共查询到18条相似文献，搜索用时 140 毫秒
1.
基于高光谱遥感的水稻冠层吸收光合有效辐射的估算研究 总被引：2，自引：0，他引：2
利用高光谱遥感数据,对光谱反射率、一阶微分光谱及二阶微分光谱与吸收光合有效辐射（APAR）进行相关分析,并利用反射率、微分光谱、植被指数法研究了水稻冠层APAR的估算效果。结果表明,高光谱反射率、一阶微分光谱及二阶微分光谱的最优波段与APAR的相关性均极显著,一阶微分光谱能够更好的估算APAR,它与APAR在769 nm处的拟合决定系数为05218;5种植被指数所选的最优波段组合拟合方程的决定系数在0.67以上,其中以复归一化差值植被指数（758, 781）估算效果最好,决定系数达0.7585。 相似文献
2.
大豆叶面积指数的高光谱估算模型研究 总被引：1，自引：0，他引：1
通过测试大豆4个生育阶段350～2500nm波段的冠层高光谱数据,用近红外波段760nm-850nm及红光波段650nm-670nm的2个范围内的波段反射率,组成了高光谱比值植被指数（RVI）和800nm和670nm2个波段反射率组成修改型二次土壤调节植被指数（MSAVI2）;基于RVI和MSAVI2植被指数,建立了大豆叶面积指数（LAI）的6种单变量线性与非线性函数模型,经检验均达到1％极显著水平。其中,以RVI所构建洲的幂函数、MSAVI2所构建LAI的指数函数、对数函数估测模型的相关系数相对较高;用MSAVI2所构建的LAI精度较高的对数函数模型反演大豆叶面积指数,实测LAI与估测LAI呈极显著线性相关（R=0．9098^＊＊,n=46）,模型方程的估算精度达84．9％,实测值与估算值的RMSE=0．2420,平均相对误差为0．1510。表明采用高光谱植被指数,能够实时、无损、动态、定量提取大豆叶面积指数,为设计理想的大豆群体和大豆遥感估产提供了科学的依据。 相似文献
3.
及时、准确、快速的进行粮食产量预测预报对指导农业生产和国家制定粮食政策有重大意义。以不同水稻品种和施氮水平为试验因素，进行两因素裂区设计试验，在水稻拔节期、孕穗期和抽穗期测定其冠层光谱反射率，通过筛选出与产量相关性最高的最佳波段组合，计算最优波段组合组成的12种植被指数，并建立了基于单植被指数和多植被指数组合的水稻产量预测模型。结果表明，孕穗期，在401～723 nm波段范围内水稻冠层原始光谱反射率与产量呈显著负相关关系；各植被指数与产量的相关性达到极显著水平。基于单植被指数构建的水稻产量预测模型，以孕穗期线性模型精度最高(R2=0.436,RMSE=874.57 kg/hm2)，最佳植被指数为重归一化植被指数(RDVI)，模型表达式为y=7.7E+05×RDVI((455,456))+1.1E+04；基于逐步回归构建的多植被指数产量预测模型同样以孕穗期表现最佳(R2=0.443,RMSE=861.81 kg/hm2)，最优植被指数为比值植被指数(RVI)、土壤调节型植被指数(... 相似文献
4.
烤烟K326色素含量的高光谱估测研究 总被引：1，自引：0，他引：1
《作物研究》2015,(5)
通过大田试验,研究了烤烟K326叶片色素含量与冠层高光谱之间的关系,构建了以高光谱参数为自变量的烤烟叶片色素含量的诊断模型。结果表明:冠层光谱反射率与叶绿素a、叶绿素b、叶绿素a+b、类胡萝卜素含量显著相关的波段分别有769、797、782和818个,其中90%以上的波段呈显著负相关关系,相关性最高的波段分别为1 846、1 846、1 846和1 843 nm。各色素含量均与高光谱参数SDy的相关性最高,构建的函数模型分别为:y=10373x2+1096.2x+29.803、y=-0.0023x3-0.0256x2+0.0559x-0.0665、y=13387x2+1421x+38.803和y=10.451e76.029x。经差异性检验,估测值和实测值未达到显著水平,表明利用高光谱技术进行烤烟叶片色素含量的监测是可行的,可为烟田科学管理及决策提供技术支持。 相似文献
5.
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
6.
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
7.
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
8.
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
9.
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
10.
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
11.
