共查询到17条相似文献，搜索用时 296 毫秒
1.
基于无人机多时相遥感影像的冬小麦产量估算 总被引：1，自引：0，他引：1
为高效准确地预测小麦产量,以浙江省冬小麦为研究对象,利用四旋翼无人机精灵4多光谱相机获取冬小麦5个关键生育时期（拔节期、孕穗期、抽穗期、灌浆期、成熟期）的冠层多光谱数据,选取多光谱相机的五个特征波段计算各生育时期的72个植被指数,分别通过逐步多元线性回归（SMLR）、偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机（SVM）、随机森林（RF）构建不同生育时期的产量估算模型,最后采用决定系数（R）、均方根误差（RMSE）和相对误差（RE）对估算模型进行评价,筛选出最优估算模型。结果表明,基于随机森林建立的模型估算效果最优,SMLR、PLSR和SVM三种方法建立的模型估算效果接近。利用随机森林算法所建拔节期、孕穗期、抽穗期、灌浆期、成熟期模型的R、RMSE和RE分别为0.92、0.35、11%;0.93、0.33、10%;0.94、0.32、9%;0.92、0.36、9%;0.77、0.67、33%。模型验证时,抽穗期估算效果最好（R、RMSE和RE分别为0.91、0.35和15%）,拔节期、孕穗期、灌浆期估算效果接近且有很好的估算能力,成熟期估算精度最差（R、RMSE和RE分别为0.71、0.47和13%）。由此说明,结合机器学习算法和无人机多光谱提取的植被指数可以提高小麦产量估算效果。 相似文献
2.
为快速、准确地估测不同生育时期小麦品种（系）株高与叶面积指数（LAI）表型性状，基于各生育时期小麦品种（系）数字正射影像（digital orthophoto map，DOM）和数字表面模型（digital surface model，DSM），分别构建不同生育时期株高估测模型和光谱指数LAI估测模型。借助一元线性回归、多元逐步回归（SMLR）和偏最小二乘回归（PLSR）分析方法，并采用决定系数（r）、均方根误差（RMSE）和归一化均方根误差（nRMSE）综合性评价指标，筛选出小麦不同生育时期最优的株高和LAI估测模型。结果表明，（1）全生育期株高估测效果最好，模型预测值与实测值高度拟合（r、RMSE、nRMSE分别为0.87、5.90 cm、9.29%）；在各生育时期中，灌浆期模型预测精度较好，成熟期预测精度最差，r分别为0.79和0.69。（2）所选的18种光谱指数与LAI相关性均较好，其中BGRI、RGBVI、NRI和NGRDI的相关系数达到极显著水平，且各时期三种回归估测模型均表现出较高的稳定性和拟合效果，其中SMLR回归模型对各生育时期LAI预测精度最好，其拔节期、孕穗期、扬花期、灌浆期和成熟期的预测集r分别为0.68、0.57、0.61、0.68和0.53。这说明，基于无人机获取的不同生育时期小麦DSM影像提取株高，并运用18种光谱指数构建LAI估测模型方法是可行的。 相似文献
3.
不同生育时期冬小麦叶片相对含水量高光谱监测 总被引：2，自引：0，他引：2
为实现冬小麦不同生育时期叶片水分含量的快速监测,以冬小麦冠层高光谱数据和红外热成像数据为基础,计算得到5种光谱参数,通过对不同生育时期叶片相对含水量与光谱参数拟合状况进行分析和筛选,分别构建了基于光谱参数的叶片相对含水量反演模型,并对模型进行检验。结果表明,不同生育时期叶片相对含水量与比值指数（RVI）、归一化差值植被指数（NDVI）、比值/归一化植被指数（R/ND）、优化土壤调整植被指数（OSAVI）、冠气温差（TDc-a）均呈极显著相关（P＜0.01）;拔节期、抽穗期、开花期、灌浆前期和灌浆后期叶片相对含水量分别与NDVI、OSAVI、R/ND、TDc-a和TDc-a拟合效果较好,决定系数分别为0.842、0.884、0.831、0.864和0.945;预测模型的均方根误差分别为0.019、0.016、0.027、0.032和0.024,相对误差分别为2.16%、1.80%、3.30%、3.81%和3.53%。因此,在拔节期、抽穗期、开花期、灌浆前期和灌浆后期,可以分别利用NDVI、OSAVI、R/ND、TDc-a和TDc-a估测冬小麦叶片相对含水量。 相似文献
4.
