冬小麦叶片叶绿素相对含量遥感估算模型研究

合集下载

遥感植被指数和CASA模型估算山东省冬小麦单产

Vol. 41,No. 1,pp257-264January , 2021第41卷，第1期2 0 2 1年1月光谱学与光谱分析SpectroscopyandSpectralAnalysis遥感植被指数和CASA 模型估算山东省冬小麦单产张莎1!，白雲，刘琦2,童德明2,徐振田2,赵娜2,王兆雪2,王霄鹏2,李咏沙12!张佳华3 41. 青岛大学自动化学院，山东青岛2660712. 青岛大学计算机科学技术学院遥感信息与数字地球研究中心，山东青岛2660713. 中国科学院大学地球与行星科学学院，北京1000494.中国科学院空天信息创新研究院，北京100094摘要准确估算区域尺度冬小麦单产对明确区域农业生产现状与保证国家粮食安全有重要意义°光能利用率模型是作物单产估算的常用模型之一，模型中最大光能利用率^^^)是准确估算作物单产的关键参数,作物的E max 是否随时间发生变化需要深入探讨"首先使用Savit z ky-Golay(S-G)对中分辨率成像光谱仪(MO DIS ) 时序植被指数数据进行滤波,采用差分法结合光谱突变法提取了山东省2000年一2015年冬小麦种植面积，并使用市级尺度年鉴统计面积对提取面积进行验证，然后使用固定E max 和变化E max 分别驱动光能利用率模型(CASA ),结合作物收获指数与冬小麦种植面积获取山东省2000年一2016年冬小麦单产时空分布特征，探讨最大光能利用率对作物单产模拟的影响。

结果表明，滤波后的时序植被指数数据能够反映冬小麦生长的光谱特征，差分法与光谱突变法结合提取冬小麦面积具有较好的普适性，提取的多年冬小麦种植面积与年鉴统计冬小麦播种面积之间的决定系数(R 2)达0.71；变化E mJ 情景下模拟的多年冬小麦单产与统计单产之间的决定系数更高，说明冬小麦E max 是随时间变化的，可能与冬小麦品种更替有关"基于统计与模拟的结果均显示山东省冬小麦单产在2000年一2016年间呈现增加趋势,两者表现出来的增加速率分别为93. 12和149.79 kg ・hm 2・a X 在空间上,山东省冬小麦单产呈现西部高于东部的分布特征°关键词时序遥感植被指数数据；最大光能利用率；冬小麦种植面积提取；冬小麦单产估算；山东省中图分类号：S123 文献标识码：A DOI ： 10. 3964". issn. 1000-0593(2021)01-0257-08引言冬小麦是世界三大粮食作物之一，准确模拟冬小麦单产及其空间分布对保证国家粮食安全和挖掘区域可利用的农业资源具有重要意义*1+°山东省是以农业生产为主的省份之一, 冬小麦是山东省主要的粮食作物之一, 研究山东省冬小麦单产的时空分布特征对明确区域农业生产现状及其发展变化十分重要°光能利用率模型是估算植被生产力23+和作物单产弘5+的常用模型之一，如光能利用率(the Carnegie-Ames-Stanfordapproach , CASA )模型等°该类模型具有一定的机理性,且所需输入数据较少，在区域尺度进行植被生产力或作物单产模拟时易于使用"但是，目前的研究对模型中的关键参数之一，最大光能利用率E mx 仍然存在较大的争议和不确定性257+°在使用光能利用率模型模拟作物单产时,不同学者对作物最大光能利用率的大小也存在争议° Lobell ［4］根据实验数据，测量了 1993年一1994年和1999年一2000年小麦、玉米和大豆的实际光能利用率在2. 1〜2. 6 g - MJ 1 PAR 之间。

