共查询到20条相似文献，搜索用时 15 毫秒
1.
无人机热红外反演土壤含水率的方法 总被引：1，自引：0，他引：1
以不同生育期夏玉米为对象,讨论无人机热红外反演夏玉米田土壤含水率的精度及反演方法.利用无人机获取试验区的可见光和热红外图像.通过可见光图像提取冠层掩膜并叠加在热红外图像上提取玉米冠层温度,分析冠层温度的变化趋势及与叶面积指数(LAI)的相关性.最后,利用冠气温差的相反数与叶面积指数构建了一个新指标(DTL),讨论了冠气温差或DTL指标反演土壤含水率的准确性.结果表明:冠层温度随着土壤含水量的增加而降低,夏玉米LAI在一定程度上可以表征冠层温度;对比4个时期的数据,发现冠气温差反演效果在灌溉后较好(如2次灌后R2分别为0.614 6和0.463 7);与冠气温差相比,DTL指标可以提高土壤含水量反演的精度,如0~20 cm深度的R2从0.614 6和0.463 7提高到0.661 6和0.485 0.该研究对热红外反演夏玉米田间土壤含水率方法进行了新的尝试. 相似文献
2.
无人机多源光谱反演大田夏玉米叶面积指数 总被引：1，自引：0，他引：1
《灌溉排水学报》2021,40(8)
【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P0.000 1水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R~2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R~2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。 相似文献
3.
不同冠层阻力模型在夏玉米蒸散发计算中的优化应用 总被引：1，自引：0，他引：1
《灌溉排水学报》2021,(6)
【目的】更精确地估算怀来地区夏玉米蒸散量(ET)。【方法】利用怀来站点2013年的气象数据与涡度相关数据,分别采用最小二乘法与蚁群算法优化冠层阻力Jarvis模型(JA模型)和耦合表层阻力模型(CO模型)中的经验参数,使用BP神经网络模型分析冠层阻力(r_c)对各气象因子的敏感程度。再利用2014年的气象数据计算ET,并以涡度相关系统实测的ET为标准验证参数优化的结果。【结果】①r_c对各影响因子敏感程度从大到小顺序为:R_nLAIθTVPD。②使用蚁群算法优化的CO模型拟合r_c结果最好(R~2=0.89,RMSE=410.90s/m,d=0.88)。③使用蚁群算法优化后的CO模型模拟ET精度最高(R~2=0.72,RMSE=1.07 mm,d=0.75)。【结论】R_n和LAI是影响夏玉米r_c的主要因素,使用蚁群算法优化CO模型中的参数,可以获得精度最高的r_c拟合结果和ET估计值,可为夏玉米精量用水提供理论依据。 相似文献
4.
基于热红外遥感影像的作物冠层温度提取 总被引：1，自引：0，他引：1
热红外影像较难直接提取作物冠层区域,因而无法获得较精准的作物冠层温度。本文以拔节期的玉米为研究对象,利用六旋翼无人机搭载热红外成像仪和大疆精灵四Pro无人机,获得热红外影像及正射影像。基于高分辨率正射影像,采用改进的Canny边缘检测算子、支持向量机(Support vector machine,SVM)和小波变换3种方法提取玉米冠层区域,将提取结果进行二值化处理后,在热红外影像中以此生成掩膜并提取玉米冠层温度。应用提取的矢量面分析提取效果并对3种提取算法的精度进行评价。实验结果表明,改进的Canny边缘检测算子提取效果最优、SVM算法次之、小波变换最差,提取精度分别为87. 3%、74. 5%、68. 2%。同时,将手持测温仪测得的玉米冠层温度与提取的冠层温度进行误差分析,结果表明,基于改进的Canny边缘检测算子提取的玉米冠层温度与地面实测值相关性最高,决定系数R~2=0. 929 5,SVM算法决定系数R~2=0. 895 7,小波变换决定系数R2=0. 876 0。改进的Canny边缘检测算子能够更好地提取玉米冠层区域,获取更加精确的玉米冠层温度,从而能够更有效地监测玉米生理状况,进行旱情预测,制定合理的灌溉、施肥措施以提高玉米产量。 相似文献
5.