多光谱与热红外数据融合在冬小麦产量估测中的应用 总被引：1，自引：0，他引：1
为了解多光谱与热红外数据融合对冬小麦产量估测精度的影响,以30个黄淮麦区冬小麦品种为材料,利用三种灌溉处理（处理1、处理2和处理3灌水量分别为240、190和145 mm）下冬小麦拔节期、挑旗期、抽穗期与灌浆期的无人机多光谱和热红外动态数据,构造了多个光谱指数,以支持向量机构建冬小麦产量估测模型,并验证其精度。结果表明,植被指数与籽粒产量的相关性受溉水量影响,处理1下植被指数与籽粒产量均呈正相关,处理2下植被指数除土壤调整植被指数（SAVI）和转化叶绿素吸收反射指数（TCARI）外均与籽粒产量呈正相关,处理3下植被指数与籽粒产量均呈负相关。通过多光谱和热红外数据融合构建的冬小麦产量估测模型的预测精度比仅使用多光谱数据构建的模型提高8%。不同灌溉条件下,通过多光谱与热红外数据融合构建的模型的预测精度存在差异,在处理1、处理2和处理3下拔节期、挑旗期、抽穗期和灌浆期验证决定系数（R）最高值分别为0.63、0.68和0.56,均方根误差（RMSE）最低值分别为0.60、0.24和0.41 t·hm-2,且在三种灌溉条件下灌浆期预测效果均最佳。因此,利用无人机光谱对小麦品种产量估测时应将多光谱与热红外数据融合,用支持向量机（SVM）算法构建产量估测模型,且模型在灌浆期具有较高预测 精度。 相似文献
5.
基于上部叶片叶绿素荧光参数的小麦产量预测与评价 总被引：5，自引：0，他引：5
为了利用叶绿素荧光快速测定技术实时评价植株光合生产能力以及预测小麦籽粒产量,以豫麦49-198和郑麦9694为试验材料,设置0、90、180、270 kg·hm-24个氮素水平,通过2014-2016年连续两个生长季的田间试验,在小麦主要生育阶段同步测定植株顶部四片完全展开叶的净光合速率（Pn）、叶绿素荧光参数及叶面积。结果表明,Pn和叶绿素荧光参数因生育时期、氮素水平和叶片位置的不同呈现规律性变化。叶绿素荧光参数Fm′、Fv′、Fv′/Fm′ 和 Fs与Pn 相关性较好,且相关系数（r）均随叶位的降低而降低,其中,Fm′与Pn的相关性最好。将叶面积与对应的净光合速率和叶绿素荧光参数组合出光合性状累积量指标,与Pn 相比,光合累积量与产量的相关性显著提高。组合顶部四片叶,光合累积量与产量相关性在灌浆前期表现最好（r=0.875）。光适应下荧光参数累积量与产量的相关性表明,顶部两片叶的相关性较单叶片或其他叶位组合均表现较好,相关系数在不同荧光参数、生育时期间差异均较大,以Fm′表现最好,其次是Fv′;生育期间比较,孕穗期至灌浆中期整体较好。总体而言,在灌浆前期,顶部两片叶的Fm′累积量能够较好地预测小麦籽粒产量,为小麦生长诊断和田间管理提供技术支持。 相似文献
6.
水稻产量的准确估算在农业生产中具有重要意义。本文通过无人机搭载多光谱传感器,获取水稻主要生育期冠层光谱信息,通过提取不同生育期8种植被指数与水稻产量的实测值建立拟合关系,筛选出最优植被指数和最佳的无人机遥感作业时期,建立水稻估产模型。结果表明,水稻生长前期不适合估产,抽穗期至成熟期估产效果好。最佳估产生育期是水稻抽穗期,基于该时期的植被指数NDVI、RVI、DVI、GNDVI、MSAVI2建立的多元线性模型估测效果较好,验证精度佳。因此,利用无人机多光谱数据对水稻产量进行估测是可行的。 相似文献
7.
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
8.