病害胁迫下冬小麦冠层叶片色素含量高光谱遥感估测研究

收稿日期：２０ —４２。修订日期：０６０— ６０６０—８２０ —８０
基金项目：国防科技工业民专项科研技术研究项目（ＺＯ５Ｏｌ０）北京市自然科学基金项目（Ｏ２１）用Ｊ２ＯＯＯ一６，４５Ｏ４和地理空间信息工程国家测绘局重点实验室基础测绘经费联合资助作者简介：蒋金豹，９８１７年生，北京师范大学资源学院博士研究生＊通讯联系人ｅａ：ｙ＠ｂｕｅｕｃ－ｉｃｈ研究中心，北京
摘
要通过人工田间诱发小麦条锈病，不同生育期测定染病冬小麦冠层光谱和相应叶片的色素含量。在
把冠层光谱数据、一阶微分数据与相应的叶片色素含量数据分别进行相关分析，采用单变量线性和非线性
回归技术，选取部分样本建立小麦的色素含量估测模型，并利用其余的样本对模型进行检验，结果表明绿边
内一阶微分总和（Ｄｇ与红边内一阶微分总和（Ｄ）的归一化值为变量的线性模型是估测色素含量的最佳ｓ）ｓｒ模型，其估测叶绿素ａ，叶绿素ｂ和胡萝卜素含量的相对误差分别为１．，６３７Ｏ１．％和１．％。２４该研究表明可用高光谱信息估测冠层叶片色素含量，且估测精度较高。章的研究结果对利用高光谱遥感监测农作物文
长势以及病害影响都具有实际应用价值。关键词冬小麦；病害胁迫；高光谱；色素含量；估测模型文献标识码：Ａ文章编号：１０ —５３２０）７１６—５０００９（０７０～３３０

基于高光谱和高分一号卫星影像的冬小麦叶绿素遥感反演

基于高光谱和高分一号卫星影像的冬小麦叶绿素遥感反演小麦是世界上分布范围最广,种植面积最大的粮食作物之一,也是我国的主要农作物之一。

而叶绿素含量与植物的光合作用能力与生长状态密切相关,是植被光合能力强弱、营养生理状况以及衰老进程的良好指示剂,其含量的测定对农作物长势监测、施肥调控与产量评估具有重要意义。

通过高光谱数据和卫星影像数据反演叶绿素等与农作物长势,产量密切相关的参数,可以实现农作物的长势监测从而为农作物生产提供指导作用和参考价值。

本研究以不同生育时期不同区域的冬小麦为研究对象,通过田间试验,获取了冬小麦高光谱数据、GF1卫星影像数据以及叶绿素含量（Chl）,通过计算和数理统计分析比较,构建了冬小麦叶绿素含量最佳估算模型,并借助GF-1影像对冬小麦拔节期冠层叶绿素含量进行空间反演及精度验证。

为冬小麦长势监测和田间精准管理提供理论依据和技术支撑。

取得的主要结论如下:（1）冬小麦叶片叶绿素含量（Chl）在不同生育时期差异显著,且随着生育进程的推进呈现出逐步上升的变化趋势;冬小麦冠层叶绿素含量（Chl）随着生育进程的推进呈现出先上升后下降的变化趋势。

总体来看,叶片尺度的Chl值均大于冠层尺度的Chl值。

（2）原始光谱随着叶绿素含量的增加,在可见光区域反射率降低而在近红外区域反射率增加;不同叶绿素水平的叶片光谱反射率均比冠层光谱反射率高,在可见光波段更显著;叶片在不同Chl水平下红边特征有差异,红边位置随Chl增加而不断发生“红移”,并且存在“双峰”或“多峰”的现象。

随着生育期的推进,叶片光谱反射率在可见光波段的反射率越来越低,在近红外波段反射率越来越高;冠层光谱反射率在可见光波段先降低后升高,在近红外波段相反。

不同生育期和不同叶绿素含量下,冬小麦冠层光谱红边位置分布在735 nm附近,而冬小麦叶片光谱红边位置分布于710nm附近。

（3）在4个生育期,一阶导数与Chl 值的相关性均强于原始光谱与Chl值的相关性,叶片光谱与Chl相关性强于冠层光谱。

无人机高光谱遥感估算冬小麦叶面积指数

第36卷第22期农业工程学报 V ol.36 No.2240 2020年11月Transactions of the Chinese Society of Agricultural Engineering Nov. 2020无人机高光谱遥感估算冬小麦叶面积指数陈晓凯1，李粉玲1,2※，王玉娜1，史博太1，侯玉昊1，常庆瑞1,2（1. 西北农林科技大学资源环境学院，杨凌 712100；2. 农业部西北植物营养与农业环境重点实验室，杨凌 712100）摘要：为探讨利用低空无人机平台和高光谱影像对冬小麦叶面积指数进行遥感估算，该研究以拔节期冬小麦小区试验为基础，对原始冠层光谱进行一阶导数和连续统去除光谱变换，并在此基础上提取任意两波段组合的差值光谱指数（Difference Spectral Index，DSI）、比值光谱指数（Ratio Spectral Index，RSI）和归一化光谱指数（Normalized Spectral Index，NDSI），以最优窄波段光谱指数进行叶面积指数估算模型的构建。

