共查询到17条相似文献，搜索用时 187 毫秒
1.
用LI-2000冠层分析仪确定作物群体外活动面高度 总被引：3，自引：1，他引：2
该文研究定量确定作物群体外活动面的方法。使用美国产LI－2000型冠层分析仪,实测高秆作物（玉米为代表）和矮秆作物（小麦为代表）的群体,从冠层顶向群体内部逐层累积叶面积系数(LAI),并分析其变化趋势。分别使用雷蒙德皮尔模型和龚珀兹模型模拟其变化。两种模型模拟LAI值与实测LAI值相关系数均大于0.95。方差分析表明,矮秆的小麦冠层,雷蒙德皮尔模型模拟优于龚珀兹模型模拟结果。高秆的玉米冠层,龚珀兹模型模拟相关系数达0.994,相关极为显著。小麦的活动面高度,与小麦2/3株高差异较大。平展型玉米冠层和直立型玉米冠层活动面高度,与其2/3株高相差仅11～17 cm。用2/3株高来估计活动面高度较为合理,而对小麦冠层来讲则误差较大。 相似文献
2.
基于夏玉米冠层内辐射分布的不同层叶面积指数模拟 总被引：1，自引：1，他引：1
为了模拟夏玉米冠层内各层叶面积指数垂直分布,光合有效辐射（photosynthetically active radiation, PAR）是研究作物群体光合作用和长势的重要特征参数,阐明冠层内PAR的垂直分布规律与冠层结构等参数之间的相关关系,可为遥感定量反演冠层结构参数提供模型基础。该文基于PAR在冠层内的辐射传输规律结合冠层结构模拟不同太阳高度角的PAR透过率垂直分布模型,并用地面冠层分析仪测量值进行验证,结果表明模型对封垄前玉米抽雄期冠层内PAR透过率垂直分布模拟精度较高。通过不同太阳高度角PAR透过率的垂直分布模型结合消光系数运用不同算法分别反演层叶面积指数（leaf area index, LAI）,并与不同高度层LAI实测值进行比较。结果显示：Bonhomme& Chartier算法反演不同高度层LAI精度较高,上层均方根误差（root mean square error,RMSE）为0.18,中层RMSE为0.55,下层RMSE为0.09。不同太阳高度角反演结果存在差异,30°和45°高度角均能较好地反演下层LAI,RMSE分别为0.11与0.09;30°高度角反演中层LAI精度较高,RMSE为0.30;45°高度角反演上层LAI精度较高,RMSE为0.18。结果表明基于不同太阳高度角构建的层LAI反演模型更适于实现夏玉米不同高度层LAI的遥感估算。该研究可为模拟垄行结构冠层内LAI垂直分布提供参考。 相似文献
3.
不同生育期水稻叶面积指数的高光谱遥感估算模型 总被引：1，自引：0，他引：1
2011年和2012年通过大田试验,利用便携式野外光谱仪实测水稻冠层不同生育时期的高光谱数据,同时使用SUNSCAN冠层分析系统采集水稻冠层叶面积指数（LAI）;采用光谱微分技术和统计分析技术,分别分析高光谱反射率及其植被指数与LAI之间的关系,建立LAI估算模型并进行模拟结果对比。结果表明：水稻抽穗-成熟期,利用光谱值的对数形式对LAI值的模拟效果较好,分蘖-抽穗期利用光谱反射率模拟LAI变化过程的效果不理想。 在利用各种植被指数估算LAI方法中,水稻分蘖-抽穗期以修改型土壤调整植被指数MSAVI[758,805]对LAI的估算效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.7754）,估算精度较高。在抽穗-成熟期,也以修改型土壤调整植被指数MSAVI[758,817]对LAI的模拟效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.6488）,估算精度较高。说明修改型土壤调整植被指数（MSAVI）能更好地模拟水稻不同生育期的叶面积指数,按照分蘖-抽穗期、抽穗-成熟期两个生育阶段分别建立水稻冠层LAI的高光谱估算模型能够提高LAI估算的准确度,研究结果也证实了分生育阶段建模的必要性。 相似文献
4.
