共查询到19条相似文献，搜索用时 218 毫秒
1.
以湖南省为研究区,探索不同栽培因子条件下油菜的高光谱特征,建立基于高光谱特征的叶绿素预测模型,并将其应用于田间生产实践,以期为油菜营养诊断、高产栽培和生产管理的信息化提供一定的理论依据和技术支撑。使用便携式地物光谱仪和SPAD-502叶绿素仪分别对油菜冠层反射光谱和SPAD值进行实测,分析不同栽培因子条件下角果期的油菜冠层光谱特征,并得到其相应的红边参数(包括红边位置、红边振幅与红边面积),最后运用多种方法对红边参数与角果期的油菜SPAD值进行相关性分析,以期建立SPAD值的最佳反演模型。结果表明,在红光波段(680～760 nm),油菜角果期的冠层反射光谱趋于稳定,冠层的三峰两谷现象比较明显,而且在整个角果期,红边位置都稳定在760 nm这个点,不随栽培因子的改变而改变。但是栽培因子对红边振幅和红边面积有着明显影响,因此可用红边参数来预测油菜的SPAD值。经过5种不同的建模比较分析可以得出,基于支持向量机(SVM)的预测模型最好,R~2为0.912 6,均方误差为0.326 6。 相似文献
2.
基于无人机多光谱遥感的冬小麦叶面积指数反演 总被引：6，自引：1，他引：5
以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。 相似文献
3.
[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持. 相似文献
4.
基于人工神经网络的大豆叶面积高光谱反演研究 总被引：26，自引：0，他引：26
【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。 相似文献
5.
棉花叶面积指数冠层反射率光谱响应及其反演 总被引：8，自引：1，他引：8
【目的】研究棉花冠层光谱对不同叶面积指数（LAI）的响应，建立棉花LAI光谱反演模型。【方法】利用2003～2004年采集的棉花光谱与LAI的246组数据，分析LAI与冠层反射率光谱和反射率一阶微分光谱间的定量关系。【结果】当LAI大于2.5后不同LAI棉花群体光谱反射率在可见光波段趋于饱和；LAI与可见光波段和短波红外波段（水分吸收带除外）光谱反射率呈显著负相关，与近红外波段高光谱反射率呈显著正相关；LAI与棉花反射率一阶微分光谱主要在蓝边（523～531 nm）、黄边（570～576 nm）、红边（700～755 nm）形成3个相关系数高台区，均达极显著水平，其中红边区的相关性最高。棉花红边位置固定，分别在718 nm和723 nm，且以 723 nm处对LAI更敏感。在反演棉花LAI的高光谱参数中VI (660、800)、VI (550、800)、VI (500、800)、VI (670、800)、Sdy (570～573 nm)、SDr (714～755 nm)、D723、Dr 估算LAI相对误差低于30%，RSME小于0.6，其中VI (600、800)、VI(550、800)两个参数估算水平最高，相对误差分别为21.7%与21.0%，RMSE分别为0.416与0.419；利用SDr与SDr/SDb分别对LAI大于1.0 与小于1.0 的棉花群体反演，能显著提高LAI的估算水平。【结论】应用高光谱分析方法能够提取棉花冠层特征光谱信息，构建LAI高光谱反演参数，建立估算模型，并且利用包含不同光谱参数的分段模型可以进一步提高LAI反演精度。 相似文献
6.
柑橘树冠层叶密度高光谱信息反演试验分析 总被引：1，自引：0，他引：1
以地物谱仪作为核心的数据采集平台采集光谱数据后通过计算机进行处理拟合,利用光谱分析软件ViewSpecPro,辅助以Excel、SPSS等数据统计软件进行光谱数据反演,探究柑橘树冠层光谱的4种形式与叶面积指数(leaf area index,LAI)的相关性,从而利用相关性最高的光谱参数对LAI进行定量化模拟估算和实时采集。结果表明,LAI与光谱信息系数NDVI、ρ550的反射能量、ρ850的反射能量、一阶导数、红边幅值、红边面积等的拟合方程相关系数(R)分别为0.886、0.906、0.871、0.912、0.798、0.870,相应方程的显著水平P0.05。NDVI、红边幅值和红边面积与LAI都达到较高的相关水平,可以对柑橘树冠层LAI进行模拟估算。 相似文献
7.
为探索研究胡杨叶面积指数高光谱反演方法的预测精度和适应性,选择新疆维吾尔族自治区塔里木河流域上游为研究区域,将采集的叶片带回实验室,通过ASD Fieldspec4便携式地物光谱仪扫描胡杨叶片得到反射率光谱并计算胡杨LAI,然后利用回归分析法和BP神经网络法构建胡杨LAI反演模型,将模型预测LAI值和真实LAI值进行建模分析,进而评价2种方法的反演精度。结果显示,BP神经网络法检验方程的决定系数(r2)为0.99、均方根误差(RMSE)为0.304、残差平方和(RSS)为0.0004,较植被指数法和多元回归法估算胡杨LAI的精度有较大提高。 相似文献
8.