结果表明，最优窄波段指数的构成波段主要位于红边区域，最优窄波段指数与叶面积指数均呈现非线性关系；光谱变换显著提升了光谱变量与叶面积指数的相关性，其中连续统去除光谱所获取的NDSI（738，822）光谱指数与叶面积指数的相关性最佳；窄波段光谱指数和随机森林回归算法的叶面积指数估算模型精度最高，其相对预测偏差为2.01，验证集的决定系数和均方根误差分别为0.77和0.27。

基于随机森林回归算法的无人机高光谱叶面积指数估算模型能够准确地实现小区域的叶面积指数遥感填图，为后期作物长势、变量施肥等提供理论依据。

关键词：无人机；高光谱；遥感；模型；冬小麦；叶面积指数doi：10.11975/j.issn.1002-6819.2020.22.005中图分类号：S127 文献标志码：A 文章编号：1002-6819(2020)-22-0040-10陈晓凯，李粉玲，王玉娜，等. 无人机高光谱遥感估算冬小麦叶面积指数[J]. 农业工程学报，2020，36(22)：40-49.doi：10.11975/j.issn.1002-6819.2020.22.005 Chen Xiaokai, Li Fenling, Wang Yuna, et al. Estimation of winter wheat leaf area index based on UAV hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 40-49. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.22.005 0 引言叶面积指数（Leaf Area Index，LAI）被定义为作物在单位土地面积上的叶片的面积之和[1]。

基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报

基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报随着农业生产的不断发展，粮食安全问题日益突出，冬小麦作为我国的主要粮食作物之一，其产量和品质的预测具有重要意义。

传统的冬小麦产量和品质预测主要依靠农业人员的经验和个人观察，存在主观性强、时效性差等问题。

因此，如何运用先进的遥感数据和气象预报数据进行冬小麦产量和品质预测，成为当前的研究热点。

本文将介绍一种基于DSSAT模型的冬小麦产量和品质预测方法，该方法结合遥感数据和气象预报数据，具备较高的准确性和实用性。

首先，我们需要了解DSSAT模型的原理。

DSSAT（Decision Support System for Agrotechnology Transfer）是一套用于农作物生长和种植管理决策支持的模型系统。

该模型可以使用真实地理环境、气象、土壤种类和农艺管理措施等参数，通过模拟农业生产的不同阶段，从而对作物的产量和品质进行预测。

接下来，我们需要获得用于模型输入的遥感数据和气象预报数据。

遥感数据可以通过卫星遥感技术获取，包括植被指数、地表温度、降雨量等信息，这些数据可以提供冬小麦生长环境的监测指标。

气象预报数据可以从气象局等机构获取，包括气温、相对湿度、降雨概率等信息，这些数据可以提供冬小麦生长过程中的气候条件。

将遥感数据和气象预报数据输入DSSAT模型中，通过模拟冬小麦生长的各个阶段，包括播种、萌芽、抽穗等，并考虑到不同的农艺管理措施，如施肥、灌溉、杂草防治等，模型可以得出一个关于冬小麦产量和品质的预测结果。

