共查询到17条相似文献，搜索用时 187 毫秒
1.
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
2.
基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究 总被引：6，自引：0，他引：6
为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。 相似文献
3.
基于多载荷无人机遥感的大豆地上鲜生物量反演 总被引：1，自引：0，他引：1
以多载荷无人机获取数据和地面实测的数据为基础,将大豆生殖生长期分段建模,采用植被指数和光谱参数相结合再加上农学参数株高,通过最小二乘法建立多元线性回规模型的方法,来估算大豆开花期和结荚期的鲜生物量,采用高光谱植被指数法估算大豆鼓粒期和成熟期的鲜生物量。结果表明:在大豆开花期和结荚期内,采用混合法构建生物量反演模型利用交叉验证法,验证结果的R~2和RMSE分别为0.714和0.393;在大豆鼓粒期和成熟期内,采用高光谱植被指数法构建生物量反演模型,利用交叉验证法,验证结果的R~2和RMSE分别为0.697和0.386;大豆开花结荚期构建的模型和鼓粒成熟期构建的模型都有比较高的精度和可靠性,利用这两种模型完成了高光谱影像鲜生物量的遥感空间制图,能反映当地当时大豆的真实长势情况。 相似文献
4.
为在空间尺度上实现冬小麦LAI地面观测与遥感观测直接匹配,从1 m×1 m范围的实测LAI出发,通过优化采样方法扩展得到16 m×16 m范围的冬小麦LAI,然后利用空间分辨率为16 m的高分1号卫星的多光谱数据计算样本点的植被指数,建立其与冬小麦LAI的拟合模型,从四种植被指数的拟合模型中挑选表现最好的LAI估测模型,获得16 m×16 m尺度的LAI分布图,并经过重采样聚合为250 m×250 m尺度的LAI格点图,从而实现从地面点测量数据到卫星尺度数据的扩展。检验结果表明,16 m×16 m和250 m×250 m两个研究区域模拟点值和实测点值的相对误差分别为4.18%和3.64%,说明这种尺度扩展方法是科学可行的。 相似文献
5.
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
6.
基于HJ-1A/1B影像的冬小麦开花期主要生长指标遥感定量监测研究 总被引：2，自引：0，他引：2
为建立冬小麦开花期生长状况的遥感监测方法和技术,结合2011-2013年定点观测试验,以环境减灾卫星HJ-1A/1B数据为遥感影像源,着重分析了样本试验区冬小麦开花期主要生长指标间及其与籽粒品质、产量和卫星遥感变量间的定量关系,分别构建及评价基于HJ-1A/1B影像遥感变量的开花期叶面积指数、生物量、SPAD值和叶片含氮量监测模型。结果表明,在冬小麦开花期,作物氮反应指数(NRI)、绿色归一化植被指数(GNDVI)可分别作为监测冬小麦叶面积指数和生物量的敏感遥感变量,结构加强色素植被指数(SIPI)和SIPI可作为监测冬小麦SPAD值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,模型的决定系数(r2)分别为0.73、0.69、0.62和0.61,均方根误差(RMSE)分别为0.79、1 068kg·hm-2、4.66和0.42%。利用遥感数据绘制的冬小麦开花期主要生长指标遥感监测等级分布空间量化表达图与实际相符。 相似文献
7.
为了解决作物长势遥感监测中星机协同性问题，在田块尺度上通过设置小麦氮素和灌溉梯度试验，在各关键生育时期测定SPAD和LAI两个长势指标并获取无人机遥感数据，构建小麦长势多光谱监测模型，并将优化的波段比值修正法与Sentinel-2A影像结合进行模型升尺度应用。结果表明，在拔节期、孕穗期、开花期和灌浆期，分别利用Clgreen、Clrededge、OSAVI和OSAVI构建的三次函数、指数函数、指数函数和幂函数对小麦SPAD的拟合效果最佳，升尺度应用至孕穗期、开花期和灌浆期卫星遥感监测后验证精度均较好；上述四个生育时期分别利用Clgreen、Clrededge、DATT和OSAVI构建的幂函数、二次函数、指数函数和指数函数对LAI拟合效果最佳，升尺度应用验证精度均较好。基于该星机协同方法对咸阳市冬小麦长势进行监测发现，2021年武功县、兴平市、三原县等区域小麦各生育时期长势均较优，永寿县、淳化县、彬州市等地的小麦长势均较差。这说明通过对无人机和卫星遥感影像融合方法的完善，可提高冬小麦长势监测中星机协同性。 相似文献
8.