Accurate estimation of biomass is necessary for evaluating crop growth and predicting crop yield.Biomass is also a key trait in increasing grain yield by crop breeding.The aims of this study were(i)to identify the best vegetation indices for estimating maize biomass,(ii)to investigate the relationship between biomass and leaf area index(LAI)at several growth stages,and(iii)to evaluate a biomass model using measured vegetation indices or simulated vegetation indices of Sentinel 2A and LAI using a deep neural network(DNN)algorithm.The results showed that biomass was associated with all vegetation indices.The three-band water index(TBWI)was the best vegetation index for estimating biomass and the corresponding R2,RMSE,and RRMSE were 0.76,2.84 t ha−1,and 38.22%respectively.LAI was highly correlated with biomass(R2=0.89,RMSE=2.27 t ha−1,and RRMSE=30.55%).Estimated biomass based on 15 hyperspectral vegetation indices was in a high agreement with measured biomass using the DNN algorithm(R2=0.83,RMSE=1.96 t ha−1,and RRMSE=26.43%).Biomass estimation accuracy was further increased when LAI was combined with the 15 vegetation indices(R2=0.91,RMSE=1.49 t ha−1,and RRMSE=20.05%).Relationships between the hyperspectral vegetation indices and biomass differed from relationships between simulated Sentinel 2A vegetation indices and biomass.Biomass estimation from the hyperspectral vegetation indices was more accurate than that from the simulated Sentinel 2A vegetation indices(R2=0.87,RMSE=1.84 t ha−1,and RRMSE=24.76%).The DNN algorithm was effective in improving the estimation accuracy of biomass.It provides a guideline for estimating biomass of maize using remote sensing technology and the DNN algorithm in this region. 相似文献
12.
通过“永浩”浸种液浸种和清水浸种，研究了不同浸种时间对花生产量及叶绿素含量的影响。结果表明，利用“永浩”浸种液浸种2h处理的花生出苗率、有效分枝数、饱果数、百果重、百仁重、成熟期的叶绿素含量以及产量均最高。使用浸种液浸种，花生的产量与浸种时间呈极显著抛物线相关（y＝-0.50175x2＋23.914x＋219.64，r＝0.9921＊＊）；使用清水浸种的花生产量与浸种时间呈极显著负相关（y＝-4.00945 x＋219.91，r＝0.9937＊＊）。 相似文献
13.
为推动光谱遥感在快速无损监测花生生长中的应用，明确监测花生叶面积指数（leaf area index，LAI）和地上部生物量（aboveground biomass，AGB）的最优植被指数及适宜的核心波段带宽。设置2个花生品种、4个施氮水平的花生田间试验，在不同生育时期（苗期、开花下针期、结荚期、成熟期）用Analytical Spectral Devices（ASD）公司生产的FieldSpec HandHeld 2型野外高光谱辐射仪，采集325~1075 nm范围冠层反射光谱，筛选敏感植被指数，并研究核心波段带宽对其监测叶面积指数（LAI）和地上部生物量（AGB）时精度的影响。结果显示，对花生LAI和AGB敏感的植被指数均为归一化红边指数（normalized difference red edge），即NDRE（λ790, λ720）。进一步分析这一指数的监测精度随波段带宽的变化，发现监测LAI时，核心波段带宽（bandwidth，b）在（λ790：1~33 nm，λ720：41~59 nm）范围内时能使NDRE（λ790, λ720）保持较高监测精度，其中带宽组合（λ790：33 nm，λ720：53 nm）的带宽和值最大，对核心波段带宽的要求最低，利用其构建监测模型时决定系数（determination coefficient，R2）为0.7482，利用独立试验数据检验模型时相对均方根误差（relative root mean square difference，RRMSE）为13.88%。监测花生AGB时，核心波段带宽在（λ790：1~101 nm，λ720：19~101 nm）范围内时能使NDRE（λ790, λ720）保持较高的监测精度，其中带宽和值最大的核心波段带宽组合为（λ790：89 nm，λ720：89 nm），其建模R2为0.7103，检验RRMSE为20.42%。综上，在花生整个生长进程中，可用上述两个具有不同核心波段带宽的植被指数NDRE（λ790-b33, λ720-b53）和NDRE（λ790-b89, λ720-b89）分别对LAI和AGB进行监测，监测模型为LAI = 0.0296 × exp（14.365×NDRE）和AGB = 0.6240 × exp（20.222×NDRE）。在核心波段适宜带宽上的研究结果，可以为花生长势光谱监测设备研发及评估提供参考。 相似文献
14.
基于冠层高光谱遥感的杂交水稻植被指数氮素营养诊断模型 总被引：2，自引：0，他引：2
以杂交水稻为研究对象,进行两因素裂区试验,主区为品种,副区为施氮水平,分析了4个植被指数（VIs）分别与叶片氮素含量（LNC）、叶片氮素积累量（LNA）和地上部氮素积累量（APNA）之间的相关性,并建立了以VIs为自变量的氮素营养诊断模型。结果表明,4个VIs和LNC、LNA之间均存在决定系数大于0.7的波段区域且波段区域一致,4个VIs和APNA之间的决定系数均较低,仅在0.2左右;比值植被指数（RVI）和LNC之间的决定系数最大值为0.886,对应的波段组合为 694 nm和763 nm;垂直植被指数（PVI）和LNC之间的决定系数最大值为0.869,对应的波段组合为 864 nm和483 nm;差值植被指数（DVI）和LNC之间的决定系数最大值为0.883,对应的波段组合为1 292 nm和1 258 nm;归一化植被指数（NDVI）和LNC之间的决定系数最大值为0.881,对应的波段组合为1 296 nm和1 220 nm。最佳的氮素营养诊断模型为叶片氮素含量诊断模型,其模型表达式为LNC=1E+03NDVI2- 132.55NDVI+3.72,建模集R2、RMSE和RE分别为0.879、0.357%和16.267%,测试集R2、RMSE和RE分别为0.895、0.331%和15.136%。 相似文献
15.
