共查询到18条相似文献，搜索用时 109 毫秒
1.
冬小麦冠层高光谱特征与覆盖度相关性研究 总被引：3，自引：0，他引：3
在2010年度与2011年度冬小麦生长季大田试验小区,实测了3个播种密度、3个灌水水平下冬小麦冠层的高光谱反射率与覆盖度。分析了冬小麦冠层光谱特征以及不同生育期冬小麦冠层光谱特征参数与覆盖度的相关性,建立了基于光谱特征参数的不同生育期冬小麦覆盖度估算模型。结果表明:从返青到成熟,冬小麦冠层可见光区光谱反射率先减小后增大,近红外区先增大后减小。不同种植密度下,适宜供水冬小麦在可见光波段的反射率依次小于轻度亏水、重度亏水条件下的冬小麦;在近红外波段,规律正好相反。在相关性分析中,传统光谱特征参数和新光谱特征参数与覆盖度在不同生育期均具有较好的相关性。相比以传统光谱特征参数为自变量的冬小麦覆盖度估算模型,基于绿峰峰度的估算模型可以提高冬小麦覆盖度的估算精度。 相似文献
2.
不同生育时期冬小麦FPAR高光谱遥感监测模型研究 总被引：1，自引：0，他引：1
通过连续5年定位研究不同氮磷耦合水平下,不同生育时期冬小麦群体FPAR与冠层光谱反射率,建立基于不同植被指数的不同生育时期FPAR分段监测模型。结果表明:随着氮磷水平增加FPAR呈递增趋势,不同品种间存在差异;冬小麦群体FPAR与670、850、960 nm具有较高的相关性,在可见光和近红外波段处均有敏感波段;在拔节期、孕穗期、抽穗期、灌浆期和成熟期FPAR与SAVI、NDVI705、EVI、DVI、RVI均达极显著相关,相关系数r范围为0.818~0.942;在不同生育时期,分别基于SAVI、NDVI705、EVI、RVI、RVI能建立较好的FPAR分段监测模型,决定系数R2分别为0.854、0.888、0.811、0.844、0.911;标准误差SE分别为0.054、0.032、0.044、0.047、0.044;以不同年份独立数据对模型进行验证,田间实测值与模型预测值之间相对误差RE分别为14.1%、17.4%、12.8%、18.8%、10.7%;均方根误差RMSE分别为0.139、0.146、0.136、0.158、0.130。该结果较拔节期至成熟期FPAR统一监测模型监测精度及验证效果均有所改善。因此,在拔节期、孕穗期、抽穗期、灌浆期和成熟期可分别用SAVI、NDVI705、EVI、RVI、RVI预测冬小麦群体FPAR,具有较好的年度间重演性和品种间适用性。不同生育时期FPAR分段监测模型较统一监测模型有较好的监测效果。 相似文献
3.
基于多光谱卫星模拟波段反射率的冬小麦水分状况评估 总被引：1，自引：0，他引：1
为及时掌握作物水分利用状况、评估作物水分亏缺和提高作物水分利用效率，在2012—2016年期间进行了不同水分处理的冬小麦田间试验，获取了冬小麦主要生育期冠层光谱和叶片含水量等数据。利用冬小麦冠层光谱以及Quickbird、IKONOS、GF-2、GF-1、Landsat8、HJ-1A/B、GF-4和MODIS卫星传感器光谱响应函数模拟卫星多波段反射率，参照归一化植被指数(Normalized vegetation index, NDVI)、比值植被指数(Ratio vegetation index, RVI)和差值植被指数(Difference vegetation index, DVI)的形式，将各卫星波段反射率两两组合，系统分析构建的植被指数与叶片含水量的相关性，探讨不同空间分辨率(2.44、4、8、30、50、250m)波段组合及植被指数对作物水分状况和灌溉活动的响应能力。结果表明，NDVI、RVI和DVI 3种指数对作物水分敏感区域的分布类似；8个卫星的近红外波段与叶片含水量的相关系数为正，其余几个波段与叶片含水量的相关系数为负；NDVI(GF-1绿波段,GF-2绿波段)、RVI(GF-1绿波段,GF-2绿波段)和DVI(GF-2蓝波段,GF-4蓝波段)与叶片含水量相关性较好，决定系数R2分别为0.776、0.774和0.886，以DVI形式构建的植被指数对叶片含水量的估算效果最好。本研究可为区域作物水分状况评估以及作物灌溉活动监测提供技术和方法支持。 相似文献
4.