为给作物的田间管理决策提供参考依据,本文以国家精准农业研究示范基地2013-2014年的冬小麦试验为基础,设置常规推荐施氮（NM,施氮量150 kg·hm-2）、不施氮（CK）、饱和施氮（BH,施氮量为NM处理的150%）、基于SPAD的变量施氮（S）、基于Dualex的变量施氮（D）、基于Multiplex的变量施氮（M）、基于光谱参数OSAVI的变量施氮（A）等8个处理,采用常规统计与地统计分析法探索植株氮素累积量与生物量的时空变化特征,并分析变量施肥对植株氮素累积的影响。结果表明,冬小麦生育期内植株氮素累积量与生物量整体呈上升趋势,在起身期二者变异系数分别为31.32%和28.64%,收获期分别为16.38%和 15.20%;在开花与灌浆期,8个处理间植株氮素累积量差异没有达到极显著水平（P>0.01）;在拔节期与挑旗期,不同处理间生物量差异也均没有达到极显著水平（P>0.01）;在其他时期,CK、BH、NM、A、D处理间二指标的差异均极显著（P<0.01）。地统计分析表明,试验区小麦在开花期植株氮素累积量普遍较低,其块基比为 40.53%,变程为80 m,具有强烈的空间自相关性;灌浆期与收获期空间植株氮素累积量分布较连续,块基比分别为45.84%和43.60%,变程分别为62.9 和67.0 m,西部累积量高于东部;起身期、拔节期、挑旗期植株氮素累积量空间分布差异大,块基比分别为55.14%、57.59%和72.74%,变程分别为28.9、41.3和31.9 m,南部含量高于北部;生物量在起身期、开花期、收获期空间分布图连续性强,挑旗期块基比为69.22%,变程最小,为10.4 m,空间分布差异大,拔节期与灌浆期块基比分别为64.59%和72.04%,变程分别为34.5 和27.3 m,有中等程度的空间自相关性;试验区在起身期南部生物量大于北部,开花期、灌浆期与收获期西部生物量高于东部。 相似文献
9.
基于成像高光谱仪的大豆叶面积指数反演研究 总被引：1，自引：0，他引：1
高光谱遥感能连续获取地物光谱图像,这一技术能大大提高估算叶面积指数的水平。利用无人机搭载成像高光谱仪获取作物光谱信息反演叶面积指数对精准农业生产与管理意义重大。通过灰色关联度排序、赤池信息量准则和偏最小二乘法(GRA-PLS-AIC)选择了三角植被指数(TVI)、比值植被指数(RVI)、红边植被指数(NDVI705)、归一化植被指数(NDVI)和重归一化植被指数(RDVI)5种植被指数,结合田间实测的叶面积指数数据,采用经验模型构建多指数反演模型。通过无人机为平台同步搭载数码相机和成像高光谱仪,在山东省嘉祥县一带获取了大豆生殖生长期内的遥感影像,同时利用LAI-2200C植物冠层分析仪进行叶面积指数测定,将获取到的遥感影像和地面实测数据进行叶面积指数的反演。结果表明:在大豆生殖生长期内建多指数模型,建模结果的预测值和实测值的R~2和RMSE分别为0.701和0.672,验证结果的R~2和RMSE分别为0.695和0.534,预测模型有比较高的精度和可靠性,利用该模型来反演LAI是准确的,生成的大豆LAI分布图能反映当地当时大豆的真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和成像高光谱仪组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,构建的多指数模型适用于大豆生殖生长期。 相似文献
10.
基于机器学习算法的冬小麦不同生育时期生物量高光谱估算 总被引：1，自引：0，他引：1
为探索适用于冬小麦不同生育时期的高光谱估算方法,基于4年大田试验,以江苏省主要冬小麦品种为材料,以8种对常用生物量敏感的高光谱指数为基础,分别采用偏最小二乘算法、支持向量回归算法、随机森林算法在冬小麦4个主要生育时期(抽穗期前、抽穗期、开花期和灌浆期)进行了高光谱生物量估算和预测能力比较。结果表明,在冬小麦不同生育时期,高光谱估算生物量精度差异显著;利用随机森林构建的生物量估算模型在4个生育时期均表现出很好的效果,决定系数(r^2)和均方根误差(RMSE)在抽穗期前分别为0.79和44.82 g·m-2,在抽穗期分别为0.71和62.07 g·m-2,在开花期分别为0.70和97.63 g·m-2,在灌浆期分别为0.71和106.98 g·m-2;随机森林模型在4个生育时期的预测能力都高于或接近于支持向量回归模型,高于偏最小二乘回归模型,r^2和RMSE在抽穗期前分别为0.60和72.54 g·m-2,在抽穗期分别为0.60和75.07 g·m-2,在开花期分别为0.68和109.9 g·m-2,在灌浆期分别为0.61和127.93 g·m-2。这说明随机森林算法在冬小麦不同生育时期生物量高光谱遥感估算方面具有较高的精度和稳定性。 相似文献
11.