采用自然病圃鉴定法,对76个花生品种（系）进行了花生果腐病抗性评价,以期为抗病育种及田间病害防
治提供理论依据和抗性材料。结果表明,不同花生品种间对花生果腐病的抗性存在着显著差异,供试76份花生品
种（系）中未发现对果腐病免疫的品种,获得高抗品种2个,抗病品种7个,中抗品种12个,感病品种21个,高感品种
33个。聚类分析结果表明,分支I中的9个品种（尤其是花育9115）抗性较好,可进一步加以利用。花生对果腐病的
抗感性与荚果鲜重之间不存在显著相关。 相似文献
16.
为探明密度对单粒精播花生群体冠层结构及产量的影响,大田条件下,以花育22为供试花生品种,设置
每穴单粒和双粒2种播种方式,9万穴/hm2（D1）、12万穴/hm2（D2）和15万穴/hm2（D3）3个种植密度,研究了密度对花
生冠层透光率、冠层叶面积系数、叶片干重及农艺性状的影响。结果表明,随密度的增加,冠层中下部的透光率降
低,单粒播冠层透光率大于双粒播。D1密度下,花生冠层中上部的叶面积系数、叶片干重单粒播低于双粒播,冠层
中下部高于双粒播,而D2和D3密度条件下,冠层叶面积系数、叶片干重单粒播与双粒播差异不显著。随密度的增
加,花生主茎高、侧枝长和公顷果数显著增加,而单穴果数减少,单粒精播侧枝数多于双粒播。随密度的增加,花生
荚果产量呈先升高后降低的趋势,12万穴/hm2的种植密度荚果产量最高,单粒精播花生产量略高于双粒播。总之,
合理密植是花生高产的重要措施,与双粒穴播相比,单粒精播花生冠层下部透光率和叶面积系数高,侧枝多、饱果
率高,是实现花生高产高效的重要措施。 相似文献
17.
冬小麦叶面积指数的品种差异性与高光谱估算研究 总被引：2，自引：0，他引：2
为给小麦叶面积指数（LAI）的高光谱估算提供技术支持,基于2年大田试验,以4个河南主推品种为材料,对小麦LAI和冠层光谱变化特点、估算模型及其品种间的差异等进行了系统分析。结果表明,在生育期内不同冬小麦品种冠层光谱反射率的变化与LAI变化有差异;在相同LAI下,不同冬小麦品种的光谱曲线存在差异。利用400~900 nm范围内冠层光谱反射率的任意两波段组合的比值光谱指数（RSI）、归一化差值光谱指数（NDSI）和差值光谱指数（DSI）所建立的单品种模型以及不同品种综合模型的决定系数（r）均达到0.84以上,单品种模型的r和调整r分别较综合模型高出3.1%~4.8%和2.0%~4.2%。利用独立于建模样本以外的数据对上述模型进行检验,单品种模型预测的r较综合模型提高了0.6%~11.0%,而均方根误差降低了10.0%~37.0%。因此,在利用高光谱遥感技术估算冬小麦LAI时,可以通过建立单品种模型来提高估算精度。 相似文献
18.
基于冠层反射光谱的夏玉米叶片色素含量估算模型研究 总被引：2，自引：0，他引：2
通过分析不同施氮水平下夏玉米叶片色素含量与冠层光谱反射率及其衍生的比值植被指数(RVI)、归一化植被指数(NDVI)、正交植被指数(MTVI2、MCARI2、SAVI、MSAVI)以及叶绿素吸收比值指数(CARI)之间的关系,建立夏玉米叶片叶绿素a(Chla)、叶绿素b(Chlb)、叶绿素a+b(Chl a+b)和类胡萝卜素(Car)含量估算模型。结果表明:NDVI与夏玉米叶片色素含量的相关性最好,RVI、RVI、CARI位居其次。通过逐步回归分析确立的夏玉米叶片Chla、Chlb、Chl a+b及Car含量的估算模型R2分别为0.790 8、0.832 4、0.808 8和0.761 7,说明利用冠层NDVI可以对夏玉米叶片Chla、Chlb、Chl a+b和Car含量进行可靠的监测。 相似文献