共查询到17条相似文献，搜索用时 151 毫秒
1.
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
2.
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：40，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
3.
基于高光谱反射率的棉花冠层叶绿素密度估算 总被引：8，自引：3，他引：5
为了进一步提高棉花叶绿素密度高光谱估算精度,该研究以棉花冠层叶绿素密度以及冠层高光谱反射率为数据源,在分析叶绿素密度与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、已有光谱指数及全波段组合指数相关性的基础上,采用线性及多元逐步回归技术构建了叶绿素密度高光谱诊断模型,系统对比分析了以上4种光谱形式用于棉花冠层叶绿素密度诊断的精度。结果表明:1)基于一阶导数光谱反射率的估算模型精度明显优于原始光谱反射率;2)基于比值指数或归一化指数形式的估算模型精度及稳定性要优于单波段或多波段的线性模型;3)单波段变量DR756、全波度组合比值指数DR635/DR643以及归一化指数(DR1055-DR684)/(DR1055+DR684)均可较好的实现叶绿素密度估算,其中由DR635/DR643为自变量的模型所得到棉花冠层叶绿素密度估算值与实测值拟合最好,相关系数达到0.821。该研究可为高光谱技术在棉花冠层叶绿素密度诊断中的更好应用提供参考。 相似文献
4.
基于分数阶微分光谱指数的小麦条锈病遥感监测模型构建 总被引：1，自引：1，他引：0
为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于小麦条锈病的遥感探测。研究结果表明,1.2阶次微分光谱与小麦条锈病冠层病情严重度的相关性最高,较原始反射率光谱、一阶微分光谱和二阶微分光谱分别提高了20.9%、3.9%和20.5%;基于分数阶微分光谱指数的最优分数阶次及其对应波长构建的三波段分数阶微分光谱指数对小麦条锈病的探测能力优于两波段分数阶微分光谱指数,其中分数阶微分光化学指数与冠层病情严重度的相关系数达到0.875;以分数阶微分光谱指数为自变量构建的高斯过程回归（Gaussian Process Regression,GPR）模型对小麦条锈病冠层病情严重度的预测精度优于反射率光谱指数,其训练数据集及验证数据集病情指数（Disease Index,DI）预测值和实测值间的决定系数较反射率光谱指数分别提高了3.8%和19.1%,该研究结果对进一步实现作物健康状况大面积高精度遥感监测具有重要意义。 相似文献
5.
利用高光谱和GF-1模拟多光谱进行土壤有机质预测和制图研究 总被引：4，自引：1，他引：3
利用土壤有机质(SOM)高光谱数据和模拟GF-1多光谱影像的波段响应函数生成的宽波段多光谱模拟数据,对比高光谱预处理和构建土壤植被指数,探索模拟GF-1光谱预测SOM的潜力。研究表明,SOM的一阶微分高光谱和模拟GF-1光谱数据构建的土壤指数与SOM的相关性最好。PLSR建模分析表明采用一阶微分高光谱数据可以很好的对SOM进行预,而且模型稳健(R2=0.962,RPD=4.87);模拟GF-1光谱也可以较好的进行SOM的预测,但是模型的稳定性相对较差R2=0.557,RPD=1.43。同时,SOM制图的空间分布表明,采用一阶微分光谱数据和模拟GF-1数据预测得到的SOM含量与实测的SOM表现出相似的空间分布特征。这为采用多光谱数据进行大尺度、大范围的SOM预测提供了基础。 相似文献
6.
针对红树林叶面积指数（Leaf Area Index,LAI）实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机（Unmanned Aerial Vehicle,UAV）和哨兵二号（Sentinel-2A,S2）多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法（XGBoost、前馈反向传播神经网络（Back Propagation,BP）、支持向量机（SVM）、岭回归（Ridge）、Lasso和弹性网络（ElasticNet））对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明：1）基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R2均高于0.70,RMSE均低于0.349;2）在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度（R2）比其他5种模型分别提高了0.105～0.365和0.283～0.540,RMSE降低了0.100～0.392和0.102～0.518;3）UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合（R2=0.821、RMSE=0.288）,Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合（R2=0.940～0.979、RMSE=0.142～0.104）,不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4）SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度（R2=0.677～0.713）均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。 相似文献
7.
