共查询到18条相似文献，搜索用时 171 毫秒
1.
为提高冬小麦覆盖度估测精度,从增强近红外与红光差别的数学变换原理出发,构建了一种新型植被指数(NDVIn),再基于2013、2014年冬小麦冠层高光谱和模拟的资源三号卫星宽波段多光谱数据,分别构建基于常规植被指数(NDVI)与NDVIn的冬小麦覆盖度估算模型,然后利用留一交叉验证法对模型精度进行评价。结果表明,当n=6时,新生成的植被指数NDVI6对冬小麦农田覆盖度具有最好的估算性能,利用其基于小麦冠层高光谱及卫星多光谱数据建立的冬小麦覆盖度估算模型的决定系数r2分别为0.84、0.85,RMSE分别为0.092、0.091,模型精度均好于常规指数NDVI的估算结果。说明NDVI6用于估测冬小麦覆盖度具有可行性。 相似文献
2.
为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术，利用美国SVC HR-1024I型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测，获取“三边”参数、任意两波段光谱指数和植被指数，通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数，结合偏最小二乘回归(PLSR)、随机森林算法(RFR)、支持向量机回归(SVR)和梯度增强回归(GBDT)建立冬小麦氮营养指数模型，并对模型估算精度进行验证。结果表明，从拔节期到灌浆期，各时期的氮营养指数与任意两波段光谱指数均呈极显著相关，其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期，且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大，为0.66。拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r2)和均方根误差(RMSE)分别为0.96和0.05,模型验证的r2、RMSE和相对预测偏差(RPD)分别为0.95、0.12和2.12,模型预测精度最高。因此，拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测... 相似文献
3.
模拟多光谱卫星传感器数据的冬小麦白粉病遥感监测 总被引：1，自引：0，他引：1
为了解利用遥感技术快速大范围监测小麦白粉病病害情况的可行性,以Landsat5TM波段响应函数为基础,将地面实测冠层高光谱数据模拟为TM多光谱数据,从而分析卫星传感器多光谱波段对病害的响应情况,并构建多光谱指数(PMSI)估测白粉病严重度。在此基础上,采用2010年星-地配套数据对PMSI估测精度进行验证。结果表明,PMSI能够较准确地反映冬小麦白粉病发生的程度,获得较理想的病情严重度反演精度(r2=0.475,RMSE=0.129)。因此采用多光谱卫星遥感影像在小麦大面积种植区域进行病害监测具有应用潜力。 相似文献
4.
基于光谱指数的冬小麦冠层叶绿素含量估算模型研究 总被引：4，自引：0，他引：4
为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合,同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果,通过分析350~2 500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系,建立冬小麦冠层叶绿素含量估算模型。结果表明,选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71,标准误差均小于1.842。利用独立试验资料进行检验,表现最好的是RSI(FD_(689),FD_(609))和SASI(R_(491),R_(666))L=0.01,预测精度高达98.2%,模型精确度和可靠性较高。 相似文献
5.
基于连续投影算法和光谱变换的冬小麦生物量高光谱遥感估算 总被引：1，自引：0，他引：1
为探索基于全波段冠层高光谱以及变换光谱的冬小麦地上部生物量的遥感估算方法，以2016、2017年冬小麦田间试验为基础，通过对冠层光谱和地上部生物量的相关性分析，筛选拔节期、抽穗期的冬小麦冠层光谱、一阶导数光谱、对数变换光谱和连续统去除光谱对地上部生物量的敏感波段，并结合偏最小二乘法(PLS)分别建立拔节期和抽穗期基于SPA算法的冬小麦地上部生物量估测模型，再与基于任意两波段组合的最佳归一化光谱指数、比值光谱指数、差值光谱指数和已报道光谱指数的冬小麦地上部生物量估测模型进行比较。结果表明：(1)SPA算法较好地利用了全波段冠层光谱信息，并显著降低了光谱维度，不同变换光谱的地上部生物量敏感波段个数在4~14之间；(2)拔节期和抽穗期冠层光谱与地上部生物量的相关性高于开花期和灌浆期，各生育时期一阶导数光谱与地上部生物量之间的相关性优于连续统去除光谱、对数变换光谱和光谱指数；(3) 利用抽穗期一阶导数光谱敏感波段建立的预测模型和验证模型达到了较高的精度，其预测模型的决定系数和均方根误差分别为0.78和0.87 t·hm-2，验证模型的决定系数和均方根误差分别为 0.84和0.69 t·hm-2，预测相对偏差为2.74。这说明，抽穗期是估算地上部生物量的最佳生育时期，且基于冠层一阶导数变换光谱，结合连续投影算法和偏最小二乘回归方法所构建抽穗期地上部生物量估算模型具有最优的精度和预测能力，可用于地上部生物量的定量估算。 相似文献
6.