同时，DSSAT模型可以根据实际情况进行调整和优化，以提高预测结果的准确性。

基于DSSAT模型的冬小麦产量和品质预测方法具有很高的应用前景。

首先，该方法可以实现对冬小麦产量和品质的快速预测，大大提高了农业决策的精度和决策效率。

其次，该方法可以帮助农民和相关部门预测冬小麦产量和品质的变化趋势，及时采取相应的措施，以保障粮食安全。

此外，该方法还可以对气候变化等因素进行分析，为冬小麦的种植和管理提供科学依据。

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

麦类作物学报 2023,43(11):1467-1474J o u r n a l o fT r i t i c e a eC r o ps d o i :10.7606/j.i s s n .1009-1041.2023.11.11网络出版时间:2023-07-11网络出版地址:h t t ps ://k n s .c n k i .n e t /k c m s 2/d e t a i l /61.1359.S .20230711.1327.016.h t m l 多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究收稿日期:2022-12-03 修回日期:2023-01-28基金项目:国家重点研发计划项目(政府间重点专项)(2021Y F E 0104400);江苏省农业科技自主创新资金项目(C X (20)2037)第一作者E -m a i l :1107569170@q q.c o m 通讯作者:李卫国(E -m a i l :j a a s l w g@126.c o m )韩振强1,2,李卫国1,2,4,张晓东1,李伟3,马廷淮4,张宏1,2,姚永胜4(1.江苏大学农业工程学院,江苏镇江212013;2.江苏省农业科学院农业信息研究所,江苏南京210014;3.江苏大学流体机械工程技术研究中心,江苏镇江212013;4.南京信息工程大学,江苏南京210044)摘要:为解决大田冬小麦叶片叶绿素含量估测模型精度低㊁通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(B R r e d )和近红外波段反射率(B R n i r )的基础上,计算归一化差值植被指数(N D -V I )㊁差值植被指数(D V I )㊁比值植被指数(R V I )㊁土壤调节植被指数(S A V I )㊁改进型比值植被指数(M S R )㊁重归一化植被指数(R D V I )㊁I I 型增强植被指数(E V I 2)和非线性植被指数(N L I )等8个植被指数㊂经统计分析,选择与叶片叶绿素含量(S P A D 值)相关性较好的5个遥感光谱指标(N D V I ㊁M S R ㊁N L I ㊁B R r e d 和RV I )作为输入变量,建立了冬小麦叶片叶绿素含量的B P 神经网络估测模型(WW L C C B P ),并对估测模型进行精度验证㊂结果表明,WW L C C B P 估测模型在拔节期估测的决定系数(r 2)为0.84,均方根误差(R M S E )为5.39,平均相对误差(A R E )为9.87%㊂抽穗期的估测效果与拔节期较为一致㊂将WW L C C B P 和高分六号影像结合监测了研究区域冬小麦叶片叶绿素含量的空间分布信息,叶片S P A D 值在43.2~53.7之间的冬小麦长势正常,种植面积为25483h m 2,占冬小麦总播种面积的69.81%㊂这说明多遥感光谱指标结合建立的神经网络估测模型可以实现对大田冬小麦叶片叶绿素含量的有效估测㊂关键词:冬小麦;遥感光谱指标;神经网络;叶片叶绿素含量;估测模型文献分类号:S 512.1 中文标志码:A 文章编号:1009-1041(2023)11-1467-08S t u d y o nC h l o r o p h y l l C o n t e n tE s t i m a t i o no fW i n t e rW h e a t L e a fB a s e do n M u l t i p l eR e m o t e S e n s i n g S pe c t r a l I n d i c e s H A NZ h e n q i a n g 1,2,L IW e i g u o 1,2,4,Z H A N GX i a o d o n g 1,L IW e i 3,M AT i n g h u a i 4,Z H A N G H o n g 1,2,Y A OY o n g s h e n g4(1.C o l l e g e o fA g r i c u l t u r a l E n g i n e e r i n g ,J i a n g s uU n i v e r s i t y ,Z h e n j i a n g ,J i a n g s u212013,C h i n a ;2.I n s t i t u t e o fA gr i c u l t u r a l I n f o r m a t i o n ,J i a n g s uA c a d e m y o fA g r i c u l t u r a l S c i e n c e s ,N a n j i n g ,J i a n g s u210014,C h i n a ;3.F l u i d M a c h i n e r y E n g i n e e r i n gT e c h n o l o g y R e s e a r c hC e n t e r ,J i a n g s uU n i v e r s i t y ,Z h e n j i a n g ,J i a n g s u212013,C h i n a ;4.N a n j i n g U n i v e r s