植物冠层分析仪测定荆条孤立冠层叶面积指数和透光率的分析 总被引：2，自引：0，他引：2
利用LAI-2200植物冠层分析仪(PCA)无损测定分析8株荆条(Vitex negundo L.)冠层叶面积指数LAIPCA(3.5~6.5)和天空开度(DIFN),通过LI-200SA传感器同步测定相应的光强透射率τ;同时利用收获法实测荆条冠层叶面积指数LAI收获法,对比分析LAIPCA与LAI收获法、DIFN与τ的相关性和偏差。结果表明:(1)两种方法所测叶面积指数相关极显著(P0.01);LAIPCA比LAI收获法平均偏高2.57%,表明LAI-2200用于荆条灌丛冠层叶面积指数LAI的测定结果偏差较小。(2)LAI-2200PCA测定DIFN与辐射传感器测定冠层透光率τ相关极显著(P0.01),说明LAI-2200 PCA可以替代收获法无损测定荆条孤立灌丛冠层叶面积指数和透光率。本文实现了用冠层分析仪对植物孤立冠层的分析,为林业生产和研究中较为普遍存在的孤立植物冠层下光照分析和叶面积指数测定提供了简便方法。 相似文献
5.
农田表面温度是土壤、作物和大气之间进行水/热交换传输的重要参数,也是灌区遥感反演模型的重要参量。在利用热红外传感器连续获取农田表面温度数据时,由于作物的生长发育处于动态变化中,农田表面温度数据往往混合了作物冠层温度和土壤表面温度。为精准甄别和区分田间海量监测数据,该研究结合Logistic作物生长模型,通过考虑作物生长状态指标叶面积指数（Leaf Area Index,LAI）和作物冠层高度及其关键节点,构建了农田表面温度监测数据的甄别算法。以内蒙古永济试验站玉米和向日葵实测数据对算法进行验证,并利用解放闸灌域和吉林省长春试验站的玉米和向日葵田间观测数据进行校核。结果表明：考虑LAI和作物冠层高度并利用Logistic模型模拟的关键节点来建立甄别算法,能够为农田稀疏植被表面温度数据甄别提供高效判定。与人工测量值对比,冠层温度优化幅度在10%左右（相对误差）,土壤表面温度优化幅度超过5%;甄别方法可以明显提升冠层和土壤表面温度的获取精度。甄别算法中校正因子数值需根据作物种植密度及LAI确定,其中玉米校正因子选择作物冠层温度校正因子0.9,土壤表面温度校正因子1.1;向日葵校正因子以叶面积指数最大值4为基础,选取冠层温度校正因子0.7,土壤表面温度校正因子1.2;在不同地区应用时,向日葵叶面积指数最大值每增加1,推荐冠层温度校正因子调高0.35,土壤表面温度校正因子调低0.18。研究结果为精量灌溉提供技术支撑,提高了农田监测数据的性能,为无人机遥感和卫星遥感数据的精量甄别提供算法和验证。 相似文献
6.
基于Hyperion影像的玉米冠层叶绿素含量估算 总被引：1，自引：1，他引：0
采用高光谱卫星数据进行玉米叶片和冠层尺度的叶绿素含量估算,对现代农业技术的发展有重要意义。首先,采用以α为倾斜度参数的双曲正切S型函数为基础的误差反向传播(back propagation,BP)算法前馈神经网络(hyperbolic tangent sigmoid function-back propagation,Htsf-BP)构建叶片尺度的叶绿素含量高光谱遥感估算模型;以几何光学辐射传输模型(4-scale模型)为理论依据,对叶片和冠层尺度的光谱转化函数进行推导,实现Hyperion影像冠层尺度光谱到叶片光谱的转化,同时获取叶片尺度叶绿素含量估算结果;最后,结合叶面积指数(leaf area index,LAI)进行冠层尺度叶绿素含量估算。结果表明:当隐含层结点数为6时,Htsf-BP神经网络法对叶绿素的估算精度最高,验证精度达78.68%;在波长750与980 nm处,采用光谱尺度转化方程进行模拟的冠层光谱与实测冠层光谱间的相关系数R2值分别达到了0.784和0.706;实测叶片尺度叶绿素含量与模拟结果间的相关系数R2值达0.726。该方法可为高精度快速估算叶片和冠层尺度玉米叶绿素含量提供参考。 相似文献
7.
