共查询到17条相似文献，搜索用时 265 毫秒
1.
【目的】研究棉花生育期冠层光合有效辐射截获量(FPAR)与其叶面积指数(LAI)和地上鲜生物量的相关关系,建立FPAR对LAI和地上鲜生物量的估算模型,探讨获取LAI和地上鲜生物量的新方法,为动态监测棉花的生长状况提供科学依据。【方法】利用线性光量子传感器,测试新陆早19号和新陆早13号2个棉花品种4种配置种植方式下,冠层在6个关键生育期的光合有效辐射数据,获取FPAR,并同步实测棉花冠层LAI和地上鲜生物量,建立FPAR与LAI和地上鲜生物量的相关方程,同时比较LAI和地上鲜生物量的估测值与实测值的差异。【结果】2个棉花品种的FPAR随生育进程呈现类似变化规律:在盛蕾期至开花期迅速增加,于花铃期或盛铃期达最大值,随后逐渐下降;棉花FPAR与LAI和地上鲜生物量均达到极显著正相关关系,其中均以幂指数相关关系为最佳(RFPAR-LAI=0.8513**,RFPAR-地上鲜生物量=0.7469**,n=80);用FPAR分别估算的LAI和地上鲜生物量,与其实测值的相关关系均达到1%极显著正相关(R实测LAI-估算LAI=0.8180**,R实测地上鲜生物量-估算地上鲜生物量=0.7396**,n=80)。【结论】棉花FPAR对LAI的估算精度较其对地上鲜生物量的高,表明利用棉花冠层FPAR可以简单、快捷、非破坏性地估测棉花的LAI和地上鲜生物量。 相似文献
2.
通过测试棉花关键生育阶段350～2 500 nm波段的冠层高光谱数据,用近红外波段760～850 nm及红光波段650～670 nm的2个范围内的波段,组成了高光谱归一化植被指数(NDVI)和800和670 nm两个波段组成修改型二次土壤调节植被指数(MSAVI2),分别与棉花叶面积指数(LAI)和地上鲜生物量进行相关分析,结果表明,棉花NDVI和MSAVI2与LAI和地上鲜生物量两个参数均以幂指数相关关系为最佳(RNDVI-LAI=0.729 1·,RMSAVI2-LAI=0.743 6·,n=81;RNDVI-鲜生物量=0.742 6·,RMSAVI2-鲜生物量=0.791 1·,n=59), MSAVI2与LAI和地上鲜生物量的相关性均高于NDVI与LAI和地上鲜生物量的相关性,说明MSAVI2较NDVI能更好的消除土壤背景对反射光谱造成的影响,能较精确的提取反映棉花生长状况的叶面积指数和生物量信息. 相似文献
3.
棉花叶面积指数冠层反射率光谱响应及其反演 总被引：8，自引：1，他引：8
【目的】研究棉花冠层光谱对不同叶面积指数（LAI）的响应，建立棉花LAI光谱反演模型。【方法】利用2003～2004年采集的棉花光谱与LAI的246组数据，分析LAI与冠层反射率光谱和反射率一阶微分光谱间的定量关系。【结果】当LAI大于2.5后不同LAI棉花群体光谱反射率在可见光波段趋于饱和；LAI与可见光波段和短波红外波段（水分吸收带除外）光谱反射率呈显著负相关，与近红外波段高光谱反射率呈显著正相关；LAI与棉花反射率一阶微分光谱主要在蓝边（523～531 nm）、黄边（570～576 nm）、红边（700～755 nm）形成3个相关系数高台区，均达极显著水平，其中红边区的相关性最高。棉花红边位置固定，分别在718 nm和723 nm，且以 723 nm处对LAI更敏感。在反演棉花LAI的高光谱参数中VI (660、800)、VI (550、800)、VI (500、800)、VI (670、800)、Sdy (570～573 nm)、SDr (714～755 nm)、D723、Dr 估算LAI相对误差低于30%，RSME小于0.6，其中VI (600、800)、VI(550、800)两个参数估算水平最高，相对误差分别为21.7%与21.0%，RMSE分别为0.416与0.419；利用SDr与SDr/SDb分别对LAI大于1.0 与小于1.0 的棉花群体反演，能显著提高LAI的估算水平。【结论】应用高光谱分析方法能够提取棉花冠层特征光谱信息，构建LAI高光谱反演参数，建立估算模型，并且利用包含不同光谱参数的分段模型可以进一步提高LAI反演精度。 相似文献
4.
5.
