共查询到18条相似文献，搜索用时 187 毫秒
1.
基于优化指数的玉米冠层含水量遥感估测 总被引：1，自引：0，他引：1
对北京怀柔县EO–1 Hyperion高光谱数据进行波段筛选和植被含水量指数计算,采用耦合叶片与冠层辐射传输模型对水分指数(WI)、归一化差值水分指数(NDWI)、归一化植被指数(NDVI)、水应力指数(MSI)、归一化差值近红外指数(NDII)和冠层结构(CSI)的玉米冠层含水量估测能力进行分析,在不同理化参数的敏感性分析的基础上,将MCARII和NDWI进行整合,以完成玉米冠层含水量估测。结果表明,NDVI和CSI不能对玉米冠层含水量进行估测,NDII、WI、NDWI、MSI对玉米冠层含水量估测的R2值均大于0.78,但估测的RMSE值均在0.015附近,造成估测结果具有很强的不确定性;优化后的归一化水分指数(M–NDWI)能够有效地排除叶面积指数的干扰,显著改善玉米冠层含水量的估测效果。 相似文献
2.
基于不同土壤质地的小麦叶片氮含量高光谱 差异及监测模型构建 总被引：2，自引：0，他引：2
【目的】叶片氮素状况是小麦生产中精确施氮管理与调控的前提,实时无损监测叶片氮素状况对小麦生产管理具有重要意义。本文旨在综合分析不同环境下小麦冠层光谱响应差异,进而构建其估测模型,为小麦氮肥合理运筹提供技术支持。【方法】本研究基于3种不同土壤质地（砂土、壤土和黏土）、5种不同施氮水平（0、120、225、330和435 kg•hm-2）及3种河南省主栽小麦品种（矮抗58、周麦22和郑麦366）连续2年的大田试验,于小麦主要生育时期同步测定冠层光谱反射率和叶片氮含量,对3种不同土壤质地条件下小麦冠层叶片氮含量的高光谱响应差异进行比较,系统分析350—1 050 nm 波段范围内任意两波段组合而成的差值（DSI）、比值（RSI）及归一化差值（NDSI）光谱指数与叶片氮含量的量化关系,并建立估算模型。【结果】冠层光谱反射率在不同施氮水平和不同生育时期下存在明显差异,但趋势基本一致;比较3种土壤质地小麦冠层光谱反射率大小表现为：黏土＞壤土＞砂土,可以反映小麦实时田间长势。通过系统分析3种土壤质地小麦冠层反射光谱与对应叶片氮含量间的定量关系,表明在可见光和近红外区域均有较好的相关性,但敏感波段区域有所不同。对3种质地获取的样本进行系统分析表明,砂土、壤土和黏土质地小麦叶片氮含量分别以光谱指数NDSI（FD710,FD690）、DSI（R515,R460）和RSI（R535,R715）建模结果表现最好,决定系数分别达到0.88、0.87和0.87。经不同年份独立资料检验结果显示,基于上述光谱指数估测小麦叶片氮含量的预测决定系数分别为0.87、0.85和0.77,预测均方根误差分别为0.31、0.32和0.26。【结论】利用光谱参数NDSI（FD710,FD690）、DSI（R515,R460）和RSI（R535,R715）为自变量建立的估测模型分别可以较好地预测砂土、壤土和黏土3种质地小麦叶片氮含量。 相似文献
3.
冬小麦冠层水平叶绿素含量的高光谱估测 总被引：1，自引：0，他引：1
【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测,旨在为叶绿素含量快速准确估测提供参考。【方法】利用ASD便携式野外光谱仪和SPAD-502叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量,并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析,建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型,并进行检验,从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦(抽穗期)叶绿素含量估算模型拟合精度优于其他4种估算模型,决定系数R2分别为0.847和0.572,均方根误差RMSE分别为0.397和0.697,相对误差RE分别为61.0%和119.0%,拟合精度优于其他4种估算模型。【结论】原始光谱一阶导数的偏度和峰度作为自变量能很好地估测抽穗期小麦冠层叶绿素含量。 相似文献
4.