为探究无人机多源遥感影像估算玉米叶面积指数(Leaf area index, LAI)垂直分布，在田间设置了密度和播期试验，在7个生育时期利用无人机采集了可见光、多光谱和热红外影像并同步获取玉米LAI垂直分布数据。同时，为合理制定无人机飞行任务，分析了不同飞行高度和不同太阳高度角下获取的无人机影像对估算玉米LAI的影响。基于无人机影像提取的与玉米LAI相关性较高的植被指数、纹理信息和冠层温度等特征，利用7种机器学习方法分别构建了玉米冠层不同高度LAI估算模型，从中选取鲁棒性强的2个模型用于分析在不同飞行高度和不同太阳高度角下估算LAI的差异。研究结果表明，MLPR和RFR模型对玉米LAI估算鲁棒性最强，全生育期下模型rRMSE为11.31%(MLPR)和11.42%(RFR)。玉米冠层LAI垂直分布估算误差，所有模型的平均rRMSE分别为9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。对于玉米穗位叶及以下部位的LAI估算误差均在20%以下，得到了较好精度。同时，在不同飞行高度和太阳高度角试验中可以得出... 相似文献
6.
应用Shuttleworth-Wallace模型对夏玉米农田蒸散的估计 总被引：3，自引：1，他引：2
根据夏玉米生长季内逐时波文比系统观测资料和主要生育期的作物资料,以波文比-能量平衡法(BREB法)得到的蒸散量为实测值,对比研究了Shuttleworth-Wallace模型(以下简称S-W模型)、Penman-Monteith模型(以下简称P-M模型)对蒸散估计的差异。S-W模型因考虑了土壤蒸发,估算的逐时逐日蒸散值均比P-M模型有更好的精度。在作物生长前期,LAI(<2.0)较低,应用S-W模型在稀疏冠层下估算的蒸散量高于P-M方程,更接近于实测值,与实测值的相关系数更高,RMSE值低。随着LAI的增大,冬小麦冠层密闭,S-W模型和P-M方程估算的蒸散与实测值均相接近,二模型均有良好表现。对S-W模型的各阻力参数进行敏感性分析,分析结果表明,应用S-W模型时,模型对阻力参数冠层气孔阻力最为敏感,土壤表面阻力次之,作物冠层高度与参考高度间空气动力学阻力敏感程度居中,对地表与冠层高度间空气动力学阻力、冠层内边界阻力不敏感。在应用已有经验关系式时,特别需要注意对冠层气孔阻力、土壤表面阻力这二阻力参数中经验系数的合理确定。 相似文献
7.
无人机热红外遥感反演玉米根域土壤含水率方法研究 总被引：1，自引：0，他引：1
为了减少土壤背景带来的干扰,更加准确、高效的获取无人机热红外图像中的玉米冠层温度,进而快速反演玉米地土壤含水率,以4种水分梯度处理的拔节期玉米为研究对象,借助无人机可见光和热红外图像,采用RGRI指数法、Otsu阈值法和不剔除土壤背景3种处理方法提取热红外图像中玉米冠层温度信息,计算作物水分胁迫指数(Crop water stress index,CWSI)并用于反演不同水分梯度处理下玉米地不同深度的土壤含水率,基于3种方法获得的CWSI分别记为CWSIRGRI、CWSIOtsu、CWSIsc.结果表明:①基于RGRI指数法获取的玉米冠层温度与实测冠层温度的相关性最高(R2均大于0.8;RMSE均小于1℃),Otsu方法次之,不剔除土壤背景方法效果最差.②在整个拔节期,CWSIRGRI反演土壤含水率效果最好(R2均大于0.5,P<0.01;效果显著),CWSIOtsu次之、CWSIsc反演效果最差.③选取CWSIRGRI为最优CWSI指标,其在玉米拔节期5个土壤深度内的R2呈现先上升后下降的趋势且都在0～30 cm深度内达到最大值.因此,基于RGRI指数法建立的CWSIRGRI可以作为反演玉米地土壤含水率的有效指标. 相似文献
8.