基于新型植被指数的冬小麦LAI高光谱反演 总被引：8，自引：1，他引：7
【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。 相似文献
6.
基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究 总被引：3，自引：1，他引：2
明确基于无人机多光谱遥感的玉米叶面积指数（LAI）和地上部生物量的最优估算模型对获取即时、无损、可靠的长势关键参量具有重要意义。2018—2019年,以郑单958（ZD958）和先玉335（XY335）为研究对象,设置4个施氮处理,通过无人机搭载多光谱相机获取多光谱影像,分析两品种LAI和地上部生物量与植被指数相关性,分别构建了基于植被指数的LAI和地上部生物量预测模型。结果表明：同一植被指数在两品种中对施氮量的变化响应规律不同;在吐丝期,幂函数对ZD958的LAI和地上部生物量估算效果最好,指数函数对XY335的LAI估算效果好,幂函数对地上部生物量估算效果好;在灌浆期,幂函数对两品种的LAI估算效果最佳,而指数函数对两品种的地上部生物量估算效果最好。研究结果为进一步提高春玉米长势监测的精度提供了重要依据。 相似文献
7.
不同水分处理条件下棉花高光谱植被指数与光合参数的相关分析 总被引：1，自引：0，他引：1
《新疆农业科学》2017,(1)
【目的】建立棉花高光谱数据与光合特征参数的相关模型,有效、快速、非破坏的对棉花生长过程进行诊断与监测,为大面积应用高光谱遥感监测棉花的生长状况提供科学依据。【方法】利用ASD高光谱辐射仪和Li-6400光合仪分别获取5水分处理条件下,棉花新陆早13号、新陆早33号两品种关键生育期的高光谱数据和光合特征参数:净光合速率(Pn)和气孔导度(Gs),利用高光谱数据计算得到棉花两品种归一化植被指数(NDVI)、比值植被指数(RVI)和修改型二次土壤调节植被指数(MSAVI2),分别建立与两品种Pn和Gs的线性、对数和幂函数的相关方程。【结果】三种模型方程均达到显著和极显著的相关性,两品种RVI与Pn和Gs的三种相关模型方程的r值较高,其中,利用新陆早33号RVI与Pn,Gs幂函数方程分别对Pn和Gs估算,并将预测Pn、Gs与实测Pn,Gs进行相关分析,R值均达到极显著水平(r_(实测Pn-估测Pn)=0.827**,RMSE=1.089,r_(实测Gs-估测Gs)=0.586**,RMSE=0.138,n=20,P0.01),模型方程的估测精度均大于80%。【结论】不同水分处理下新陆早13号和新陆早33号的光谱植被指数与光合参数间存在着显著的相关性,可以利用相关模型对Pn和Gs进行遥感估测,实时监测棉花的生长状况。 相似文献
8.
通过测试棉花关键生育阶段350-2500nm波段的冠层高光谱数据,用近红外波段760-850nm及红光波段650-670nm的2个范围内的波段,组成了高光谱归一化植被指数（NDVI）及800和670nm2个波段组成修改型二次土壤调节植被指数（MSAVI2）,分别与棉花叶面积指数（LAI）和地上鲜生物量进行相关分析,结果表明,棉花NDVI和MSAVI2与LAI和地上鲜生物量两个参数均以幂指数相关关系为最佳（RNDVI-LAI=0.7346＊＊,RMSAVI2-LAI=0.7436＊＊,n=81;RNDVI-鲜生物量=0.7426＊＊,RMSAVI2-鲜生物量=0.7934＊＊,n=59）,MSAVI2与LAI和地上鲜生物量的相关性均高于NDVI与LAI和地上鲜生物量的相关性,说明MSAVI2较NDVI更好的消除土壤背景等对反射光谱造成的影响,较精确的提取反映棉花生长状况的叶面积指数和生物量信息。 相似文献
9.