小麦籽粒蛋白质含量高光谱遥感预测模型比较 总被引：1，自引：0，他引：1
【目的】利用高光谱遥感技术实现冬小麦籽粒蛋白质含量的精准预测,比较筛选小麦籽粒蛋白质含量预测模型,实现优质小麦栽培生产。【方法】设置不同品质类型小麦品种和施氮量处理,测定开花期叶片叶绿素含量（SPAD）、叶片干物质质量（LDW）、地上生物量（AGB）、叶片氮含量（LNC）、叶片氮积累量（LNA）、叶面积指数（LAI）、植株氮含量（PNC）、植株氮积累量（PNA）和氮营养指数（NNI）9个农学参数及小麦冠层光谱,通过一阶导数和偏最小二乘法,构建基于不同农学参数的小麦籽粒蛋白质含量高光谱预测模型。【结果】一阶导数处理可以提高光谱数据与农学参数的相关性。运用偏最小二乘法构建的高光谱农学参数估测模型中以SPAD的模型建模精度与验证精度相对较优,建模集决定系数R2与预测集标准均方根误差nRMSE分别为0.99和4.10%;NNI反演模型验证结果较好,相对预测偏差RPD为2.04;利用线性回归构建的农学参数-籽粒蛋白质预测模型中以LNC的建模精度与验证精度最佳,其建模集R2、预测集均方根误差RMSE和RPD分别为0.64、0.79和2.11。最终构建的“... 相似文献
5.
不同类型土壤的光谱特征及其有机质含量预测 总被引：18，自引：1，他引：17
【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。 相似文献
6.
小麦叶层氮含量估测的最佳高光谱参数研究 总被引：12，自引：3，他引：9
【目的】作物体内氮素状况是评价长势和预测产量的重要指标。小麦植株氮素营养的快速监测和无损诊断对于精确氮素管理具有重要作用。本文旨在通过对高光谱信息的精细分析和信息提取,探索建立小麦叶片氮含量（LNC,leaf nitrogen content）估算的最佳波段、光谱参数及监测模型。【方法】利用连续4年的系统观测资料,采用精细采样法,详细分析350～2 500 nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段组合而成的主要高光谱指数与小麦冠层叶片氮含量的定量关系。【结果】发现小麦叶片氮含量的最佳波段为位于红边的690、691、700和711 nm以及近红外波段的1 350 nm;基于归一化光谱指数NDSI（R1350,R700）和NDSI（FD700,FD690）、比值光谱指数RSI（R700,R1350）和RSI（FD691,FD711）、土壤调节光谱指数SASI（R1350,R700）（L=0.09）和SASI（FD700,FD690）（L=-0.01）构建氮含量监测模型,决定系数（R2）分别为0.851和0.857、0.842和0.893、0.860和0.866。利用独立试验资料对模型检验的结果显示,模型测试的精度（R2）均大于0.758,RRMSE均小于0.266,尤其是高光谱参数RSI（FD691,FD711）和SASI（FD700,FD690）表现最好。【结论】总体上,利用精细采样法确定最佳波段,构建植被指数和氮含量监测模型,可显著提高模型的精确度和可靠性,从而为快速无损诊断小麦叶层的氮素状况提供新的波段选择和技术途径。 相似文献
7.
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
8.
基于数码相机的玉米冠层SPAD遥感估算 总被引：1，自引：0，他引：1
【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。 相似文献
9.
【目的】研究西北地区不同生育时期油菜叶片SPAD值与多种光谱参数之间的关系,并建立估测模型。【方法】以陕西省乾县齐南村施肥程度一致的大田种植的油菜为试验材料,分别在苗期、现蕾抽苔期和开花期测定叶片的光谱反射率和SPAD值,得到不同波段组合的光谱指数,计算其与SPAD值之间的相关性系数,并拟合以各种光谱指数预测SPAD值的模型,以均方根误差(RMSE)和相对误差(RE)作为模型的评价和检验指标。【结果】苗期SDr/SDy与叶片SPAD值相关性最高,为0.79,构造的最佳预测模型决定系数为0.67;现蕾抽苔期(SDr-SDy)/(SDr+SDy)与叶片SPAD相关性最高,达到0.82,构造的最佳SPAD估测模型决定系数为0.70;苗期(SDr-SDy)/(SDr+SDy)与叶片SPAD有较高相关性,相关性系数为0.65,构造的预测模型决定系数为0.43。【结论】各时期预测模型效果较好的光谱指数基本一致,为SDr/SDy和(SDr-SDy)/(SDr+SDy),可以利用高光谱遥感信息反演西北地区油菜各时期的叶绿素含量,并分析其生长状况。 相似文献
10.