为进一步深化作物长势遥感监测机理与方法,给大田管理及时提供信息与技术,结合2011-2013年定点观测试验,以HJ-1A/1B数据为遥感影像源,研究了返青期冬小麦主要生长指标、籽粒品质参数和产量间及其与遥感变量间的定量关系,分别构建及评价基于HJ-1A/1B影像遥感变量的返青期叶面积指数、生物量、SPAD值和叶片含氮量监测模型。结果表明,返青期,归一化植被指数（NDVI）、比值植被指数（RVI）、蓝光波段反射率（B1）和RVI可分别作为监测冬小麦叶面积指数、生物量、SPAD和叶片含氮量的敏感遥感变量,所构建的遥感监测模型可靠且精度较高,模型的决定系数（R2）分别为0.62、0.56、0.46和0.58,均方根误差（RMSE）分别为0.42、452.3 kg·hm-2、4.39和0.54%。同时,对冬小麦不同等级主要生长指标进行遥感监测并制图,量化表达了主要生长指标区域空间分布。 相似文献
9.
为进一步探究利用中低分辨率影像监测小麦苗情的机理，丰富小麦长势动态监测的模式，结合2017-2018年定点观测试验，以GF-WFV数据为遥感影像源，研究了孕穗-开花期冬小麦主要长势变化量参数和产量及其与植被指数变化量间的定量关系，以逐步回归方法筛选目标长势变化量参数，分别构建及评价基于GF-WFV影像遥感植被指数变化量的孕穗-开花期叶片含氮量变化量和叶绿素含量变化量监测模型。结果表明，冬小麦叶片含氮量变化量（ΔLNC）和叶绿素含量变化量（ΔCHL）与产量密切相关，而孕穗-开花期的归一化植被指数变化量（ΔNDVI）、比值植被指数变化量（ΔRVI）分别与ΔLNC和ΔCHL相关性最好，因此选择这两个植被指数变化量作为敏感参量构建冬小麦长势监测模型。经验证，基于ΔNDVI和ΔRVI构建的长势线性模型可靠且精度高，其决定系数分别为0.70和0.64，均方根误差分别为0.39%和0.08 mg·L-1FW。基于预测模型和实测数据分级量化表达冬小麦长势的空间分布状况，能够很好实现了基于GF-WFV时相影像长势不同等级的遥感监测。 相似文献
10.
为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares,PLS)、极限学习机(extreme learning machine,ELM)和粒子群算法(particle swarm optimization,PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其R2和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%~75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为变量的PSO-ELM模型可实现对冬小麦叶片水分含量的精准预测。 相似文献
11.
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
12.
县域冬小麦生物量动态变化遥感估测研究 总被引：1，自引：0，他引：1
为给生产管理中及时掌握县域冬小麦长势的动态变化提供有效手段,以江苏省沭阳县为研究区,基于冬小麦生物量形成的生理生态过程,重构冬小麦生物量遥感估测模型。选用两景不同时相的HJ星影像数据,利用植被指数反演的LAI数据,对冬小麦生物量模型进行参数修订,并对县域冬小麦拔节期生物量的空间分布进行估测。在此基础上,进一步估测冬小麦抽穗期生物量分布特征及其动态变化特点。结果表明：（1）冬小麦拔节期生物量估测值和观测值范围分别为2 054.3~4 828.3 和1 962.5~4 568.4 kg·hm-2 ,平均值分别为3 148和3 045.5 kg·hm-2 ,RMSE为214.8 kg·hm-2 ,决定系数为0.919 1,表明冬小麦生物量模型模拟精度较好;（2）冬小麦抽穗期生物量较拔节期发生明显变化,其中长势变化快的田块面积为20 108.7hm,占总种植面积的23.4%。春季气候因素的转好以及肥水措施的实施对冬小麦营养与生殖共生阶段的生长起到明显促进作用。说明本研究提出的基于遥感反演信息与生长模型协同的冬小麦生物量估测方法能有效估测县域冬小麦不同生长时期生物量的空间分布及其动态变化。 相似文献
13.
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
14.