关中地区小麦冠层光谱与氮素的定量关系 总被引：4，自引：0，他引：4
【目的】分析不同生育期及整个生育期小麦叶片氮含量(LNC)与冠层光谱反射特征的关系,以实现对田间小麦活体氮素营养状况的监测,为小麦叶片氮素状况的精确诊断提供依据。【方法】以位于陕西关中地区杨凌揉谷镇、扶风马席村和巨良农场的3个小麦试验田为研究对象,测定不同长势及生育期小麦LNC及冠层光谱反射率,分析不同长势下小麦LNC和反射率的变化,并研究氮含量与冠层光谱反射率的相关性,以及小麦LNC与比值植被指数(RVI)、归一化植被指数(NDVI)的相关性,建立小麦LNC的敏感波段及光谱监测模型。【结果】在同一生育期,长势差的小麦叶片氮含量较低,长势较好的叶片氮含量高。与单波段相比,组合波段构成的植被指数RVI、NDVI与LNC的相关性明显提高,近红外波段(730~1 075nm)和红波段630,660,690nm组成组合波段的RVI、NDVI与LNC呈极显著正相关,其中LNC与RVI的相关性较高。利用独立的小麦田间试验数据,采用通用的均方根差(RMSE)、决定系数(R2)、准确度(斜率)3个指标对所建立的模型进行检验,最终选取RVI(970,690)为监测小麦LNC的最佳光谱参数,构建的最佳模型为LNC=0.176 3×RVI(970,690)0.775 6,R2为0.863,RMSE为0.137,准确度为0.979,接近于1。【结论】利用小麦冠层光谱反射率构建了预测小麦LNC的最佳模型,该模型具有较好的准确度和普适性,适用于整个生育期小麦叶片氮含量的监测。 相似文献
10.
为了分析高分一号卫星(GF-1)影像在冬小麦长势监测中的有效性和适宜性,以建湖县冬小麦为研究对象,选取12个植被指数作为遥感监测指标,运用回归分析法探讨遥感监测指标与地面实测冬小麦长势参数的关系,并以回归模型的决定系数(R~2)作为反演精度的评价指标。研究发现,叶面积指数(LAI)、密度和生物量的反演精度较高,其中LAI的反演精度在拔节期最高[监测指标:红蓝色归一化植被指数(RBNDVI),R~2:0.689 4],密度的反演精度在拔节期最高[监测指标:优化的土壤调节植被指数(OSAVI),R~2:0.543 8],生物量的反演精度在孕穗期最高[监测指标:归一化植被指数(NDVI),R~2:0.448 6],说明GF-1影像适合在拔节期进行冬小麦LAI、密度的监测,在孕穗期进行生物量监测。土壤含水量、株高和叶绿素含量(SPAD值)的反演精度较差,最佳回归模型的R~2皆低于0.360 0,说明所选的12个遥感监测指标不适合反演这3个长势参数。除乳熟期外,其他4个生育期中都是LAI的反演精度最高,可见GF-1影像的遥感监测指标与LAI的相关性最好,反演精度最高。本研究结果说明,在进行冬小麦长势监测时,不同的生育期需要采用不同的监测指标,同时GF-1影像则更适合在拔节期和孕穗期进行冬小麦的长势监测。本研究结果在一定程度上为GF-1影像在农情遥感监测中的应用提供了科学依据。 相似文献
11.
为研究冠层归一化差值植被指数(Normalized difference vegetation index,NDVI)在棉花重要生育时期估算棉花产量的可行性,使用GreenSeeker分别对不同灌水施肥条件下棉花光谱反射率NDVI值进行测定优化,建立NDVI值与产量关系数学模型,并对模型精度进行验证。结果显示:不同水氮组合随着生育期的推移棉花冠层NDVI值变化趋势基本一致,都呈"低-高-低"的变化规律;选取在棉花出苗后80、105和140d冠层NDVI值分别与产量进行相关性分析,得出冠层NDVI值与产量具有明显的正相关关系,相关系数分别为R2=0.376 0,0.093 4,0.363 9。利用独立的试验数据对相关性最高的水氮组合棉花出苗后80d的产量模型进行模型验证,其相关系数R2=0.712 6,均方根误差(Root mean square error,RMSE)561.04kg/hm2。因此,棉花出苗后80d的冠层NDVI值可以估测棉花产量。 相似文献
12.
一种基于图像分析提取作物冠层生物学参数的方法与验证 总被引：8，自引：0，他引：8
利用图像分析方法,通过准确识别冠层和背景像素进行棉花冠层生物学产量和叶面积系数估测。采用Olympus C740 Ultra Zoom数码相机拍摄棉花不同生育期冠层图像,在棉花冠层数码照片特征分析的基础上提出了棉花冠层图片计算机自动判读的方法,即混合采用图像色度(H)、绿光(G)、红光(R)灰度值构造提取条件,通过多重判断识别棉花冠层和背景,并编写了相应的计算机程序。利用该程序分析棉花不同施氮量下、不同生育期提取地面覆盖度参数与棉花生物学产量、叶面积系数间的关系,发现棉花冠层地面覆盖度指标可以有效预测棉花生物学产量和叶面积系数,二者间指数相关系数达到r=0.97以上,为极显著相关。 相似文献
13.