冬小麦生育早期冠层叶片光谱的特征与应用 总被引：1，自引：1，他引：0
利用不同测试方法对冬小麦返青期和拔节期的冠层叶片反射光谱进行了测量,分析了反射光谱与叶绿素质量浓度之间的相关关系。分析结果表明:处于返青期的小麦由于生长较为稀疏,冠层叶片反射光谱受到裸露地面等外界因素的影响,反射率和NDVI值与叶绿素的相关性差。拔节期由于地表覆盖率提高,反射率和NDVI值与叶绿素之间的相关性较好。返青期和拔节期冠层叶片反射光谱曲线的"红边"位置与叶绿素之间的相关性,可以较好地反映其叶绿素的质量浓度。通过实验分析两者之间的相关性,分别建立了返青期和拔节期叶绿素质量浓度线性预测模型和二项式模型,结果显示模型可用于冬小麦冠层叶片叶绿素质量浓度的无损检测预测。比较了植被指数NDVI值的不同获取方法,提出了不同生长阶段测试方法的选择方案,为冠层叶片叶绿素检测以及精细追肥提供技术支持。 相似文献
5.
基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算 总被引：13，自引：0，他引：13
以陕西省关中地区冬小麦不同生育期冠层高光谱反射率为数据源,模拟国产高分辨率卫星高分一号(GF-1)的光谱反射率,提取18种对叶绿素敏感的宽波段光谱指数,构建了基于遥感光谱指数的冬小麦叶片叶绿素相对含量(SPAD)遥感监测模型,并利用返青期的GF-1卫星数据对研究区的冬小麦叶片SPAD值进行了估算和验证。结果表明:返青期、孕穗期和全生育期SPAD值均与TGI指数相关性最高,相关系数分别为-0.742、-0.740和-0.483。拔节期和灌浆期SPAD值分别与SIPI指数和GNDVI指数相关性最高,相关系数分别为0.788和0.745。GNDVI、GRVI和TGI植被指数在各个生育期都和冬小麦叶片SPAD含量在0.01水平下呈显著相关。基于此3类植被指数构建的冬小麦叶片SPAD值回归模型精度较高,其中基于随机森林回归算法的估算模型效果最优,各类模型均在冬小麦拔节期的预测效果最佳。GF-1号卫星数据结合SPAD-RFR模型对研究区冬小麦叶片SPAD的估算结果最为理想,可用于大面积空间尺度的冬小麦叶片SPAD值遥感监测。 相似文献
6.
通过设置2个冬小麦品种不同氮素水平的完全随机区组试验,获取冬小麦关键生育期(返青期、拔节期、孕穗期、灌浆期)的土壤氮素、植株氮素和冠层光谱数据,通过分析土壤氮素与植株氮素间的相关关系,间接构建土壤氮素状况的光谱诊断模型。结果表明,不同施氮水平冬小麦各生育期冠层光谱与麦田土壤氮素含量差异显著,土壤硝态氮、碱解氮含量与冬小麦植株氮素含量的相关系数达到0.72以上,相关系数分别在0.72~0.84和0.75~0.82之间,均达极显著水平,而土壤全氮含量与冬小麦植株含氮量的相关性相对较差;研究证实土壤调节植被指数SAVI(1040,680)和比值植被指数RVI(1040,680)分别与土壤硝态氮、碱解氮含量具有重要的关系。另外,基于光谱参数SAVI(1040,680)的土壤硝态氮估算模型(R~2≥0.739 6)和基于RVI(1040,680)所构建的碱解氮含量估算模型(R~2≥0.810 0)具有较好的估测能力,可以实现利用冠层光谱对土壤氮素状况的实时、快速估测。 相似文献
7.
【目的】快速、精确地获得作物水分状况。【方法】采用高光谱采样数据分析方法,研究了北京大兴冬小麦不同生育期不同水分条件下的冠层光谱变化特点,筛选了水分光谱敏感波段,构建了冬小麦水分状况诊断模型。【结果】(1)在750~1 075 nm近红外反射平台拔节—抽穗期、抽穗—灌浆期冬小麦冠层光谱反射率随植株含水率的增大而上升,在350~750 nm的可见光区域灌浆—成熟期冬小麦冠层光谱反射率随植株含水率的增大而降低;(2)不同生育期冬小麦植株水分状况均与650~775 nm波段密切相关,其中对冬小麦植株含水率变化最为敏感的波段为661nm和771 nm;(3)通过筛选光谱参数模型、构建基于敏感波段回归模型并综合分析2类模型对冬小麦植株含水率的监测效果发现,冬小麦不同生育期植株含水率监测最佳模型均为光谱参数模型。【结论】在利用光谱技术监测冬小麦植株含水率时,包含661 nm及771 nm附近波段的水分监测光谱参数模型效果最佳。 相似文献
8.