联合主成分分析与最小二乘支持向量机估测冬小麦叶面积指数 总被引：2，自引：0，他引：2
利用单一植被指数估测叶面积指数存在高光谱遥感丰富的波段信息易丢失和外界因素干扰大的缺点,但若将波段信息全部引入模型又会增加建模难度。为解决利用多波段信息估测叶面积指数的问题,利用主成分分析法(PCA)对光谱数据进行降维,之后将提取的主成分与最小二乘支持向量机(LS-SVM)模型相结合,构建冬小麦叶面积指数的高光谱估测模型,并与以4类植被指数作为LS-SVM输入参数建立的模型进行比较。结果表明,以主成分作为LS-SVM模型的输入参数建立的模型精度最高,模型检验集R2为0.71,检验集RMSE为0.56,估测结果较使用植被指数作为输入参数建立的模型精度高,稳定性好。该方法可为利用多波段信息进行大范围冬小麦叶面积指数的无损测定提供参考。 相似文献
7.
为了比较不同机器学习算法在干旱半干旱区春小麦叶片水分含量（leaf water content,LWC）遥感监测中的应用效果及筛选最佳波段组合,在田间尺度上,以春小麦冠层高光谱数据为基础,采用两波段组合形式,计算15种光谱参数（比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI和12种水分植被指数）,通过对抽穗期叶片含水量与光谱参数拟合效果进行对比与分析,分别构建了基于机器学习［人工神经网络（artificial neural network,ANN）、K近邻(K-nearest neighbors,KNN)和支持向量回归(support vector regression,SVR）］和光谱参数的春小麦LWC反演模型,并对模型精度进行验证,以确定有效波段组合。结果表明,小麦抽穗期LWC与冠层高光谱反射率（R784～950）、12种水分植被指数均显著相关（P＜0.01）;波段组合形式有效地优化了两波段指数的波段组合,在800～1 000 nm区间光谱参数（RVI1046,1057、NDVI1272,1279、DVI1272,1279）的波段组合计算明显提升了其对LWC的敏感性;在不同的机器学习算法中,基于两波段组合光谱参数的KNN算法所见模型对LWC的预测效果（r=0.64,RMSE=2.35,RPD=2.01）优于ANN、SVR两种算法。这说明两波段光谱指数和KNN算法在春小麦叶片水分含量的高光谱遥感估算中具有一定的优势。 相似文献
8.
基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算 总被引：1，自引：0，他引：1
为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。 相似文献
9.
为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BRred)和近红外波段反射率(BRnir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BRred和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCCBP),并对估测模型进行精度验证。结果表明,WWLCCBP估测模型在拔节期估测的决定系数(r2)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCCBP和高分六号影像... 相似文献
10.
基于GeoEye-1高分遥感影像的冬小麦氮肥推荐应用 总被引：1，自引：0，他引：1
为给大区域范围的冬小麦氮素营养遥感诊断及其精准施肥决策提供参考,将GeoEye-1高分辨率遥感影像数据与氮肥优化算法(NFOA)相结合,开展了冬小麦氮肥推荐应用研究。首先,基于多年地面实测冬小麦冠层高光谱数据,利用光谱响应函数生成GeoEye-1卫星遥感模拟数据,计算得到归一化植被指数NDVI,并结合当季估产指数INSEY构建了冬小麦潜在产量预测模型;通过定义可表征小麦氮素丰缺的氮素响应指数RINDVI,结合潜在产量模型,计算得到氮素需求量;最后,利用GeoEye-1高分辨率遥感影像数据进行验证分析,将氮素推荐模型与高分辨率遥感数据相结合生成施肥推荐处方图,实现了冬小麦的氮素营养诊断及施肥推荐。结果表明,当季估产指数INSEY可很好地估算冬小麦的潜在产量(r2=0.606,RMSE=0.704t·hm-2),基于GeoEye-1高分遥感影像提取NDVI预测的潜在产量与实测产量显著相关(r2=0.722,RMSE=0.451t·hm-2)。氮素响应指数RINDVI与氮营养指数NNI的倒数也显著相关(r=0.915),可以用RINDVI来诊断冬小麦氮素的丰缺状态。以上结果说明,在没有地面实测小麦氮含量、生物量、地面光谱等数据的情况下,利用高分辨率遥感数据与气象数据构建模型可估算冬小麦的潜在产量,并能实现对冬小麦的氮营养诊断及生成推荐施肥处方。 相似文献
11.