【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。 相似文献
9.
油菜地上生物量与冠层光谱植被指数之间的相关分析 总被引：5，自引：1，他引：5
利用不同波段光谱反射率组合产生的植被指数,分析2个品种、2个供氮水平的油菜地上生物量与冠层光谱植被指数之间的相关性,并建立光谱植被指数对油菜地上生物量的估算模型。结果表明：在油菜整个生育期内,随着发育期推移,叶鲜干重、茎鲜干重和角果鲜重呈先增后减的趋势,不同处理的最大值出现时间不同,而角果干重呈直线上升趋势直到成熟。光谱植被指数与油菜叶鲜、干重呈正相关关系,除RvI外,其他植被指数均通过显著性检验。光谱植被指数对油菜叶鲜、干重的拟合方程以乘幂和指数形式最好,其中叶鲜、干重GBNDVI变量回归的Rz值分别达到O．6571和0．6497。光谱植被指数与油菜茎鲜、干重呈极显著正相关关系,光谱植被指数对油菜茎鲜、干重的最佳拟合方程为乘幂和指数形式,茎鲜、干重以BNDVI的指数形式最好,R2值分别为0．9134和0．9217。而光谱植被指数与角果鲜、干重的关系则相反,只有NDVI与角果鲜重达到极显著水平,光谱植被指数与角果于重都没有通过0．01水平显著性检验。NDVI与油菜角果鲜重的对数回归的R2值达到0．5487。研究结果将为大面积油菜生长状况及产量品质的遥感监测奠定基础。 相似文献
10.
《西北林学院学报》2017,(6)
了解和掌握干旱区薄叶荒漠植物的光谱特征,不仅可为干旱荒漠区植物的遥感识别奠定基础,且对于干旱区的生态环境调控、演变及遥感反演等都具有重要的意义。以荒漠植物种丰富的河西走廊为研究区,利用全光谱便携式地物光谱仪测定13种灌木和9种草本薄叶荒漠植被地物反射光谱,对其光谱特征曲线、光谱特征参数及植被指数进行分析研究。结果表明,1)植被反射光谱波形大致相同,总体符合植被光谱特征的规律性;灌木植被和草本植被各在4个波段区间植被反射率差异明显,可用于识别荒漠植物;2)蓝边、黄边、红边位置及红谷、绿峰出现的波段范围差异不大,而蓝边、黄边、红边的斜率和面积各有差异;3)DVI值明显高于NDVI、SAVI、RVI、RDVI,利用同一种植被的5种植被指数的值同时大或小的排列顺序区分测定的大部分灌木植被和草本植被。 相似文献
11.
基于新型植被指数的冬小麦LAI高光谱反演 总被引：8，自引：1，他引：7
【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。 相似文献
12.
基于高光谱遥感的冬小麦叶水势估算模型 总被引：2，自引：0，他引：2
【目的】采用高光谱技术,建立快速、无损与准确获取冬小麦叶水势的估算模型,为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验,于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息,并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法,基于不同水分处理,构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦,其冠层光谱反射率具有显著的变化特征。在可见光波段,冬小麦冠层反射率随着水分含量的增加而逐渐降低,而在近红外波段,其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进,在近红外波段,抽穗期的冠层反射率比拔节期的高,在灌浆期之后,红波段(670 nm)、蓝波段(450 nm)的反射率上升加快;4种植被指数与叶水势显著相关(P0.05),相关系数|r|均在0.711以上,四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下(70%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.75和0.771)均低于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.808和0.896),而在重度水分亏缺条件下(50%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.857和0.853)均高于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.711和0.792);所建模型对45个未知样的预测结果与实测值相似度较高,其回归模型R~2、验证模型MRE、RMSE的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70%FC水分处理下,基于EVI2(enhanced vegetation index)所得叶水势估算模型的R~2最高,为0.922,而在60%FC和50%FC水分处理下,由于考虑了土壤背景的影响,基于OSAVI所建模型的R~2最高,分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是,在构建不同水分处理的叶水势估算模型时,应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据,为星载数据的参数反演提供模型支持。 相似文献
13.
基于高光谱的冬小麦叶面积指数估算方法 总被引：3，自引：0，他引：3
【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。 相似文献
14.