基于高光谱的油菜叶面积指数估计 总被引：2，自引：0，他引：2
以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R~2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R~2为0.79,RMSEP为0.60,RPD为2.30;10叶期时红边幅值预测模型R~2为0.92,RMSEP为0.47,RPD为2.36;盛花期时蓝边面积预测模型R~2为0.87,RMSEP为0.34,RPD为2.57;角果期时以RDVI为代表的植被指数也可准确估算出LAI,预测模型R~2为0.74,RMSEP为0.57,RPD为1.36。油菜全生育期采用相同光谱特征参数、植被指数建模估计LAI精度明显降低,预测R~2远小于0.75,RMSEP大于0.65,RPD值均小于1.40,表明难以采用统一参数建模准确估计油菜全生育期LAI,不同生长时期需选择合适的光谱参数、植被指数分段建模估计LAI。 相似文献
14.
新疆北疆棉花多元复合遥感估产模型研究 总被引：2，自引：1，他引：1
[目的]揭示棉花产量与棉花叶面积指数( LAI)、归一化植被指数(NDVI)相关关系,辨识新疆北疆棉花遥感估产最佳时相,建立棉花产量与LAI及NDVI间的多元复合遥感估产模型,为大面积棉花生产管理和估产提供理论参考.[方法]以TM影像为数据源,结合实地调查的棉花LAI、NDVI和产量等数据,对影像数据进行校正,最后用统计学方法分析棉花指数与产量数据间关系和建模.[结果]棉花LAI在各生育期呈先升后降的趋势,花铃期最高,均值为3.69;棉花NDVI在各生育期基本处于稳定的较高水平,棉花生长旺盛,长势较好;棉花蕾期和花铃期LAI与产量呈极显著正相关,花铃期相关系数最高,达到0.75;新疆北疆棉花最佳估产时相为花铃期,最优估产模型为Y=17.76 LAI - 123.05 NDVI +232.15.[结论]利用LAI和NDVI建立多元复合估产模型能有效提高棉花的估产精度. 相似文献
15.
基于高光谱的冬小麦叶面积指数估算方法 总被引：3，自引：0，他引：3
【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。 相似文献
16.
以2010年TM影像为数据源,结合实测叶面积指数(LAI)数据,采用逐步回归方法,分析滁州市森林叶面积指数与植被指数关系并建立估测模型。结果表明:在0.01显著水平下,地面LAI和NDVI、RVI、SAVI的相关性分别为0.899、0.868、0.853;以NDVI为自变量构建的指数函数关系模型与LAI相关系数最高,相关性达0.839,LAI预测精度达78.96%;以NDVI、RVI、SAV为自变量构建的多元线性回归模型与LAI相关性达0.917,LAI估测平均精度达83.36%,符合森林资源监测要求。研究结果为使用遥感数据进行滁州市大面积森林质量监测、森林分布变化提供依据和技术支持。 相似文献
17.
[目的]研究棉花黄萎病叶片氮素含量与高光谱的关系,以期用简便、无损的遥感技术提取病害棉叶氮素含量,为大面积遥感监测棉花病害提供理论依据.[方法]通过小区和大田同步调查棉花黄萎病,在不同生育期测定病叶光谱及其氮素含量.将病叶光谱特征参数与氮素含量进行相关分析,建立病叶氮素含量估测模型并检验.[结果]随着病害严重度的增加,棉叶氮素含量逐渐减小.病叶氮素含量与光谱指数FD731、NDVI[670,890]、DVI[FD554,FD731]、PVI[FD554,FD731]、RDVI[702,758]、RDVI[FD554,FD731]、SAVI、OSAVI、PRI[570,531]、PRI[702,758]、REP、Lo、Depth672和Area672呈极显著正相关,与R550、R680、R702、SD737、DVI[450,560]、NDVI[702,758]、DVI[702,758]、RVI[702,758]、SIPI、TCARI、CCII、PPR[550,450]、Lwidth和ND672均呈极显著负相关,与Dr未达显著相关.选取相关系数较大的光谱参数建立的病叶氮素含量估测模型均达到显著水平,整体上利用DVI[702,758]、PVI[FD554,FD731]和NDVI[702,758]进行氮素含量的估测精度最高,模型的预测的相对误差均小于2;.[结论]考虑到DVI[702,758]建立的模型更为实用,可作为病害棉叶氮素含量的最佳估测模型. 相似文献