了20.78%和3.86%,RPD至少分别提高了26.22%和4.02%。基于CC-MPA的光谱特征优选算法是一种有效的特征选择方法,尤其是利用CC-VCPA方法选择的特征变量数更少,模型预测效果更好,研究结果对光谱特征优选及提高作物病害遥感监测精度具有重要的参考价值。 相似文献
17.
为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数：比值指数（Ratio index,RI）、差值指数（Difference index,DI）、归一化光谱指数（Normalized difference vegetation index,NDVI）、土壤调整光谱指数（Soil-adjusted iegetation index,SAVI）、三角光谱指数（Triangular vegetation index,TVI）、改进红边归一光谱指数（Modified normalized difference index,mNDI）和改进红边比值光谱指数（Modified simple ratio,mSR）,使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和反向神经网络（Back propagation neural network,BPNN）构建大豆产量估算模型并进行验证。结果表明,各生育期（全花期（R2）、全荚期（R4）和鼓粒期（R6））计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。 相似文献
18.
基于无人机遥感影像的冬小麦氮素监测 总被引：7，自引：0，他引：7
精准氮素管理是一项提高作物氮肥利用效率的有效策略,利用无人机遥感技术精确估测小麦氮素状况是必要的。试验在山东省乐陵市科技小院实验基地进行,利用八旋翼无人机搭载Mini-MCA多光谱相机于2016年获取冬小麦4个关键生育时期(返青期、拔节期、孕穗期、扬花期)冠层多光谱数据,同步获取地上部植株样品并测定其生物量、吸氮量、氮营养指数,及成熟期籽粒产量,根据各关键生育期与全生育期分别构建植被指数与农学参数回归分析模型,评估基于无人机遥感影像的冬小麦氮素营养诊断潜力。结果表明:基于无人机遥感影像能够较好地估测冬小麦氮素指标(R2为0.45~0.96),决定系数随着生育期推移而逐渐增大。拔节期、孕穗期和扬花期估产效果接近且具有很好的估测能力,扬花期DATT幂函数模型对小麦氮营养指数的解释能力最强(R2=0.95)。因此,以多旋翼无人机为平台同步搭载多光谱相机对冬小麦有较好的氮素诊断潜力,可利用估测结果指导精准氮肥管理。 相似文献