基于冠层上下部温差的冠层阻力计算 总被引：1，自引：1，他引：0
为了研究交替隔沟非充分供水下玉米冠层阻力的计算方法,于2009—2010年在中国农业科学院农田灌溉研究所作物需水量试验场进行了田间试验.根据实测资料分析了玉米气孔阻力与各环境因素的关系,基于 Jarvis (1976)多因子冠层阻力模型,引入冠层上、下部温差变量(ΔTc),提出了交替隔沟非充分供水下玉米冠层阻力的计算方法,即基于ΔTc的冠层阻力法,并分别与Jarvis(1976)、Ortega-Farias(2004)和Brisson et al(1998)法作对比研究,验证其准确性.结果表明,Javias(1976)、Ortega-Farias(2004)、基于ΔTc的冠层阻力法和Brisson (1998)的日平均冠层阻力计算结果分别为355.93、318.75、300.61和253.42 sm-1.其中,Ortega-Farias(2004)法和Javias(1976)法模拟结果分别偏高9.70%和22.50%;Brisson(1998)法模拟结果偏低12.78%;基于ΔTc的冠层阻力法计算结果比实测值偏高3.46%,二者的相关性最好,其计算结果与实测值间的平均绝对误差(MAE)、标准差(SD)和拟合度(d1)值分别为2.42、6.77和0.89,R2为0.86,计算精度优于Jarvis(1976)、Ortega-Farias (2004)和Brisson et al(1998)模型.基于冠层上、下部温差的冠层阻力计算法,考虑了作物、土壤、气候3大因素,模型的模拟范围、数据获取和精度都优于其他方法,能够较准确地表达交替隔沟非充分供水下的玉米冠层阻力. 相似文献
8.
高光谱反射率与大豆叶面积及地上鲜生物量的相关分析 总被引：34，自引：6，他引：34
以ASD FieldSpec光谱仪实测了不同生长季大豆的冠层高光谱,同期采集了对应大豆LAI、地上鲜生物量。逐波段分析了冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量的相关关系;采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量确定性系数随波长的变化趋势;并建立了以近红外与可见光波段的冠层光谱反射率的比值植被指数RVI与大豆LAI、地上鲜生物量的高光谱遥感估算模型。结果表明,冠层光谱反射率在350～680 nm、760～1050 nm波谱区与大豆LAI、地上鲜生物量相关性 相似文献
9.
长江中下游地区夏季温室黄瓜冠层温度模拟与分析研究 总被引：3，自引：0，他引：3
根据作物冠层能量平衡原理，建立了以温室内温度、湿度、冠层净辐射等为变量的温室作物冠层温度的模拟模型，并利用实测资料对模型的可靠性进行了检验，同时就温室内部温度、冠层净辐射、蒸腾速率对冠层温度的影响进行了敏感性分析。结果表明：模型能较好地预测长江中下游地区温室作物冠层温度，模型对该地区夏季(2002年6月24至7月12日，梅雨季节)温室内作物冠层温度预测值与实测值的决定系数(R2)和标准误(SE)分别为：0.8321，0.0037℃；建立的温室内部温度、相对湿度、净辐射和作物蒸腾速率的多元线性回归模型，其决定系数(R2)和标准误(SE)分别为：0.9996，0.8829℃；通过敏感性解释因子的分析表明，作物冠层温度对温室内部温度最为敏感，室内温度是预测冠层温度的主要因子。 相似文献
10.