<正> 为评价Bartholic-Namken-wiegand法(1970)由冠层温度估算白天的作物腾发量,分别对小麦(冬季)和绿豆(夏季)在生育期内进行了试验观测,在正午至下午2时之间任意时刻观测冠层温度,11天的观测结果表明,单独用冠层温度就可以估算出白天的作物腾发量,与波温比法相比误差27％(偏低)。波温比法估算的白天作物腾发量(ET_0)与Bartholic-Namken-wiegand法估算的 相似文献
9.
冠层温度是反映作物蒸散的重要指标,基于2006-2011年冬小麦田间试验资料,分析了小区及冠层尺度K-p模型参数的差异,对比了两种冠层温度表达式的冬小麦蒸散量计算模型的模拟效果,得到了基于冠层温度变化的冬小麦蒸散模型.结果表明:不同尺度(小区和冠层)K-P模型参数存在一定差异,冠层阻抗(rc)与临界阻抗(r*)的比值和临界阻抗(r*)与空气动力学阻抗(ra)的比值呈显著线性关系,且与冠层尺度K-P模型参数的差异小于不同尺度(小区和冠层)K-P模型参数的差异.以冠层温度的表达式(rc/ra、rc/r*)计算的作物蒸散量与采用田间水量平衡计算的作物蒸散量呈显著线性关系,以rc/ra参与计算的作物蒸散量明显高于田间实测值,而以rc/r*参与计算的作物蒸散量与田间实测值更为接近.因此,以rc/r*代替rc/ra参与作物蒸散量的计算更能反映田间冬小麦蒸散变化过程. 相似文献
10.
基于双作物系数法的新疆覆膜滴灌夏玉米蒸散量估算 总被引：1，自引：0，他引：1
为评估双作物系数法计算干旱区部分覆膜滴灌条件下夏玉米蒸散量的可靠性,于2016—2017年在新疆阿克苏地区开展了夏玉米蒸散量测坑试验研究,试验根据定灌水周期（W1、W2、W3）和变灌水周期（W4、W5）共设置5个处理,并分别采用稳定碳同位素法和水量平衡法,对双作物系数模型计算的夏玉米蒸腾量和蒸散量进行了验证。结果表明,双作物系数法计算的蒸散量与水量平衡法测定的蒸散量呈现出较好的相关性,全生育期蒸散量模拟值与实测值的均方根误差在10mm左右。双作物系数法计算的蒸腾量与稳定碳同位素法测得的耗水量亦呈现出较好相关性,模拟值与实测值的均方根误差在20mm左右。通过回归系数（b）、一致性指数（d）及均方根误差〖JP3〗（RMSE）的分析,认为双作物系数法可以估算并区分局部覆膜滴灌条件下干旱区夏玉米蒸散量,且2016年和2017年夏玉米全生育期内估算土壤蒸发量分别占蒸散量的21.33%和23.97%,作物蒸腾量分别占蒸散量的78.67%和76.03%。 相似文献
11.