关中地区夏玉米抽穗期叶绿素含量的高光谱估算 总被引：2，自引：0，他引：2
[目的]利用高光谱数据进行叶绿素估算,为快速获取作物的生长信息、生长诊断及精确管理提供依据。[方法]基于陕西省关中地区抽穗期夏玉米冠层光谱特征及叶绿素含量的测定,运用线性及非线性分析方法建立了基于原始光谱敏感波段和一阶微分光谱敏感波段叶绿素估算模型。[结果]夏玉米抽穗期反射光谱在可见光及中远红外区域,叶绿素含量越高,光谱曲线越向下偏移;在红边区域,叶绿素含量对光谱曲线影响不显著;在近红外波段,叶绿素含量越高,光谱曲线越向上偏移。基于一阶微分光谱敏感波段的夏玉米叶绿素含量估算模型拟合精度要优于基于原始光谱敏感波段估算模型,决定系数R2分别为0.81和0.60,均方根误差(RMSE)分别为2.39,4.41。[结论]基于一阶微分光谱敏感波段建模分析是估测抽穗期夏玉米冠层叶绿素含量的重要方法,对指导西北地区夏玉米种植与生产具有积极的借鉴意义。 相似文献
8.
基于棉花红边参数的叶绿素密度及叶面积指数的估算 总被引：4，自引：2，他引：2
利用野外非成像高光谱仪,测试棉花两个品种4种配置种植方式两年关键生育时期的冠层反射光谱数据,应用光谱微分技术,获取棉花微分光谱680～750 nm波段的红边参数：红边面积（SDr）、红边斜率（Dr）以及红边位置（λr）变量;将棉花红边面积、红边斜率分别与其冠层叶绿素密度（CH.D）、叶面积指数（LAI）进行相关分析,它们的相关性均达到1%极显著水平,其中红边面积与叶绿素密度的相关性最好（RCH.D=0.8787**,n=137）;并且红边面积较红边斜率对叶绿素密度、叶面积指数的预测精度更高。以棉花新陆早13号和19号为建模样本,通过红边面积与叶绿素密度的线性相关模型,分别反演新陆早13号、19号冠层叶片的叶绿素密度,结果表明对这两个棉花品种的叶绿素密度估算精度分别达87.4%和83.3%,说明高光谱红边参数是估算棉花叶绿素密度和叶面积指数的一种简单、快捷、非破坏性的有效方法。 相似文献
9.
无人机影像反演玉米冠层LAI和叶绿素含量的参数确定 总被引：6，自引：4，他引：2
小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便，可以按需获取高空间分辨率影像，是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题，该研究以DJI S1000+无人机为平台，搭载法国Parrot Sequoia相机，获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像，采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数，所构建的植被指数包括归一化植被指数（normalized difference vegetation index，NDVI）、叶绿素指数（grassland chlorophyll index，GCI）、比值植被指数（ratio vegetation index，RVI）、归一化红边红指数（normalized difference rededge-red index，NDIrer）、归一化红边绿指数(normalized difference rededge-green index，NDIreg)和重归一化植被指数(renormalized difference vegetation index，RDVI)，通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析，以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数，以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现，在分辨率为0.6 m时，NDVI与地面实测LAI之间的决定系数R2为0.80，决定系数达到了最大，利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73；在分辨率为0.1 m时，NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70，决定系数达到了最大，利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说，不包含绿波段的植被指数的LAI反演精度较高，这说明绿波段对LAI的变化不敏感；② 对于玉米冠层叶绿素含量反演来说，包含红边波段的植被指数的反演精度较高，因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m，此时NDVI与实测LAI的决定系数达到最大；反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内，此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。 相似文献
10.
基于低空无人机成像光谱仪影像估算棉花叶面积指数 总被引：14，自引：6，他引：8
农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。 相似文献
11.
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
12.
基于无人机高光谱遥感的冬小麦叶面积指数反演 总被引：22，自引：12，他引：10
叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。 相似文献
13.
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
14.