i t y of I n f o r m a t i o n o f S c i e n c e a n dT e c h n o l og y ,N a n j i n g ,J i a n gs u210044,C h i n a )A b s t r a c t :I no r d e r t o s o l v e t h e p r o b l e m s o f l o w p r e c i s i o n a n d l o wu n i v e r s a l i t y of t h em o d e l f o r e s t i m a -t i ng th e c h l o r o p h y l l c o n t e n t o fwi n t e rw h e a t l e a f i n t h e f i e l d ,a n a c c u r a t e a n d e f f i c i e n tm e t h o dw a s p r o -p o s e db y c o m b i n i n g m u l t i p l e r e m o t e s e n s i n g s pe c t r a l i n d i c e s a n dn e u r a l n e t w o r k s .B a s e do nt h e r e d b a n d r ef l e c t a n c e (B R r e d )a n dn e a r i n f r a r e db a n d r e f l e c t a n c e (B R n i r )o fw i n t e rw h e a t c a n o p y a t j o i n t i n g a n dh e a d i n g s t a g e s ,t h en o r m a l i z e dd i f f e r e n c e v e g e t a t i o n i n d e x (N D V I ),d i f f e r e n t i a l v e ge t a t i o n i n d e x (D V I ),r a t i ov e g e t a t i o n i n d e x (R V I ),s o i l a d j u s t e dv e g e t a t i o n i n d e x (S A V I ),m o d if i e ds i m p l e r a t i o v eg e t a t i o n i n d e x (M S R ),r e n o r m a l i z a t i o nd i f f e r e n c ev e g e t a t i o n i n d e x (R D V I ),e nh a n c e dv e ge t a t i o n i n d e xof t y p e I I (E V I 2)a n dn o n l i n e a r v eg e t a t i o n i n d e x (N L I )w e r e c a l c u l a t e d .A f t e r s t a t i s t i c a l a n a l y-s i s ,f i v e r e m o t e s e n s i n g s p e c t r a l i n d i c a t o r s (N D V I ,M S R ,N L I ,B R r e d ,a n dR V I )w e l l c o r r e l a t e dw i t h Copyright ©博看网. All Rights Reserved.l e a f c h l o r o p h y l l c o n t e n tw e r e s e l e c t e da s i n p u t v a r i a b l e s t oe s t a b l i s haB Pn e u r a l n e t w o r ke s t i m a t i o n m o d e l(WW L C C B P)f o rw i n t e rw h e a t l e a fc h l o r o p h y l lc o n t e n t,a n dt h ea c c u r a c y o ft h ee s t i m a t i o n m o d e lw a s v e r i f i e d.T h e r e s u l t s s h o w e d t h a t t h e d e t e r m i n a t i o n c o e f f i c i e n t(r2),r o o tm e a n s q u a r e e r-r o r(R M S E),a n d a v e r a g e r e l a t i v e e r r o r(A R E)o fWW L C C B P e s t i m a t i o nm o d e l a t j o i n t i n g s t a g ew e r e 0.84,5.39,a n d9.87%,r e s p e c t i v e l y.T h ee s t i m a t i o ne f f e c to fh e a d i n g s t a g ew a sc o n s i s t e n tw i t h t h a t o f j o i n t i n g s t a g e.T h e s p a t i a l d i s t r i b u t i o n i n f o r m a t i o no f c h l o r o p h y l l c o n t e n t i nw i n