为快速准确估算农田蒸散量,利用24个群集式蒸渗仪,在国家节水灌溉北京工程技术研究中心大兴节水灌溉试验站进行了两年的灌溉试验,获得冬小麦-夏玉米生育期的日内冠气温差和实际日蒸散量(ET_a)等数据,对不同水分处理下的S-I蒸散量估算模型进行率定及验证,并分析模型特征参数a、b的变化规律及两者的差异。结果表明:冬小麦的S-I模型特征参数a在日间随时间变化先增大、后减小,在严重水分胁迫处理时a为负值、且数值较小,其余灌溉处理时参数a由正值逐渐变化至负值;不同灌水处理b均为负值,充分灌溉处理时b在日间随时间变化逐渐增大,严重水分胁迫处理时b相对较大,日间变化趋势不稳定。水分胁迫对夏玉米模型参数的影响程度低于冬小麦,特征参数a均为正值,参数b均为负值,且随时间变化逐渐增大;水分胁迫处理时b变化范围明显小于其他两个处理,干旱处理特征参数日间变化较大。冬小麦与夏玉米不同处理之间模型参数a、b变化差异较大,但冠层温度和空气温度差T_c-T_a与日蒸散量和日净辐射量差ET_d-Rn_d间拟合精度都在13:00时最高,此时充分灌溉冬小麦和夏玉米的模型参数a、b分别为1.082、-1.127和1.588、-1.363。利用率定的S-I模型计算冬小麦和夏玉米主要生育期ET_d与实测ET_a之间的决定系数R~2均在0.7以上,均方根误差RMSE均小于0.89 mm/d,一致性系数d均在0.9以上。尤其是充分灌溉处理的数据间R~2和d均较高,RMSE小于其他处理,说明水分胁迫影响模型的估算精度,S-I模型能够更准确地估算水分胁迫较少农田的蒸散量。 相似文献
12.
无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下，利用无人机多光谱植被指数估算夏玉米LAI的可行性，本研究基于无人机多光谱遥感系统，结合同时期实地采集的夏玉米LAI，选择5种植被指数，包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI），作为模型输入参数，使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型，并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明，在充分灌溉条件下，植被指数的多元线性回归模型可以较好地估算LAI（R2 = 0.83）；在水分胁迫条件下，植被指数的随机森林回归模型可以较好地估算LAI（R2 = 0.74~0.87），水分胁迫因素对该模型影响较小，且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术，使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。 相似文献
13.
夏玉米降雨冠层截留过程及其模拟 总被引：1，自引：0，他引：1
《灌溉排水学报》2015,(7)
为探明夏玉米不同生长阶段的降雨冠层截留过程,采用模拟降雨法测定了不同生长阶段、不同降雨强度夏玉米冠层下穿透雨量、茎秆流量,并基于水量平衡法量化分析了冠层截留,分别探讨了三者与其影响因素之间关系,阐明了夏玉米降雨冠层截留分布特征。结果表明,随玉米生长发育,穿透雨率先降低后增大,茎秆流率和冠层截留率则先增加后减少;茎秆流量、冠层截留量均与叶面积指数(LAI)显著线性正相关,而穿透雨量与LAI显著线性负相关。茎秆流量、穿透雨量均与雨强显著线性正相关,而冠层截留量与雨强呈显著的幂函数关系;茎秆流率、冠层截留率随雨强的增大而略有下降,而穿透雨率则随雨强的增大而略有增大。通过多元回归分析,建立的基于LAI、降雨强度和降雨历时3个参数的夏玉米次降雨冠层截留特征量估算方程的相关性均达到极显著水平。 相似文献
14.
土壤水分监测对掌握农作物的生长状态至关重要。本研究为了在玉米作物的主要生育期有效地反演田间土壤含水量。本文以无人机平台获取的热红外遥感影像作为数据源,基于热惯量法反演田块尺度的土壤含水量。通过建立土壤热惯量与土壤含水量之间的线性回归模型,在试验田进行模型精度验证。结果表明,在实际农田环境中基于热惯量方法反演土壤含水量时,随着灌溉水平的提高其反演精度先升高后下降。模型在不同灌溉水平下反演土壤含水量的精度验证结果为:R~2=0.71,RMSE=3.09%。热惯量法具有较高的土壤含水量反演精度,为基于无人机热红外遥感田间土壤含水量监测提供了参考。 相似文献
15.