《节水灌溉》2018,(12)
为探究冬小麦归一化植被指数(NDVI)主要生育期内的日变化规律,分别在冬小麦返青期、拔节期和抽穗期,利用Greenseeker手持式光谱仪每日以小时为单位获取冠层NDVI值,各生育期内连续测量7 d,分析冬小麦冠层NDVI在3个生育期的日变化规律,并采用二次多项式、Gauss和Sine等函数对归一化处理后的NDVI日变化过程进行拟合。结果表明,冬小麦冠层NDVI在3个生育期有明显的日变化规律,其变化趋势近似一条反向抛物线; 3种模型均能较好地对NDVI日变化曲线进行拟合,且在拔节期拟合效果最好;二次多项式模型的预测精度最高,3个生育期内其相应的决定系数(R2)分别为0.744、0.923和0.681,均方根误差(RMSE)分别为0.212、0.213和0.187,平均绝对误差(MAE)分别为0.165、0.162和0.142,Gauss和Sine函数拟合效果基本无差别;二次多项式模型作为描述NDVI日变化过程的首选模型。本研究可为今后建立冬小麦NDVI日变化模型提供参考。 相似文献
9.
基于4波段作物光谱测量仪的小麦分蘖数预测 总被引：5，自引：0，他引：5
使用4波段(550 nm、650 nm、766 nm和850 nm)便携式作物反射光谱测量仪对泰农18型冬小麦分蘖状态进行自动监测与建模,通过分析植被指数与分蘖数的相关关系实现了对分蘖数的建模预测。首先利用仪器获得小麦冠层在4个波段的反射信号,计算对应波段的作物冠层反射率,经校正后计算得到OSAVI、MSAVI、SAVI、EVI2、TVI、NDGI、NDVI、RVI和DVI 9种多波段组合的植被指数。然后分析以上9种植被指数与小麦分蘖数之间的相关关系,确定了可用于该类型小麦分蘖状态监测和评价的植被指数类型。2013—2014年在山东省淄博市和桓台县开展了田间试验,计算了不同氮素水平下泰农18型小麦返青期和起身期分蘖数以及其两个生育期分蘖数与9种植被指数之间的相关系数,OSAVI(650,850)指数与返青期茎蘖数相关系数最高,决定系数最高为0.85,均方根误差为118.93;EVI2(650,850)指数与起身期茎蘖数相关系数最高,决定系数最高为0.84,均方根误差为73.04;以上试验结果表明,在冬小麦返青期和起身期利用OSAVI(650,850)和EVI2(650,850)两种植被指数可以快速预测小麦分蘖状态,可为田间精细管理提供科学依据。 相似文献
10.
为了快速获取大田冬小麦作物生长信息,对田间植被覆盖度(VCI)进行检测。采用开发的多光谱图像采集系统,在拔节期-扬花期获取冬小麦冠层可见光( B、G、R ,400～700 nm)和近红外(NIR,760～1 000 nm)图像。图像经自适应平滑滤波处理后,针对RGB图像,采用HSI色彩空间模型,设定 H 分量阈值［π/4,6π/5］进行分割,对NIR图像采用自动阈值分割法分割,进而提出了基于“ H +NIR”组合的冬小麦冠层多光谱图像分割方法,并计算VCI值。对未经分割的原始图像提取了9个图像检测参数,包括各通道图像灰度均值( A R、 A G、 A B、 A NIR )、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、比值植被指数(RVI)、差值植被指数(DVI)和冠层 H 分量均值 A H。图像检测参数与VCI相关性分析结果表明,各植被指数与VCI的相关系数绝对值均大于0.90。应用NDVI、NDGI、RVI和DVI建立了多元线性回归模型,其 R 2 c =0.948, R 2 v =0.884,可以用于快速反演VCI,为田间作物生长评价和管理提供支持。 相似文献
11.