为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(PCA)对叶绿素敏感的可见光波段(390～780 nm)一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证。结果表明,小麦冠层叶绿素含量与一阶导数光谱在751 nm处的相关性最高(r=0.71),特征参数中红边蓝边归一化(SDr-SDb)/(SDr+SDb)与叶绿素含量的相关性最高(r=0.66),植被指数(VI)中修正归一化差异指数(mND705)相关性最高(r=0.74)。在输入变量相同的情况下,基于随机森林(RF)回归的预测模型均优于偏最小二乘回归(PLSR)模型,其中PCA-VI-RF模型的各精度指标均达到最优(r2=0.94,RMSE=1.05,RPD=3.70),是冬小麦冠层叶绿素... 相似文献
12.
为探讨利用三波段植被指数（three-band index, 3BI）对春小麦叶片水分含量（leaf water content, LWC）估算的可行性,在田间尺度上,利用ASD-FieldSpec-3光谱仪测定春小麦抽穗期冠层光谱反射率,采用任意波段组合方法,分别建立两波段植被指数（two-band index, 2BI）包括比值植被指数（RVI）、归一化植被指数（NDVI）、差值植被指数（DVI）及3BI,并对单波段反射率、两波段植被指数和三波段植被指数与春小麦抽穗期LWC之间进行相关性分析,筛选稳定的光谱参数,基于人工神经网络（artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（support vector regression, SVR）等3种机器学习算法,建立有效波段组合运算的抽穗期春小麦LWC估算模型,并利用独立样本对模型精度进行检验和评价。结果表明,单波段反射率、2BI和3BI与春小麦抽穗期LWC之间的相关性均达极显著水平（P＜0.01）,而相关系数差异较大,绝对值分别为0.23、0.62、0.94,说明组合波段展现了光谱隐含信息,避免有效光谱信息的丢失;估算模型中,春小麦抽穗期以KNN算法和最佳3BI组合变量（3BI-5(1075, 1095, 1085)、3BI-6(1100, 400, 1097)）构建的模型拟合度最高（r2=0.83）,均方根误差最小（RMSE=2.14%）,相对偏差百分比超出了2.0以上（RPD=2.31）,说明该模型具有一定的预测能力。由此可见,通过任意波段组合,可明显提高3BI与春小麦LWC的关联度,且基于K近邻算法构建的模型具有较好的稳定性和估算能力。 相似文献
13.
利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测 总被引：1，自引：0，他引：1
为了实现基于无人机的小麦产量快速预测，通过不同种植密度、氮肥和品种的田间试验，应用无人机航拍获取小麦生育前期（越冬前期和拔节期）的RGB图像，通过图像处理获取小麦田间颜色和纹理特征指数，并在小麦收获后测定实际产量。通过分析不同颜色和纹理特征指数与小麦产量的关系，筛选出适合小麦产量预测的颜色和纹理特征指数，建立小麦产量预测模型并进行验证。结果表明，小麦生育前期图像颜色指数与产量的相关性较好，而纹理特征指数相关性较差。对越冬前期利用单一颜色指数NDI构建的产量预测模型验证时，R为0.541，RMSE为671.26 kg·hm-2；对拔节期用单一颜色指数VARI构建的产量预测模型验证时，R为0.603，RMSE为639.78 kg·hm-2，预测结果比较理想，但不是最优。对越冬前期颜色指数NDI和纹理特征指数ENT相结合构建的产量预测模型验证时，R和RMSE分别为0.629和611.82 kg·hm-2，比单一颜色指数模型分别提升16.27%和减小8.85%；对拔节期颜色指数VARI和纹理特征指数COR相结合构建的产量预测模型验证时，R和RMSE分别为0.746和510.29 kg·hm-2，较单一颜色指数模型分别提升23.71%和减小20.24%。上述结果说明，将无人机图像颜色和纹理特征指数相结合建立的估产模型精度较高，可在小麦生育前期对产量进行有效预测。 相似文献
14.
为了构建小麦黄花叶病的遥感监测技术,在小麦返青期、拔节前期和拔节后期测定了不同黄花叶病等级下的冠层反射率,并同步调查与病害等级相关的小麦株高、含水量、氮含量、色素含量等农学参数,筛选出适宜监测小麦黄花叶病的植被指数,并构建病害等级监测模型。结果表明,小麦黄花叶病的反射光谱敏感波段在返青期和拔节前期集中于560～720 nm范围,而拔节后期则集中于800～900 nm区域。随病害等级的增加,光谱反射率在可见光波段逐渐增加,而在近红外波段区域降低。植被指数与病害等级相关性在不同生育时期间存在显著差异,整体上以拔节前期最好,决定系数(r)为0.72～0.82,而拔节后期模型精度急剧下降(r=0.26～0.72)。在植被指数中,整体上以表征色素变化的mND705模型预测精度最好,r和RMSE分别为 0.59～0.68和0.79～0.98。采用偏最小二乘回归(PLSR)建立黄花叶病害分级模型,三个时期的模型精度均高于植被指数模型,且整体上以返青期和拔节期前期估算效果较好,模型验证r为0.93～0.97,RMSE为0.24～0.32。因此,利用PLSR模型可以准确评价返青至拔节期前期小麦黄花叶病害等级。 相似文献
15.