小麦氮素积累动态的高光谱监测 总被引：12，自引：1，他引：11
【目的】研究小麦地上部氮积累量与冠层高光谱参数的定量关系,分析多种高光谱参数估算地上部氮积累量的效果。【方法】连续3年采用不同蛋白质含量的小麦品种在不同施氮水平下进行大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定植株不同器官生物量和氮含量。【结果】植株氮积累量随着施氮水平的提高而增加,不同地力水平间存在明显差异。植株氮积累量的光谱敏感波段主要存在于近红外平台和可见光区,而地上部氮积累量与冠层光谱的相关性明显降低。对植株氮积累量的光谱估算,在不同品种、氮素水平、生育时期和年度间可以使用统一的光谱模型。在籽粒灌浆期间植株氮积累量自开花期随时间进程的积分累积值与对应时期籽粒氮素积累状况存在显著的定量关系,根据特征光谱参数植株氮素营养籽粒氮积累量这一技术路径,以植株氮积累量为交接点将模型链接,建立高光谱参数与籽粒氮积累量间定量方程。将植株氮积累量与籽粒氮积累量相加,确立了基于高光谱参数的籽粒灌浆期间地上部氮积累量监测模型。经不同年际独立资料的检验表明,利用光谱参数SDr/SDb、VOG2、VOG3、RVI（810,560）、[（R750-800）/（R695-740）]-1和Dr/Db建立模型可以实时监测小麦地上部氮素积累动态变化,预测精度R2分别为0.774、0.791、0.803、0.803、0.802和0.778,相对误差RE分别为16.7%、15.5%、15.6%、18.5%、15.5%和17.3%。【结论】利用关键特征光谱参数可以有效地评价小麦地上部氮素积累状况,其中尤以植被指数VOG2、VOG3和[（R750-800）/（R695-740）]-1的效果更好。 相似文献
15.
以蓖麻在不同氮、磷施用水平下的大田实验为基础,研究了高光谱遥感在估测蓖麻初级生产力主要参数中的应用。结果表明,随着施肥水平的提高,蓖麻叶面积指数（LAI）和生物量增大,导致冠层光谱特征发生相应变化,近红外波段（700~900 nm）的反射率显著增大。350~900 nm波段特别是700~900 nm波段的蓖麻冠层光谱反射率值在花果盛期最大,种子成熟期次之,苗期最低,与蓖麻LAI变化一致,可以用来监测蓖麻的长势和营养状态。构建的高光谱植被指数NDVI、RVI与LAI和ABM回归模型确定系数均较高,分别达到了0.6115、0.6363、0.7102和0.6148,可以用来估测不同物候期蓖麻的叶面积指数和地上部分生物量。 相似文献
16.
17.
Mapping Spatial and Temporal Variations of Leaf Area Index for Winter Wheat in North China 总被引：2，自引：0，他引：2
YANG Peng WU Wen-bin TANG Hua-jun ZHOU Qing-bo ZOU Jin-qiu ZHANG Li 《中国农业科学(英文版)》2007,6(12):1437-1443
Leaf area index(LAI)is an important parameter in a number of models related to ecosystem functioning,carbon budgets,climate,hydrology,and crop growth simulation.Mapping and monitoring the spatial and temporal variations of LAI are necessary for understanding crop growth and development at regional level.In this study.the relationships between LAI of winter wheat and Landsat TM spectral vegetation indices(SVIs)were analyzed by using the curve estimation procedure in North China Plain.The series of LAI maps retrieved by the best regression model were used to assess the spatial and temporal Variations of winter wheat LAI.The results indicated that the general relationships between LAI and SVIs were curvilinear,and that the exponential model gave a better fit than the linear model or other nonlinear models for most SVIs.The best regression model was constructed using an exponential model between surface-reflectance-derived difference vegetation index(DVI)and LAI,with the adjusted R2(0.82)and the RMSE(0.77).The TM LAI maps retrieved from DVILAI model showed the significant spatial and temporal variations.The mean TMLAI value(30m)for winter wheat of the study area increased from 1.29(March 7,2004)to 3.43(April 8,2004),with standard deviations of 0.22 and 1.17,respectively.In conclusion,spectral vegetation indices from multi-temporal Landsat TM images can be used to produce fine-resolution LAI maps for winter wheat in North China Plain. 相似文献
18.
基于随机森林算法的冬小麦叶面积指数遥感反演研究 总被引：10，自引：1，他引：9
【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R2）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R2为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。 相似文献
19.
基于冠层反射光谱的冬小麦干物质积累量的估测研究 总被引：2，自引：0，他引：2
[目的]分析了小麦光谱特征与干物质积累量的相关关系。[方法]通过对冬小麦不同品种的干物质积累量、叶面积等参数和冬小麦冠层光谱反射率、光谱一阶微分和光谱比值植被指数(RVI)的相关分析,确立了冬小麦干物质积累量的敏感波段,并建立了预测模型。[结果]开花期350~700 nm和1 420~1 520 nm冠层光谱反射率和灌浆期350~1 750 nm冠层光谱反射率分别与干物质积累量显著相关;比值植被指数RVI(560,1220)与干物质积累量的相关性较好;确立的冬小麦干物质积累量预测模型为:干物质积累量=-186.94×RVI(560,1220)-2 242.2(R2=0.713 8),说明通过遥感手段监测冬小麦的群体质量是可行的。[结论]该研究为高光谱遥感技术在监测小麦的群体质量的应用提供参考依据。 相似文献