模拟多光谱卫星宽波段反射率的冬小麦叶片氮含量估算 总被引：1，自引：0，他引：1
基于多年大田和小区试验下的实测小麦冠层高光谱信息,利用传感器光谱响应函数模拟Landsat 8、SPOT 6、HJ-1A、HJ-1B、GF-1和ZY-3卫星可见光-近红外波段的冠层光谱反射率,构建基于光谱指数的全生育期叶片氮含量(Leaf nitrogen concentration,LNC)估算模型。结果表明,基于不同传感器模拟的宽波段光谱反射率、光谱指数之间存在差异,但差异不显著;所有筛选的光谱指数和叶片氮含量都在P0.01水平显著相关,基于各光谱指数所构建的全生育期叶片氮含量估算通用模型均通过显著性检验;基于综合指数(TCARI/OSAVI)、转化叶绿素吸收反射指数(TCARI)、比值植被指数(RVI)的叶片氮含量估算模型具有较高的敏感性,噪声等效误差(NE)均小于1.6,其中以TCARI/OSAVI建立的叶片氮含量估算通用模型具有最好的拟合、检验精度和适用性,模型决定系数为0.62,NE为1.26。 相似文献
12.
叶片氮素含量是评价植被生长状况的重要指标,快速、准确监测核桃树冠层氮素含量的变化,对及时掌控树体长势、实施精准管理具有重要意义。本研究通过低空无人机遥感平台搭载GS-2型成像光谱仪,获取了果实膨大期5年生核桃林地的高光谱遥感影像数据。利用ENVI 5.3软件对观测范围内的核桃、土壤以及阴影区域进行识别提取,根据不同地物的波谱差异寻找核桃与土壤、阴影区域之间无交集且差异较大的波段区间,确定冠层的范围,并通过支持向量机方法验证其提取精度;根据NDVI、RVI和DVI植被指数筛选指示冠层氮素含量的特征敏感波段,分析了9种光谱参数对核桃冠层氮素含量的估算能力及其相关性,并将筛选的特征敏感波段作为BP神经网络模型的输入变量,进行了核桃冠层氮素含量的估算。结果表明：当B100 (550.7)处的光谱反射率大于0.10,且 B233 (779.4) 处的光谱反射率大于0.70时,可有效识别和确定核桃树冠层范围,制图精度高达96.43%。在分析核桃树冠层氮素含量与NDVI、RVI、DVI植被指数相关关系的基础上,确定了B33 (440.6)、B165 (660.7)、B186 (697.0)和B347 (986.4)为指示氮素含量的特征敏感波段。9种光谱参数中,以B347 (986.4)和B186 (697.0)重构的NDVI(986.4,697.0) 在核桃林地冠层氮素含量的诊断中更接近实测值,估算模型精度最高。基于BP神经网络建立的估算模型较9种光谱参数具有更高的估算精度,测试集R 2 达0.805,具有一定的估算可靠性。 相似文献
13.
基于NDWI和卷积神经网络的冬小麦产量估测方法 总被引：1，自引：0，他引：1
为进一步提高冬小麦单产估测的效率和准确性,利于宏观指导农业生产、制定冬小麦整个生长期的精准管理决策,针对目前已有的县域冬小麦单产估测方法存在时效性差、准确度低、成本高等问题,以中分辨率成像光谱仪（Moderate resolution imaging spectroradiometer, MODIS)为数据源,分别提取不同时段可见光与近红外波段信息,选择归一化差值植被指数（Normalized difference vegetation index, NDVI）、归一化差值水指数（Normalized difference water index, NDWI）、土壤调节植被指数（Soil adjusted vegetation index, SAVI）、调整土壤亮度植被指数（Optimal soil adjusted vegetation index, OSAVI)、绿色归一化植被指数（Green normalized difference vegetation index, GNDVI)、改进型土壤调节植被指数（Modified soil adjusted vegetation index, MSAVI)以及绿红植被指数（Green red vegetation index, GRVI）7个遥感植被指数,以其直方图分布信息作为输入变量,应用卷积神经网络（Convolutional neural network, CNN）回归预测冬小麦产量,对比分析NDWI在冬小麦产量估测上的表现并探究其在霜冻害影响下的精度变化。研究表明,相对于植被指数NDVI、SAVI、OSAVI、GNDVI、MSAVI、GRVI,NDWI对冬小麦生育早期的产量预测表现出更好的预测效果,单产去趋势前后的NDWI对产量的预测精度均高于NDVI、SAVI等植被指数,决定系数最高可达到0.79,且在霜冻害影响下仍能保持较好的预测效果;NDWI在抽穗—灌浆阶段对冬小麦最终产量影响最大,4月23—30日时间段内NDWI对产量的决定系数可达到0.72;空间分布上,研究区域冬小麦具有东部单产最高、中部次之、西部单产最低的空间分布特征,西部和北部山区与东部黄淮海平原交界处误差较大。研究结果可为冬小麦生育早期产量预测提供科学依据。 相似文献
14.