为探讨基于无人机RGB影像实现对小麦叶面积指数(leaf area index, LAI)和产量估算的可行性,设置不同生态点、品种和氮素处理的小麦田间试验,应用大疆精灵4 Pro无人机获取小麦拔节期、抽穗期、扬花期和灌浆期4个主要生育时期的RGB高时空分辨率影像,并同测定小麦LAI。采用相关性分析筛选出不同生育时期对LAI敏感的光谱与纹理特征集,并借助随机森林(random forest, RF)、偏最小二乘回归法(partial least squares regression, PLSR)、BP神经网络(back propagation neural network, BPNN)和支持向量机(support vector machine, SVM)分析方法,筛选出小麦不同生育时期最优的LAI估测模型。基于不同生育时期的光谱与纹理特征以及时期特征集,进一步建立产量预测模型,并在不同生态点验证叶面积估算模型与产量预测模型的普适性。结果表明,基于RF的LAI估测模型的验证精度最高,4个生育时期的均方根误差(root mean square error, RMSE)分别为2.26、1.44... 相似文献
16.
冬小麦叶片花青素相对含量高光谱监测 总被引：1，自引：0，他引：1
为探究冬小麦叶片花青素含量的高光谱监测方法,以陕西省关中地区冬小麦为研究对象,分析了叶片光谱反射率与花青素含量的相关性,建立以不同波段组合的RSI、DSI和NDSI光谱指数为自变量的一元回归模型以及利用偏最小二乘法构建的多元回归模型,并进行模型精度比较。结果表明,所有模型中,开花期的PLS模型精度最高,预测效果最好(建模r~2=0.872 3,RMSE=0.005 9;检验r~2=0.912 8,RMSE=0.004 8),是预测冬小麦花青素的最优模型;各生育时期中,开花期模型精度较高,表现稳定,是预测冬小麦花青素的最佳生育时期。 相似文献
17.
基于遥感信息和WOFOST模型参数同化的冬小麦单产估算方法研究 总被引：4，自引：0，他引：4
为探讨遥感信息和作物生长模型在作物估产方面的优势互补特性,选取河北省藁城市冬小麦作为研究对象,采集多个关键生育时期的生理生化、农田环境、气象等数据,并获取准同步的环境减灾小卫星HJ-CCD影像数据,采用植被指数反演冬小麦叶面积指数（LAI）,基于扩展傅里叶振幅灵敏度检验法(EFAST)对WOFOST作物模型的26个初始参数进行全局敏感性分析,筛选敏感性参数,调整WOFOST模型的核心参数,利用查找表优化算法构建基于WOFOST模型和遥感LAI数据同化的区域尺度冬小麦单产预测模型,并定量预测区域冬小麦单产水平。结果表明,增强型植被指数（EVI）是遥感反演LAI的最佳植被指数(开花期建模r=0.913,RMSE=0.410,灌浆期建模r=0.798,RMSE=0.470),预测能力最强(开花期r=0.858,RMSE=0.531,灌浆期r=0.861,RMSE=0.428);筛选出6个待优化参数,即TSUM1、SLATB1、SLATB2、SPAN、EFFTB3和TMPF4;产量预测精度r=0.914,RMSE=253.67 kg·hm-2,找到了待优化参数的最佳取值,最终完成了单产模拟。 相似文献
18.
为了解连续小波转换对利用冬小麦冠层高光谱数据反演叶片含水量精度的提高效果,以河北省衡水市安平县为研究区,基于野外高光谱数据,提取、筛选其光谱特征敏感波段,应用光谱指数、连续小波变换进行光谱处理,并采用偏最小二乘法构建冬小麦叶片含水量的定量反演模型。结果表明,连续小波变换可明显凸显冬小麦冠层光谱特征,提升其对叶片含水量的敏感性。在连续小波变换下,基于1尺度构建的冬小麦叶片含水量的反演模型为最优模型,模型的决定系数(r~2)和RMSE分别为0.756和0.994%,独立样本验证时r~2和RMSE分别为0.766和1.713%,说明反演模型的拟合效果和预测精度均较高。因此,利用连续小波变换可将冠层光谱信息进行二次分配,能有效将有益信息与噪声信息进行分离,提升光谱信息对冬小麦叶片水含量的敏感性,增强冬小麦叶片水含量的预测能力与稳定性。 相似文献