基于遥感信息和WOFOST模型参数同化的冬小麦单产估算方法研究 总被引：4，自引：0，他引：4
为探讨遥感信息和作物生长模型在作物估产方面的优势互补特性,选取河北省藁城市冬小麦作为研究对象,采集多个关键生育时期的生理生化、农田环境、气象等数据,并获取准同步的环境减灾小卫星HJ-CCD影像数据,采用植被指数反演冬小麦叶面积指数（LAI）,基于扩展傅里叶振幅灵敏度检验法(EFAST)对WOFOST作物模型的26个初始参数进行全局敏感性分析,筛选敏感性参数,调整WOFOST模型的核心参数,利用查找表优化算法构建基于WOFOST模型和遥感LAI数据同化的区域尺度冬小麦单产预测模型,并定量预测区域冬小麦单产水平。结果表明,增强型植被指数（EVI）是遥感反演LAI的最佳植被指数(开花期建模r=0.913,RMSE=0.410,灌浆期建模r=0.798,RMSE=0.470),预测能力最强(开花期r=0.858,RMSE=0.531,灌浆期r=0.861,RMSE=0.428);筛选出6个待优化参数,即TSUM1、SLATB1、SLATB2、SPAN、EFFTB3和TMPF4;产量预测精度r=0.914,RMSE=253.67 kg·hm-2,找到了待优化参数的最佳取值,最终完成了单产模拟。 相似文献
12.
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
13.
为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F7代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型。结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量。相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数（r2）为0.74,平均均方根误差（RMSE）为517.78 kg·hm-2。相对于决策树（DT）、随机森林（RF）、支持向量机（SVM）三种传统机器学习算法,岭回归（RR）算法预测产量的精度最高,平均r2为0.73,平均RMSE为516.1 kg·hm-2。与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r2高达0.77,RMSE也较低。SVM 、RF、DT、RR四种机器学习算法和RGB、ASD、UAV、UGV四个传感器构成的算法-传感器集成方法的预测精度提升,r2为0.79,RMSE降至469.98 kg·hm-2。因此,利用Stacking集成方法将不同算法、传感器进行结合,能够有效地提高冬小麦产量预测精度。 相似文献
14.
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
15.
冬小麦叶片花青素相对含量高光谱监测 总被引：1，自引：0，他引：1
为探究冬小麦叶片花青素含量的高光谱监测方法,以陕西省关中地区冬小麦为研究对象,分析了叶片光谱反射率与花青素含量的相关性,建立以不同波段组合的RSI、DSI和NDSI光谱指数为自变量的一元回归模型以及利用偏最小二乘法构建的多元回归模型,并进行模型精度比较。结果表明,所有模型中,开花期的PLS模型精度最高,预测效果最好(建模r~2=0.872 3,RMSE=0.005 9;检验r~2=0.912 8,RMSE=0.004 8),是预测冬小麦花青素的最优模型;各生育时期中,开花期模型精度较高,表现稳定,是预测冬小麦花青素的最佳生育时期。 相似文献
16.
基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算 总被引：1，自引：0，他引：1
为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。 相似文献
17.
为了解连续小波转换对利用冬小麦冠层高光谱数据反演叶片含水量精度的提高效果,以河北省衡水市安平县为研究区,基于野外高光谱数据,提取、筛选其光谱特征敏感波段,应用光谱指数、连续小波变换进行光谱处理,并采用偏最小二乘法构建冬小麦叶片含水量的定量反演模型。结果表明,连续小波变换可明显凸显冬小麦冠层光谱特征,提升其对叶片含水量的敏感性。在连续小波变换下,基于1尺度构建的冬小麦叶片含水量的反演模型为最优模型,模型的决定系数(r~2)和RMSE分别为0.756和0.994%,独立样本验证时r~2和RMSE分别为0.766和1.713%,说明反演模型的拟合效果和预测精度均较高。因此,利用连续小波变换可将冠层光谱信息进行二次分配,能有效将有益信息与噪声信息进行分离,提升光谱信息对冬小麦叶片水含量的敏感性,增强冬小麦叶片水含量的预测能力与稳定性。 相似文献