针对玉米叶片反射太阳光时因镜面反射导致获得的无人机影像反射率中存在与冠层结构无关的镜面反射部分,从而影响玉米冠层LAI的反演精度问题,本研究利用小波变换对无人机影像不同波段的阈值设置,在不影响漫反射的前提下削弱镜面反射成分,尽量只保留与冠层结构有关的反射率成分。以2018年7月15日和7月26日获取的河北农业大学辛集试验站多光谱无人机影像为数据源,构建了NDVI、GNDVI、SAVI和EVI 4个植被指数,并分别与ln(LAI)构建玉米冠层的单变量反演模型,利用决定系数和均方根误差进行LAI反演精度评价。精度评价结果表明,在7月15日玉米植株较稀疏时,去除镜面反射后,4个植被指数反演LAI与实测LAI的决定系数分别从0. 719 0、0. 559 8、0. 624 1、0. 598 5上升至0. 763 3、0. 694 0、0. 649 7、0. 619 4,均方根误差分别从0. 224 4、0. 252 6、0. 221 4、0. 224 5下降到0. 188 0、0. 195 8、0. 191 8、0. 198 7,说明去除镜面反射可以提高LAI的反演精度。在7月26日玉米植株相对茂密时,去除镜面反射后,4个指数构建模型对应的决定系数也同样提高,但在这种情况下,NDVI和GNDVI容易发生饱和,用阈值法降低反射率反而会加剧饱和现象,使这2个指数不能充分反映LAI的变化。SAVI和EVI因为加入了冠层背景调整因子,植被指数的变化得到放大,二者在去除镜面反射后与ln(LAI)拟合模型的决定系数都达到0. 6以上,因此,在植被覆盖较茂密时,SAVI指数和EVI指数更适合用于LAI反演。 相似文献
16.
采用作物系数法和PM模型估算南京地区玉米田蒸发蒸腾量 总被引：2，自引：0，他引：2
蒸发蒸腾量(ET)是农田水平衡中的重要环节,ET的准确估算有助于提高农田水分管理水平。在测定农田小气候、土壤蒸发和玉米生长旺季液流量基础上,比较了单作物系数法(Kc法)、双作物系数法(Kcb法)、不同冠层阻力计算的Penman-Monteith模型(PM1和PM2法)估算南京地区玉米田ET的适用性,并对玉米整个生育期ET变化及其影响因素进行分析。结果表明以液流法和土壤蒸发测定的总ET为基准,PM1方法估算的夏玉米ET误差最小,与实际测定ET的决定系数(R2)、平均绝对误差(MAE)和一致性指数(d)分别为0.52、0.8 mm/d和0.48。以PM1模型估算的夏玉米全生育期ET为310mm,日均ET为3.16mm/d,最大值出现在拔节期和抽穗期,整体变化呈单峰型。ET与气象因素响应顺序为净辐射饱和水汽压温度风速。本研究可为优化玉米田水资源管理和提高水资源有效利用提供参考。 相似文献
17.
《中国农村水利水电》2016,(8)
准确估算农田蒸散量,对于促进节水型农业和旱地农业的发展、科学管理有限的水资源、评估环境变化对农业生态系统的影响等具有重要意义。利用河套灌区解放闸灌域农田连续观测的玉米、向日葵的冠层温度和田间气象要素等数据,采集并计算出Seguin和Itier简化模型中日蒸散量ETd、日净辐射Rnd和冠气温差(Ts-Ta),并对模型中参数a、b进行了回归和拟合,检验其在当地的适用性。结果表明,该简化模型可以用于估算玉米和向日葵的日蒸散量,以每日13∶00时数据拟合效果最优,决定系数R2分别为0.690和0.864;日蒸散量估算模型中玉米田块参数a和b分别为-0.859和-0.116,向日葵田块参数a和b分别为0.548和-0.343。研究结果可为大面积遥感反演区域农田耗水提供参考依据。 相似文献
18.