基于最大熵模型的玉米冠层LAI升尺度方法 总被引：1，自引：1，他引：0
叶面积指数(leaf area index,LAI)是表达农作物冠层结构的关键参数之一,准确获取LAI对于农作物长势监测、估产等研究具有非常重要的意义。由于地物空间复杂性、数据源的不同以及遥感反演模型的非线性,LAI的反演结果会存在尺度效应,因此需要进行尺度转换研究。理想的升尺度转换应该只是数据空间分辨率的降低,而数据内在信息应保存到低分辨率中。最大熵(maximum entropy,Max Ent)模型是基于多种环境因子的广义学习模型,对分析因子的空间分布具有较高的估算精度,因此,该研究利用最大熵模型进行玉米冠层LAI升尺度方法研究,从而将野外实测的LAI点数据扩展到空间分辨率为30 m的面数据,所使用的数据源是Landsat8 OLI遥感影像、气象数据和野外样点上测量的LAI数据。研究结果表明:利用最大熵模型升尺度转换结果与实测LAI相比,R2为0.601、RMSE为0.898,说明两者的相关性较高;由于玉米冠层叶片之间的相互遮挡,导致整体结果偏低,但偏低误差在可接受范围内。因此,Max Ent模型可用于农作物LAI点数据到面数据的升尺度转换。 相似文献
11.
Assessing the effects of the clumping phenomenon on BRDF of a maize crop based on 3D numerical scenes using DART model 总被引：2，自引：0，他引：2
Sylvie Duthoit Valrie Demarez Jean-Philippe Gastellu-Etchegorry Emmanuel Martin Jean-Louis Roujean 《Agricultural and Forest Meteorology》2008,148(8-9):1341-1352
Inverting radiative transfer (R-T) models against remote sensing observations to retrieve key biogeophysical parameters such as leaf area index (LAI) is a common approach. Even if new inversion techniques allow the use of three-dimensional (3D) models for that purpose, one-dimensional (1D) models are still widely used because of their ease of implementation and computational efficiency. Nevertheless, they assume a random distribution of foliage elements whereas most canopies show a clumped organization. Due to that crude simplification in the representation of the canopy structure, sizeable discrepancies can occur between 1D simulations and real canopy reflectance, which may further lead to false LAI values. The present investigation aims to appraise to which extent the incorporation of a clumping index (noted λ) into 1D R-T model could improve the simulations of Bidirectional Reflectance Distribution Function (BRDF). Canopy BRDF is simulated here for three growth stages of a maize crop with the Discrete Anisotropic Radiative Transfer (DART) model in the visible and near infrared spectral bands, for two contrasted soil types (dark and bright) and different levels of heterogeneity to represent the canopy structure. 3D numerical scenes are based on in-situ structural measurements and associated BRDF simulations are thus considered as references. 1D scenarios assume either that leaves are randomly distributed (λ = 1) or clumped (λ < 1). If BRDF simulations seem globally reliable under the assumption of a random distribution in near infrared, it can also lead to relative errors on the total BRDF up to 30% in the red spectral band. It comes out that the use of a clumping index in a 1D reflectance model generally improves BRDF simulations in the red considering a bright soil, which seems relatively independent of LAI. In the near infrared, best results are usually obtained with homogeneous canopies, except with the dark soil. Clearly, influent factors are mainly the LAI and the spectral contrast between soil and leaves. 相似文献
12.
基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测 总被引：21，自引：13，他引：8
区域作物产量预测是国家粮食安全评估的重要内容。遥感虽能获取大面积地表信息,却难以反映作物生长发育的内在过程。作物生长模型已经在单点尺度能成功模拟作物的生长发育过程,但是区域尺度作物关键参数的获取仍很困难。遥感信息与作物模型结合的数据同化已经成为区域产量预测的最有效途径。该文选择河北省衡水地区冬小麦为研究对象,在WOFOST模型标定与区域化的基础上,利用WOFOST模型描述冬小麦生育期内叶面积指数(LAI)变化规律。针对MODIS数据的混合像元造成反演的LAI产品偏低的系统误差,利用实测LAI样本点融合MODIS-LAI趋势信息修正MODIS-LAI数据产品。采用集合卡尔曼(EnKF)算法同化冬小麦返青到抽穗期的MODIS-LAI与WOFOST模拟的LAI以获得时间序列最优的LAI,并以此重新驱动WOFOST模型估算区域冬小麦产量。结果表明,EnKF同化后的冬小麦产量比未同化的产量预测精度有显著提高,与县平均统计产量相比,在潜在模式下,决定系数由0.13提高到0.38,均方根误差由2480下降到880kg/hm2。研究表明,遥感信息与作物模型的EnKF同化是1种有效的作物产量预测方法,并在区域尺度应用上具有广阔的应用潜力。该研究可为区域尺度的作物估产提供参考。 相似文献
13.
