共查询到15条相似文献，搜索用时 140 毫秒
1.
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
2.
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
3.
基于无人机可见光影像的玉米冠层SPAD反演模型研究 总被引：2，自引：0，他引：2
叶绿素是植物进行光合作用的重要色素,利用作物光谱、纹理信息对叶绿素进行反演,为作物的实时监测和健康状况诊断提供重要依据。以大田环境下5个不同品种四叶期、拔节期的玉米为研究对象,利用无人机获取试验区可见光影像,对土壤背景进行掩膜处理,提取25种可见光植被指数、24种纹理特征,综合分析植被指数、纹理特征与玉米冠层叶绿素相对含量（SPAD）的相关性,分别建立基于植被指数、纹理特征和植被指数+纹理特征的逐步回归（SR）、偏最小二乘回归（PLSR）和支持向量回归（SVR）模型,定量估算叶绿素相对含量。在SR模型中,植被指数+纹理特征模型与植被指数模型相同,R2为0.7316,RMSE为2.9580,RPD为1.926,优于纹理特征模型;在PLSR模型中,植被指数+纹理特征模型较优,R2为0.8025,RMSE为2.4952,RPD为2.284,纹理特征模型次之,植被指数模型最差;在SVR模型中,植被指数+纹理特征模型较优,R2为0.8055,RMSE为2.6408,RPD为2.158,植被指数模型次之,纹理特征模型最差。综合分析采用基于PLSR植被指数+纹理特征模型可以实现玉米冠层SPAD快速、准确提取,为叶绿素反演提供一种新的方法,可为无人机遥感作物长势监测提供参考。 相似文献
4.
基于高光谱的甜菜SPAD值估算研究 总被引：1，自引：0，他引：1
叶绿素作为植物体内参与光合作用的重要色素,其含量对作物生长状况、产量和品质有很大影响。为此,利用野外便携式ASD光谱仪,实测了田间甜菜冠层光谱数据,且用SPAD-502叶绿素仪测定叶片SPAD值。基于原始光谱和一阶导数光谱与SPAD值相关性,选取植被指数和波段深度信息建立SPAD值预测模型,并用对照田试验数据对模型进行验证。通过对比植被指数建立的回归模型及波段深度分析,结合多元逐步回归建立的估算模型可知,波段深度比(BDR)结合SMLR建立的估算模型验证结果最好(RMSE=2.54,RE=4.5%)。研究结果表明:导数处理能提高光谱数据与SPAD值相关系数,波段深度信息结合多元逐步回归相比植被指数能提高SPAD值估算精度。 相似文献
5.
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
6.
无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下,利用无人机多光谱植被指数估算夏玉米LAI的可行性,本研究基于无人机多光谱遥感系统,结合同时期实地采集的夏玉米LAI,选择5种植被指数,包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI）,作为模型输入参数,使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型,并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明,在充分灌溉条件下,植被指数的多元线性回归模型可以较好地估算LAI（R2 = 0.83）;在水分胁迫条件下,植被指数的随机森林回归模型可以较好地估算LAI（R2 = 0.74~0.87）,水分胁迫因素对该模型影响较小,且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术,使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。 相似文献
7.
基于无人机高光谱遥感的冬小麦株高和叶面积指数估算 总被引：1，自引：0，他引：1
为了快速、准确地估算叶面积指数（LAI）,通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据,从中提取出株高（Hcsm）。首先,分析了植被指数、Hcsm与LAI的相关性,挑选出最优植被指数;然后,分别构建了单个参数的LAI线性估算模型;最后,以植被指数、植被指数结合Hcsm为模型输入因子,采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）;在不同生育期,大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度;以植被指数、植被指数结合Hcsm为输入变量,通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。本研究方法可以提高LAI估算精度,为农业管理者提供参考。 相似文献
8.
快速获取作物叶片叶绿素含量对及时诊断作物健康状况、指导田间管理具有重要意义。本研究以关中地区2020年夏玉米为研究对象,获取试验区无人机多光谱影像,提取植被指数,分析所选植被指数与SPAD的相关性,筛选得到模型的输入变量,利用偏最小二乘法(PLS)、随机森林回归(RF)和分层线性模型(HLM)分别构建拔节期、抽雄期、灌浆期以及全生育期的SPAD估算模型,最终选出最优估算模型,以期为快速获取夏玉米SPAD提供参考。研究发现：除NRI之外,NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre与SPAD均显著相关,其中,OSAVI、NDVI与SPAD呈现出较强且稳定的相关性;各个生育期的最优模型均是RF模型,在拔节期、抽雄期、灌浆期和全生育期,验证集R2分别为0.81、0.81、0.73、0.61,RMSE分别为1.24、2.32、3.13、3.20;对于SPAD估算模型,将降雨量、最高气温这两个气象因子与植被指数耦合的HLM模型可以一定程度提升线性模型的估算精度,但其精度低于RF模型。因此,基于无人机多光谱影像的RF模型可以实现夏玉米SPAD的快速准... 相似文献
9.
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
10.
基于随机森林回归算法的小麦叶片SPAD值遥感估算 总被引：12，自引：0，他引：12
使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。 相似文献
11.
为实现利用多光谱技术开展芳樟叶绿素相对含量(SPAD)监测,及时快速诊断芳樟矮林生长状况,为田间管理决策提供信息支持,以红壤区芳樟矮林为研究对象,利用无人机多光谱遥感影像,提取波段反射率,筛选植被指数,分别以波段反射率和植被指数为模型输入量,采用偏最小二乘回归、支持向量回归、反向传播(Back propagation, BP)神经网络和径向基函数(Radial basis function, RBF)神经网络4种方法构建芳樟矮林SPAD反演模型,并对比不同输入量、不同模型模拟结果的反演精度。研究结果表明：对比两种不同的输入量,在同一模型反演的精度相差不大;其中,基于偏最小二乘回归法,以植被指数为模型自变量估测芳樟矮林SPAD效果略优;基于支持向量回归、BP神经网络和RBF神经网络,以波段反射率为模型自变量估测芳樟矮林SPAD效果略优;对比4种建模方法,不同方法建模预测精度不同,与偏最小二乘回归、支持向量回归和BP神经网络相比,基于RBF神经网络反演芳樟SPAD的精度最高,以波段反射率和植被指数为模型输入量的测试集为例,其决定系数R2分别为0.788、0.751,均... 相似文献
12.
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
13.
基于无人机多光谱遥感的马尾松林叶面积指数估测 总被引：2，自引：0，他引：2
快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义。以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用线性模型（LR）、多元逐步回归模型（MSR）、随机森林模型（RF）、支持向量机模型（SVM）和人工神经网络模型（BP）构建不同空间分辨率下的马尾松林LAI估测模型,以决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）和总体精度（TA）来评价估测模型精度,从而确定最佳空间分辨率和最佳模型。结果表明,不同空间分辨率下LAI与植被指数均呈极显著相关（p<0.01）;多变量模型（MSR、RF、SVM、BP）的调整R2平均值高于LR模型;随着空间分辨率的增加,不同模型的R2整体上呈先增大后减小的趋势;当空间分辨率为0.5m时,利用植被指数建立的RF模型为马尾松林LAI的最佳估测模型,RF模型的调整R2为0.766,模型估测的R2、RMSE、RPD和TA分别为0.554、0.421、1.523和81.95%。本研究可为无人机多光谱遥感反演森林LAI表型参数的空间分辨率和模型选择提供理论参考。 相似文献
14.
15.
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