开展冬小麦冠层SPAD值监测,建立“三边”参数与SPAD值之间的高光谱估算模型,以期为高光谱诊断冬小麦冠层SPAD值提供理论依据和技术支持.以冬小麦冠层反射率与冠层SPAD值的相关关系为基础,构建基于“三边”参数的冬小麦冠层SPAD值的一元线性回归模型和主成分回归模型.结果表明:拔节期、抽穗期、灌浆期和全生育期分别以红谷位置、(SDr-SDb)/(SDr+SDb)、红谷幅值、(SDr-SDy)/(SDr+SDy)的相关系数最高,且均具有统计学意义(P<0.01);采用主成分方法构建的光谱模型在拔节期、抽穗期、灌浆期和全生育期相较于同期一元线性回归模型,决定系数R2分别提高49.6%,54.3%,14.3%和8.6%,均方根误差RMSE与相对误差RE均分别减少9.0%,12.4%,13.5%和13.6%,因此采用综合光谱信息构建主成分回归模型,在各生育时段及全生育时段对冬小麦冠层SPAD值均有较高的估算精度,可为冬小麦SPAD值的监测与诊断提供依据. 相似文献
15.
基于无人机遥感影像的冬小麦氮素监测 总被引：7，自引：0，他引：7
精准氮素管理是一项提高作物氮肥利用效率的有效策略,利用无人机遥感技术精确估测小麦氮素状况是必要的。试验在山东省乐陵市科技小院实验基地进行,利用八旋翼无人机搭载Mini-MCA多光谱相机于2016年获取冬小麦4个关键生育时期(返青期、拔节期、孕穗期、扬花期)冠层多光谱数据,同步获取地上部植株样品并测定其生物量、吸氮量、氮营养指数,及成熟期籽粒产量,根据各关键生育期与全生育期分别构建植被指数与农学参数回归分析模型,评估基于无人机遥感影像的冬小麦氮素营养诊断潜力。结果表明:基于无人机遥感影像能够较好地估测冬小麦氮素指标(R2为0.45~0.96),决定系数随着生育期推移而逐渐增大。拔节期、孕穗期和扬花期估产效果接近且具有很好的估测能力,扬花期DATT幂函数模型对小麦氮营养指数的解释能力最强(R2=0.95)。因此,以多旋翼无人机为平台同步搭载多光谱相机对冬小麦有较好的氮素诊断潜力,可利用估测结果指导精准氮肥管理。 相似文献
16.
无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R2)、均方根误差(RMSE)分别为0.69、428.91 kg/hm2,验证... 相似文献
17.
为探索高分一号卫星（GF-1）估算农作物光合有效辐射吸收比率（Fraction of absorbed photosynthetically active radiation, FPAR）的潜力,以田间小区与大田夏玉米为对象,基于GF-1卫星的16 m空间分辨率宽视场（Wide field view, WFV）传感器光谱响应函数对地面实测冠层高光谱反射率进行重采样,获取GF-1 WFV的模拟反射率,构建宽波段植被指数,利用与FPAR极显著相关且具有较高相关系数的植被指数,建立不同生育期夏玉米FPAR的一元与多元逐步回归模型,筛选FPAR估算的最适模型,并在此基础上实现县域尺度不同生育期的FPAR动态估算。结果表明：模拟宽波段光谱反射率与GF-1 WFV光谱反射率间的相关系数|R|为0.967～0.985,决定系数R2为0.935～0.969;基于模拟反射率构建3波段植被指数与FPAR的相关性优于2波段植被指数,增强型植被指数（EVI）、土壤调节植被指数（MTVI2）、可见光大气阻抗植被指数（VARI）、综合植被指数（TCARI/OSAVI）等3波段植被指数与FPA... 相似文献
18.
科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。 相似文献