t e rw h e a t l e a f i n t h e s t u d y a r e aw a sm o n i t o r e d b y c o m b i n i n g WW L C C B P a n dG F-6i m a g e.T h ew i n t e rw h e a tw i t h l e a f S P A Dv a l u eb e t w e e n43.2a n d53.7g r e wn o r m a l l y,a n d t h e p l a n t i n g a r e aw a s25483h m2,a c c o u n t i n g f o r69.81%o f t h e t o t a l p l a n t i n g a r e a o fw i n t e rw h e a t.T h e n e u r a l n e t w o r k e s t i m a t i o nm o d e l b a s e d o n m u l t i p l e r e m o t es e n s i n g s p e c t r a l i n d i c e sc a ne f f e c t i v e l y e s t i m a t et h ec h l o r o p h y l lc o n t e n to fw i n t e r w h e a t l e a f i n t h e f i e l d.K e y w o r d s:W i n t e rw h e a t;R e m o t es e n s i n g s p e c t r a l i n d e x;N e u r a ln e t w o r k;L e a f c h l o r o p h y l l c o n t e n t;E s t i m a t i o nm o d e l叶片叶绿素含量是农作物生长过程中的重要理化参数,对农作物光合能力㊁生长态势㊁肥水丰缺等具有较好指示作用[1]㊂小麦是我国主要粮食作物之一,其高产稳产对国家粮食安全和人民生活水平提高具有重要意义㊂准确㊁快速获取叶片叶绿素含量有助于实时掌握小麦的营养和长势状况,为田间管理提供科学依据[2]㊂传统获取叶片叶绿素含量的方法或需野外人工采样结合室内定量测试,或利用叶绿素仪实地进行人工测定,这些方法均费时费力,难以获取大面积作物的叶片叶绿素含量信息[3-4]㊂遥感技术具有覆盖范围广㊁动态㊁连续监测等优点,已被广泛应用于农作物长势监测㊁产量估算㊁病虫害预测等方面[5-6],也为农作物叶片叶绿素含量估测提供了新方法㊂在遥感光谱波段中红光和近红外对绿色农作物敏感,蕴含了大量与叶片叶绿素含量相关的光谱信息,已有较多学者进行了大量研究㊂如魏青等[7]利用无人机多光谱数据构建植被指数,并与冬小麦叶片叶绿素含量(w i n t e r w h e a tl e a fc h l o r o p h y l l c o n t e n t,WW L C C)进行相关性分析,建立WW L-C C的关键生育时期估测模型;杨峰等[8]通过比较多种植被指数与作物叶面积指数和叶片叶绿素密度的相关性,利用线性回归建立了作物叶片叶绿素密度估算模型;陈晓娜等[9]利用线性拟合方法,分别构建了基于敏感波段和植被指数的WW L C C估测模型;S c h l e mm e r等[10]将玉米叶片高光谱反射率进行导数处理计算N D V I,基于多元线性回归实现对玉米叶绿素含量的有效估测; S h e n等[11]建立偏最小二乘回归模型对WW L C C 进行估测㊂有学者尝试采用图像处理的方法估测WW L C C,如苑迎春等[12]利用图像分割算法提取颜色特征参数进而对WW L C C估测,但未用于大田估测㊂前述研究主要是通过分析单个或少量几个遥感光谱指标和叶片叶绿素含量之间的关系,利用线性回归方法实现对叶绿素含量的快速估测㊂叶片叶绿素含量与多个光谱反射率和植被指数(本文统称为遥感光谱指标)之间存在多重关系,利用单一或少量遥感光谱指标进行叶片叶绿素含量估测虽然具有建模快捷㊁简单的特点,但所建模型在不同区域的通用性较差㊂近年来,机器学习方法在遥感反演上的应用较广泛,如B P神经网络在作物生长参数反演㊁作物产量估算㊁作物病虫害预测等方面取得较好应用效果[13-15]㊂有关将多个遥感光谱指标和B P 神经网络结合进行大田冬小麦叶片叶绿素含量(WW L C C)估测的研究少有报道㊂本研究通过在江苏省连云港市东海县㊁盐城市大丰区和泰州市泰兴市分别布置WW L C C估测试验,在获取冬小麦冠层叶片红光波段反射率(B R r e d)㊁近红外波段反射率(B R n i r)和WW L C C的基础上,根据波段反射率(B R r e d㊁B R n i r)和多个植被指数(N D V I㊁D V I㊁R V I㊁S A V I㊁M S R㊁R D V I㊁E V I2和N L I)与WW L C C之间的相关性,筛选遥感光谱指标,并基于这些遥感光谱指标建立WW L C C的B P神经网络估测模型,以期形成WW L C C有效估测的新方法,为大田冬小麦生长监测以及水肥管理提供辅助支持㊂1材料和方法1.1试验区概况和数据获取在江苏省连云港市东海县㊁盐城市大丰区和泰州市泰兴市分别布置冬小麦叶片叶绿素含量㊃8641㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.