基于优化PROSAIL叶倾角分布函数的玉米LAI反演方法 总被引：2，自引：0，他引：2
叶面积指数(LAI)是描述玉米冠层结构的重要参数之一,PROSAIL模型是常用于反演LAI的机理模型,能较为真实地反演植被冠层真实情况,但PROSAIL模型中使用的叶倾角分布函数假定区域内所有作物叶倾角分布是相同的,不能反映玉米植株真实的叶倾角分布情况。本研究以高分一号遥感影像和地基激光雷达点云数据作为数据源,充分利用地基激光雷达(TLS)在获取植被结构参数上的优势,通过体素化的方法对玉米叶片回波点云进行分割,获取每个拟合叶片单元的叶倾角,进而得到玉米植株真实的叶倾角分布,结合椭球分布函数得到玉米精确的叶倾角分布函数,实现对PROSAIL模型中叶倾角分布函数的优化。研究过程中分别基于未改进的PROSAIL模型和经过TLS优化后的PROSAIL模型反演黑龙江825农场主要玉米种植区的LAI。LAI反演结果表明:2种反演方法得到的LAI与实测LAI都具有较好的相关性,决定系数R2分别为0.557 6和0.858 3,模型可信度较高;但基于PROSAIL模型反演所得LAI结果偏低,在利用TLS数据提取叶倾角对模型进行优化后,反演LAI的估算精度由26.53%提高到96.23%。由此可知,通过引入TLS点云数据改进农作物叶倾角分布函数能大幅度提高LAI反演的准确性。 相似文献
19.
《中国农机化学报》2021,(4)
配备多光谱相机的无人机可实现对农作物生长状况的快速无损监测,为评估无人机遥感监测高粱作物长势的可行性和准确性,利用无人机搭载的多光谱相机获取高粱拔节期、抽穗开花期、灌浆成熟期多光谱遥感图像,构建常用的4种植被指数与叶面积指数LAI和植被覆盖度FVC之间的回归模型。经过精确度评价,确定归一化差异植被指数NDVI为最优植被指数,LAI-NDVI和FVC-NDVI估算模型的决定系数R~2分别为0.91和0.88,均方根误差RMSE分别为0.28和0.06;平均绝对误差MAPE分别为11%和8%。基于此,选择归一化差异植被指数NDVI,分析LAI和FVC无人机遥感估算值和实测值之间的关系,通过交叉验证得到LAI值:R~2=0.94,RMSE=0.16,MAPE=13%;FVC值:R~2=0.90,RMSE=0.05,MAPE=4%,说明两者存在高度拟合性。结果表明:根据无人机遥感得到的归一化差异植被指数NDVI可准确地估算高粱作物的叶面积指数和植被覆盖度,无人机遥感适用于对高粱作物生长状态的监测。 相似文献
20.
参考作物蒸散量对气象要素的敏感性分析 总被引：4，自引：2，他引：2
为了研究参考作物蒸散量(ET_0)对气象要素的敏感性,利用新乡地区1951―2003年逐日气象资料,由Penman-Manteith公式计算参考作物蒸散量,采用敏感曲线和敏感系数方法分析了参考作物蒸散量对气象要素的敏感性。结果表明,温度、风速和日照时间3种气象要素与ET_0正相关,相对湿度与ET_0负相关。1―12月,相对湿度和风速的敏感系数表现为"先减小后增大"趋势,而日照时间和温度敏感系数表现为"先增大后减小"趋势。在全年中,ET_0对气象要素的敏感程度表现为相对湿度风速日照时间温度;第一、四季度各气象要素在季尺度中的敏感性均为相对湿度风速日照时间温度,第二季度表现为相对湿度日照时间风速温度,第三季度表现为相对湿度日照时间温度风速;冬小麦生育期典型时段内各气象要素敏感性在1、3、10月份均表现为相对湿度风速日照时间温度,5月则表现为相对湿度日照时间风速温度。 相似文献