基于高光谱图像的茶树LAI与氮含量反演 总被引：5，自引：4，他引：1
为了对茶树进行实时、快速、无损的叶面积指数LAI和氮含量检测,该文以英红九号茶树为试验对象,利用便携式高光谱成像仪采集光谱数据、人工破坏性采摘叶片进行叶面积指数的计算以及传统化学方法测量叶片氮含量,比较不同高光谱特征变换形式与LAI和氮含量之间的相关性,并选择其中相关系数较高的高光谱特征变量作为自变量,分别采用线性、指数、对数和抛物线表达式建立LAI和氮含量的回归模型。结果显示:在多种高光谱数据变量建立的模型中,以绿峰反射率R_g为自变量的对数拟合模型最佳,其拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。以植被指数变量VI_4(红边面积/黄边面积)与氮含量建立的指数模型为最佳建模效果,拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.830 3和0.102 9,研究结果可为茶树叶面积指数LAI和营养成分的无损检测提供参考。 相似文献
15.
水稻冠层光谱反射特征及其与叶面积指数关系研究 总被引：5，自引：0，他引：5
在水稻试验小区,通过人为控制的方法造成施N水平的差异,对水稻整个生长期内冠层光谱进行了比较系统、密集的测定,并测定了水稻几个重要生育期的叶面积指数。结果表明:随着施N水平的提高,水稻冠层光谱在各生育期呈现出一定的规律性,在近红外部分(760 ~ 1220 nm),冠层光谱反射率随着施N水平的提高而升高,而在可见光部分(460 ~ 710 nm),水稻冠层的光谱反射率反而逐渐降低。冠层光谱经差异显著性检验发现:水稻灌浆期以前,对施N水平最为敏感的波段是绿光(560 ~ 610 nm)和近红外(710 ~ 760 nm)部分;转换为归一化植被指数(NDVI)以后,差异最显著的是 (R760 - R560) / (R760 R560)。对叶面积指数与冠层光谱反射率的相关分析结果表明:在水稻抽穗期以前,叶面积与冠层光谱反射率相关性较差;而抽穗期以后,二者有较好的相关性。 相似文献
16.
基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较 总被引：4，自引：3，他引：1
高光谱遥感反演LAI时,由于实际样本数远小于光谱维数,易导致基于全谱段建立的模型不稳定。针对该问题,该文提出将基于原始光谱反射率与LAI相关性和基于光谱曲线特征的2种波段选择方式分别与主成分回归(PCR)或偏最小二乘回归(PLSR)结合的高光谱维数约简方法,估算冬小麦LAI。并选择归一化植被指数(NDVI)、增强型植被指数(EVI)、重归一化植被指数(RDVI)、修正土壤调节植被指数(MSAVI)和三角形植被指数(TVI)5种代表性植被指数,利用2009、2010年实测大田冬小麦冠层高光谱和LAI数据,将提出的基于维数约简的方法与基于植被指数的LAI估算方法进行了比较,独立样本集验证结果和交叉验证结果均表明,提出的基于维数约简的方法比基于植被指数方法的估算精度高,在交叉验证结果中,基于维数约简的方法R2最高达到0.818,相应RMSE为0.685。该研究可为后续基于高光谱的LAI估算提供参考。 相似文献
17.
通过两年两个不同品种水稻在不同供氮水平下的田间试验，测定了水稻冠层在生长过程中不同时期的高光谱反射率及对应的叶绿素、类胡萝卜素含量，分析了微分光谱对消除水稻冠层光谱的背景影响和植被指数在农学参数测定中的作用。结果表明：由微分光谱所得的红边位置、红边斜率与盖度和供氮水平之间有一定的相关性，与叶面积指数、地上生物量及冠层叶绿素、类胡萝卜素含量有显著相关；水稻多光谱植被指数RVI、NDVI与叶面积指数LAI及其地上部生物量之间有极显著相关性；高光谱植被指数及其变量与植被盖度、供氮水平、叶面积指数、地上生物量及叶绿素、类胡萝卜素含量之间存在相关性。这表明，用微分光谱技术与植被指数方法来监测水稻的色素含量和长势应该是可行的。 相似文献