粮棉轮作模式下播期播量对棉茬小麦生长发育和产量的影响 总被引：1，自引：0，他引：1
为明确粮棉轮作两年三熟模式下棉茬小麦适宜的播期和播量,采用田间裂区试验,研究了不同播期(10月15日、10月25日和11月5日)和播量(187.5kg·hm~(-2)、225.0kg·hm~(-2)、262.5kg·hm~(-2)和300.0kg·hm~(-2))对小麦生长发育、产量及其相关性状的影响。结果表明,在拔节期,小麦叶面积随着播期的推迟而下降;在孕穗期,10月25日播期时,播量过大(300.0kg·hm~(-2))会降低小麦叶面积;在扬花期,11月5日播期时,播量过小(187.5kg·hm~(-2))会降低小麦叶面积。随着播期的推迟,小麦生物量逐渐降低,且随小麦生长发育推移,播期对小麦生物量的影响程度逐渐降低。晚播可以提高小麦灌浆期旗叶叶绿素含量,延缓叶片衰老。播期推迟会降低小麦拔节期、扬花期和成熟期的茎蘖数,播量增加会提高小麦的茎蘖数。随着播期的推迟,小麦的成穗数下降,从而导致产量降低。穗数对小麦的产量贡献最大。增加播量使小麦穗粒数和千粒重下降,但穗数增加,所以相同播期时,播量对小麦的产量没有显著影响。本试验中,以播期10月15日、播量262.5kg·hm~(-2)产量最高。建议棉茬小麦适当早播,如果播期推迟,则应适量提高播量以保证产量。 相似文献
15.
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
16.
基于临界氮浓度稀释曲线的小麦氮肥需求量估测研究 总被引：3，自引：0，他引：3
为探究基于临界氮浓度稀释曲线估测小麦氮素需求量的可行性,基于不同生态区开展的不同品种及氮肥水平的小麦试验,结合小麦临界氮浓度曲线(N_c=4.16W~(-0.41)),构建了拔节期、孕穗期、抽穗期和开花期四个关键生育时期下,小麦氮营养指数(NNI)、氮素需求量(NR)及相对产量(RY)三者间的关系模型,并进行了验证。结果表明,在江苏地区,当总施氮量在120～180kg·hm~(-2)时,小麦的氮素需求量最接近于0,氮营养指数最接近于1,为最优的氮素施用量。氮营养指数与氮素需求量(NNI-NR)在小麦生长的各关键阶段存在极强的线性关系(R~2=0.93～0.97);相对产量与氮营养指数(RY-NNI)在各生育时期呈现线性加平台关系,在开花期表现最好,R~2=0.86;相对产量与氮素需求量(RY-NR)的拟合关系在抽穗期表现最好,R~2值为0.72。NNI-NR验证结果与建模结果一致,即在各时期均表现良好,其中拔节期相关关系最强;但RY-NNI和RY-NR验证结果显示两模型分别在开花期和抽穗期预测效果表现最佳。综上,所构建的NNI-NR、RY-NNI和RY-NR三种模型均具有良好的拟合优度和稳定性,运用基于临界氮浓度曲线的小麦氮营养指数和确立的相对产量水平,可以较好地估测当季的小麦氮素需求量,并进行小麦田间氮素精确管理。 相似文献
17.
为筛选出高产高效的小麦品种,以陕西关中平原现行栽培以及新育成的15个主要小麦品种为材料,通过大田试验,在两个施肥处理下(不施肥,推荐施肥),研究不同小麦品种的产量、氮磷效率差异及其内在生理机制。结果表明,在施肥和不施肥条件下,部分小麦品种间的产量均存在显著差异,其中,施肥条件下小麦产量为2 757.5～4 589.5kg·hm~(-2),不施肥条件下小麦产量为1 928.3～3 065.8kg·hm~(-2)。无论施肥与否,部分小麦品种间氮、磷效率均差异显著。施肥条件下,小麦产量与收获指数、穗粒数呈极显著正相关;而不施肥条件下,小麦产量仅与穗粒数呈极显著正相关。相关性分析结果显示,施肥条件下,品种间产量高低与开花期旗叶碳氮比有关;而不施肥条件下,品种间产量高低与叶绿素相对含量和旗叶衰老速率有关。在施肥条件下,品种间氮、磷利用效率的高低主要与可溶性糖转运量、开花期旗叶碳氮比及其衰老速度有关;而不施肥情况下,品种间氮、磷利用效率主要与收获指数有关。从最佳产量和实际生产考虑,在推荐施肥条件下高产高效品种有伟隆121和伟隆123。 相似文献