【目的】以高光谱技术为核心,结合理化数据,建立快速、无损的冬小麦冠层水分含量估算模型,为利用高光谱技术进行小麦水分含量的无损检测提供参考。【方法】测定两种冬小麦的叶片、植株含水量,采集其光谱数据作SG平滑、一阶导数和二阶导数处理,分析其相关关系,构建冬小麦叶片和植株含水量的多种估算模型,进行精度评价。【结果】不同光谱数据处理中一阶导数变换能够显著增加与小麦含水量的相关性,叶片含水量在456 nm波长处达到了最大负相关,相关系数为0.87,植株含水量在457 nm波长处达到了最大负相关,相关系数为0.890 9;偏最小二乘回归构建的水分含量估测模型拟合精度优于线性和多元回归模型,线性模型采用R650、SG1944、R′456、R″681构建的模型估测叶片含水量较好,估测植株含水量R664、SG663、R′457、R″ 681精度较高; 多元线性回归和偏最小二乘回归都是采用一阶导数变换构建的模型拟合精度最高,叶片和植株水分含量估测模型的外部检验R2分别达到0.803 2、0.867 0、0.854 0、0.885 6。【结论】小麦原始光谱一阶导数变换后能够显著提高与水分含量的相关性,利用PLSR方法构建的小麦水分含量估测模型拟合精度最高。 相似文献
11.
基于随机森林算法的冬小麦叶面积指数遥感反演研究 总被引：10，自引：1，他引：9
【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R2）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R2为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。 相似文献
12.
基于高光谱遥感的冬小麦叶水势估算模型 总被引：2，自引：0，他引：2
【目的】采用高光谱技术,建立快速、无损与准确获取冬小麦叶水势的估算模型,为小麦灌溉的精确管理提供科学依据。【方法】利用不同水分处理的大田试验,于小麦主要生育期同步测定冠层光谱反射率、叶水势、土壤水分等信息,并探讨高光谱植被指数与冬小麦叶水势之间的定量关系。通过相关性分析、回归分析等方法,基于不同水分处理,构建4种植被指数与冬小麦叶水势的估算模型。【结果】不同水分处理和不同生育期的冬小麦,其冠层光谱反射率具有显著的变化特征。在可见光波段,冬小麦冠层反射率随着水分含量的增加而逐渐降低,而在近红外波段,其冠层反射率则随着土壤水分含量的增加而升高。随着小麦生育期的推进,在近红外波段,抽穗期的冠层反射率比拔节期的高,在灌浆期之后,红波段(670 nm)、蓝波段(450 nm)的反射率上升加快;4种植被指数与叶水势显著相关(P0.05),相关系数|r|均在0.711以上,四者均可用于冬小麦叶片水势的定量监测。在充分供水条件下(70%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.75和0.771)均低于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.808和0.896),而在重度水分亏缺条件下(50%FC),植被指数OSAVI和EVI2与叶水势的相关系数|r|(分别为0.857和0.853)均高于植被指数NDVI和RVI与叶水势的相关系数|r|(分别为0.711和0.792);所建模型对45个未知样的预测结果与实测值相似度较高,其回归模型R~2、验证模型MRE、RMSE的范围分别为0.616—0.922、-17.50%—-12.52%、0.102—0.133。在70%FC水分处理下,基于EVI2(enhanced vegetation index)所得叶水势估算模型的R~2最高,为0.922,而在60%FC和50%FC水分处理下,由于考虑了土壤背景的影响,基于OSAVI所建模型的R~2最高,分别为0.922和0.856。【结论】4种植被指数均可用于冬小麦叶水势的定量监测。但是,在构建不同水分处理的叶水势估算模型时,应考虑土壤背景对冠层光谱的影响。研究结果可以为小麦精准灌溉管理提供技术依据,为星载数据的参数反演提供模型支持。 相似文献
13.