(WW L C C)估测试验㊂2022年3月24日至28日(冬小麦拔节期),用J u n oS T(美国)手持G P S仪在东海县㊁大丰区和泰兴市三个试验区定位,各选择30个试验样点(共90个)进行数据获取㊂4月15日(冬小麦抽穗期),在泰兴市进行相同定位试验样点获取数据㊂每个试验样点间隔约1~2 k m,田间冬小麦长势良好,施肥㊁灌溉等管理措施与当地常规冬小麦田相同㊂试验点田块面积不少于62500m2(250mˑ250m),且土壤肥力均匀㊂冬小麦供试品种为苏麦13㊁苏麦18和苏麦9023,播种方式为撒播㊂在天气晴朗㊁风力较小的天气情况下,于10:00-14:00期间,在每个试验样点田块中间位置用G r e e n S e e k e r(美国)光谱仪,采用梅花线对角法分别测量冬小麦冠层B R r e d和B R n i r,重复测量5次,计算平均值作为单个试验样点的光谱信息数据㊂为避免测量时太阳高度角的变化对光谱信息采集造成的误差,每隔10m i n 使用白板进行一次校正㊂WW L C C的测量是利用S P A D-502P l u s叶绿素仪(日本),对冬小麦植株冠层的上㊁中㊁下部分所有叶片分别进行测量获取S P A D(s o i l a n d p l a n ta n a l y z e rd e v e l o t r n e n t)值,将三个部位测量值的平均值作为该植株的叶片叶绿素含量,再测量5株得出平均值作为每个试验样点的WW L C C(%)㊂1.2植被指数计算利用G r e e nS e e k e r光谱仪在试验区样点测得冬小麦冠层B R r e d(R e db a n dr e f l e c t a n c e)和B R n i r(N e a r i n f r a r e d b a n d r e f l e c t a n c e)并计算八个植被指数(N D V I,n o r m a l i z e dd i f f e r e n c ev e g e t a-t i o ni n d e x;D V I,d i f f e r e n t i a lv e g e t a t i o ni n d e x; R V I,r a t i ov e g e t a t i o ni n d e x;S A V I,s o i l a d j u s t e d v e g e t a t i o ni n d e x;M S R,m o d i f i e d s i m p l e r a t i o v e g e t a t i o ni n d e x;R D V I,r e n o r m a l i z a t i o n d i f f e r-e n c e v e g e t a t i o n i n d e x;E V I2,e n h a n c e d v e g e t a t i o n i n d e xo ft y p eI I;N L I,n o n l i n e a rv e g e t a t i o ni n-d e x)[16-17]㊂计算公式如下:N D V I=B R n i r-B R r e d/B R n i r+B R r e d(1)R V I=B R n i r/B R r e d(2)D V I=B R n i r-B R r e d(3) S A V I=[(B R n i r-B R r e d)/(B R n i r+B R r e d+ Y)](1+Y)(4) M S R=B R n i r/B R r e d-1/B R n i r/B R r e d+1(5)R D V I=B R n i r-B R r e d/B R n i r/B R r e d(6)E V I2=2.5B R n i r-B R r e d/B R n i r+B R r e d+1(7) N L I=B R n i r2-B R r e d/B R n i r2+B R r e d(8)式中,Y为土壤调节系数,取值范围为0~1,当Y=0.5时可以将绿色植被中土壤变化和植被冠层干扰降至最低㊂1.3 B P神经网络B P神经网络由输入层㊁中间层(也称隐含层)和输出层组成,输入层和输出层是单层,隐含层是多层㊂各层神经元仅与相邻层神经元之间相互全连接,同层内神经元之间无连接,各层神经元之间无反馈连接㊂训练开始时,为避免奇异样本数据对输出结果影响,加快训练网络收敛,需先将输入数据进行归一化处理,使数据范围位于[0,1]区间[18]㊂计算公式为:y=x-M i n/M a x-M i n(9) y=x-μ/σ(10) y=l o g10x(11)式中,y为归一化后的数据,x为原始数据, M i n为数据最小值,M a x为数据最大值,μ为数据均值,σ为数据标准差㊂处理后的数据从输入层经过隐含层,最后到达输出层,若输出层的数值未到达期望输出数值,计算输出层的误差变化值后,将误差进行反向传播,然后依次调节隐含层到输出层和输入层到隐含层的权重和偏置,直到输出数值满足期望输出数值后,将模型估测值输出㊂输出之前需要对数据进行反归一化处理,反归一化处理即归一化处理的逆运算㊂计算公式为:x1=y1M a x-M i n+M i n(12) x1=σˑy1+μ(13) x1=10y1(14)式中,x1为反归一化处理后的估测值,y1为反归一化处理前的估测值㊂本研究通过构建三层B P网络(即1个隐含层)对WW L C C进行估测㊂隐含层节点数对所建的神经网络估测模型的精度影响很大,隐含层节点数确定依据前人研究方法[19-20]㊂计算公式如下: m=n+l+α(15) m=l o g2n(16) m=n l(17)式中,m为隐含层节点数,n为输入层节点数,l为输出层节点数,α为1~10之间的常数㊂㊃9641㊃第11期韩振强等:多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究Copyright©博看网. All Rights Reserved.1.4模型构建与精度验证利用统计软件对10个遥感光谱指标(B R r e d㊁B R n i r㊁N D V I㊁D V I㊁R V I㊁S A V I㊁M S R㊁R D V I㊁E V I2和N L I)与WW L C