基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价 总被引：2，自引：0，他引：2
如何将农作物从复杂动态变化的农田场景中准确提取出来,是作物分割方法后续提取覆盖度或反演叶面积指数准确与否的关键。本文以郑州、泰安和固城站2011年和2012年生长季的夏玉米为研究对象,利用在线式图像自动传输装置实时获取户外不同光照强度以及真实农田复杂背景下的夏玉米群体动态图像,在对原始图像进行几何校正的基础上,采用AP-HI、ExG、ExGR和CIVE4种作物分割方法提取夏玉米覆盖度和反演叶面积指数,通过对比试验定量评价每种作物分割方法对农田复杂背景的适应能力和精度,并从中选取适合农田复杂环境下夏玉米冠层图像覆盖度和叶面积指数的有效提取方法。结果表明：光照强度变化以及植物阴影、植物残渣等复杂背景对作物分割算法的精确性影响较大,AP-HI方法在光照适应性和对抗复杂环境两个方面均优于其它方法,相对误差在0.2以下,高于目估法测量的精度;通过对比分析发现,利用4种作物分割方法通过冠层孔隙率估算不同生长期夏玉米LAI,AP-HI反演模型最优,其估算的LAI与实际测得的LAI值比较的相关系数最高,为0.89~0.96,均方根误差最小,为0.47~0.75。综合考虑模型的精度和稳定性认为,基于AP-HI方法反演叶面积指数的方法具有一定应用优势。 相似文献
14.
基于人工神经网络方法的冬小麦叶面积指数反演 总被引：3，自引：2，他引：1
实践中,大尺度上测量叶面积指数（LAI）很难实现,利用遥感技术进行LAI的定量反演成为当前研究的重点。该文应用MODIS地表反射率数据反演冬小麦叶面积指数,假设MODIS像元由作物和土壤混合,建立了SAILH模型与裸土反射率组成的线性光谱混合模型,基于人工神经网络的方法进行LAI反演,获得了北京顺义冬小麦种植区在2001年4月1个时间序列的LAI。研究表明,此方法能够较好的获取大区域尺度上的LAI,对冬小麦长势监测具有重要意义。 相似文献
15.
基于遥感数据与作物生长模型同化的作物长势监测 总被引：6，自引：4，他引：2
遥感观测和作物生长模型模拟是进行农作物长势监测的2种有效手段,并具有较好的互补性,构建二者的同化系统是目前农业遥感研究领域的热点。同化涉及多学科的交叉集成,十分有必要将同化方法中的模型、算法、数据进行集成,构建基础作物模型同化系统平台,降低科学研究和应用的难度。采用模块化结构设计,将同化系统构建所需的主要模型、算法、数据等进行有机结合和无缝集成,实现基于极快速模拟退火算法的遥感数据与CERES-Wheat作物生长模型的同化原型系统构建。此外,通过所开发的系统利用地面高光谱作为遥感数据,通过同化小麦叶面积指数对同化系统进行了检验和初步应用。同化LAI与实测结果较好的拟合度,表明所开发的同化系统基本可行,能为遥感技术与作物模型的基础研究和应用提供一个平台。 相似文献
16.
基于多源无人机影像特征融合的冬小麦LAI估算 总被引：3，自引：3，他引：0
为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。 相似文献
17.
基于机器学习的棉花叶面积指数监测 总被引：2，自引：1，他引：1
为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。 相似文献