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
14.
不同光谱植被指数反演冬小麦叶氮含量的敏感性研究 总被引：6，自引：0，他引：6
【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。 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.
基于高光谱的水稻叶片含水量监测研究 总被引：9，自引：2，他引：7
【目的】建立快速、无损诊断水稻叶片含水量的估测模型,为水稻水分精确管理提供依据。【方法】基于2年不同土壤水分处理和水稻品种的池栽试验,于水稻主要生育时期同步测定顶部4张叶片的光谱反射率和含水量,系统分析350-2 500 nm波段范围内任意两波段组合而成的比值（RSI）、归一化差值（NDSI）及差值（DSI）光谱指数,并分析其与叶片含水量的量化关系。【结果】不同土壤水分处理和叶位间,叶片反射光谱具有显著的时空变化特征,叶片含水量的敏感光谱波段主要位于近红外及短波红外区域;RSI （R1402, R2272）及NDSI （R1402, R2272）光谱指数与叶片含水量呈现良好的线性相关,线性拟合R2均达到0.80。基于独立试验资料对所建模型进行测试检验也显示,预测值和观察值的拟合R2也均达到0.86。【结论】RSI（R1402, R2272）、NDSI（R1402, R2272）均可用于水稻叶片含水量的定量监测。 相似文献
17.
一款无人机高光谱传感器的验证及其在玉米叶面积指数反演中的应用 总被引：2，自引：0，他引：2
【目的】验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积指数的新方法。【方法】以东北玉米为研究对象,在吉林省公主岭市开展了玉米氮肥梯度试验,共设5处理,每个处理3次重复。分别在玉米的V5-V6,V11,R1-R2等生育期（Ritchie生育期）进行无人机飞行试验和地面光谱及叶面积指数测定,共获得数据45组。为验证S185影像数据,在相同尺度下提取S185影像信息与地面光谱信息,一方面从测定同一目标地物两者光谱反射率间的相关性进行分析,另一方面筛选15种常用的各类光谱指数,从整个生育期通过影像数据计算的各光谱指值与地面光谱仪计算的相应值变化趋势的一致性进行分析;将45组样品随机选择30组,基于人工神经网络算法利用S185数据建立反演叶面积指数的模型,剩下15组样品作为外部验证样品,用来验证神经网络模型的预测效果。另外,基于相同的分组数据,利用前面筛选的各光谱指数分别建立叶面积指数的反演模型,以与人工神经网络建模结果进行比较。【结果】在各个生育时期,同种目标地物S185测定数据与地面光谱仪测定数据间具有很强的相关性,相关系数在0.99以上;在玉米整个生育期,S185数据计算的各光谱指数与地面光谱仪计算的各光谱指数变化趋势相同,相关系数在0.88以上;在构建基于人工神经网络法反演叶面积指数的模型中,建模时的决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%;外部验证时的决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%,这一结果优于基于各光谱指数建立的叶面积指数反演模型。【结论】无人机搭载S185传感器可用于准确获取玉米冠层高光谱信息,且可利用人工神经网络法基于这一数据建立玉米叶面积指数的反演模型。 相似文献
18.
不同算法红边位置监测小麦冠层氮素营养指标的比较 总被引：6，自引：1，他引：5
【目的】红边位置常被用于监测作物叶片氮素营养状况。本文旨在通过不同算法提取红边位置,分析并比较不同算法提取的红边位置对氮素营养监测模型的准确性和可靠性差异,确定监测小麦叶片氮素营养的最佳红边位置算法及定量模型。【方法】基于不同施氮水平、播种密度、品种类型和生育时期的小麦田间试验,系统分析不同算法的红边位置(一阶微分、倒高斯法、多项式拟合法、四点内插法、拉格朗日法、线性外推法)与冠层叶片氮素营养指标的定量关系,比较不同算法红边位置对氮素营养监测的准确性和可靠性。【结果】线性外推法为计算小麦红边位置的最佳算法,并建立了基于线性外推法的小麦冠层叶片氮素营养定量监测模型。【结论】研究结果为小麦冠层叶片氮素营养指标的可靠监测提供了有效途径。 相似文献