C的相关性进行分析,选择其中相关性相对较好的遥感光谱指标作为输入变量,并利用东海县和大丰区拔节期60个试验样点数据建立叶片叶绿素含量B P神经网络估测模型(WW L C C B P)㊂建模完成后,分别将泰兴市拔节期和抽穗期的各30个试验区样点数据输入到WW L C C B P估测模型计算WW L C C的估测值㊂然后将估测值和对应试验区样点实测值进行线性拟合,采用r2(c o e f f i c i e n t o f d e t e r m i n a t i o n)㊁R M S E(r o o tm e a ns q u a r e e r r o r)和A R E(a v e r a g e r e l a t i v e e r r o r)作为估测模型的精度评价指标,R2值越大,R M S E和A R E值越小,WW L C C估测模型的估测精度越高㊂r2㊁R M S E和A R E的计算公式如下:r2=ðx i=1A i-C-2/ðx i=1B i-C-2(18) R M S E=ðx i=1A i-B i2/x(19)A R E=1xðx i=1|A i-B i|B iˑ100%(20)式中,A i为30个试验区样点WW L C C估测模型的估测值;B i为30个验证试验区样点WW L C C实测值;C-为30个验证试验区样点WW L C C实测值的平均值;x为验证试验区样点数,取值为30㊂1.5影像数据获取与预处理高分六号卫星(G F6/W F V)遥感影像数据于中国资源卫星应用中心下载(h t t p://w w w.c r e s-d a.c o m/)㊂G F6/W F V卫星配置多光谱中分辨率相机,观测幅宽为800k m,空间分辨率为16m ˑ16m㊂影像获取时间为2022年3月28日,在遥感影像处理软件中对下载的卫星遥感影像进行辐射定标㊁大气校正㊁几何校正和影像裁剪等预处理[21]㊂2结果与分析2.1多遥感光谱指标和WW L C C之间的相关性对60个建模试验样点的B R r e d㊁B R n i r㊁N D V I㊁D V I㊁R V I㊁S A V I㊁M S R㊁R D V I㊁E V I2和N L I等10个遥感光谱指标与WW L C C进行相关分析,结果(表1)表明,不同遥感光谱指标与WW L C C 之间的相关性存在差异㊂其中,B R r e d与WW L C C 呈负相关,其他遥感光谱指标与WW L C C均呈正相关㊂10个遥感光谱指标中,B R n i r与WW L C C 之间的相关程度最低,相关系数为0.424;N D V I 与WW L C C之间相关程度最高,相关系数为0.634㊂遥感光谱指标与WW L C C之间的相关系数绝对值表现为N D V I>M S R>N L I>B R r e d >R V I>S A V I>R D V I=E V I2>D V I>B R n i r㊂本研究选择相关系数绝对值大于0.55的前5个遥感光谱指标(N D V I㊁M S R㊁N L I㊁B R r e d和R V I)作为构建模型的输入变量㊂表1遥感光谱指标与WW L C C之间的相关系数(n=60)T a b l e1C o r r e l a t i o n c o e f f i c i e n t s b e t w e e n r e m o t e s e n s i n g s p e c t r a l i n d i c e s a n d l e a f c h l o r o p h y l l c o n t e n t o fw i n t e rw h e a t(n=60)B R r e d B R n i r N D V I R V I D V I S A V I M S R R D V I E V I2N L I B R n i r-0.294*N D V I-0.809**0.765**R V I-0.787**0.776**0.927**D V I-0.381**0.996**0.818**0.826**S A V I-0.510**0.965**0.904**0.879**0.982**M S R-0.807**0.786**0.964**0.993**0.838**0.901**R D V I-0.493**0.974**0.891**0.875**0.989**0.999**0.895**E V I2-0.492**0.974**0.889**0.879**0.990**0.999**0.897**0.999**N L I-0.645**0.868**0.970**0.883**0.902**0.965**0.924**0.954**0.951**WW L C C-0.564**0.424**0.634**0.587**0.464**0.536**0.610**0.523**0.523**0.599** *:P<0.05;**:P<0.01.㊃0741㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.2.2 WW LC C 的B P 神经网络估测模型建立以优选出来的5个遥感光谱指标(ND V I ㊁M S R ㊁N L I ㊁B R r e d 和RV I )作为输入变量,WW L -C C 作为输出变量,利用东海县和大丰区60个试样点数据建立WW L C C 的B P 神经网络估测模型(WW L C C B P )㊂在模型训练时,用t r a i n l m 函数作为训练函数,用t a n s i g 函数作为隐含层激活函数,用p u r e l i n 函数作为输出层函数[22]㊂结合公式(15)㊁(16)和(17),可确定隐含层节点数的范围为3~9㊂不同隐含层节点数的B P 神经网络模型估测WW L C C 有不同结果,且r 2和R M S E 的值不同,因而需要先确定最佳隐含层节点数㊂从所建WW L C C 估测模型的r 2和R M S E 值(表2)看,隐含层节点数对WW L C C 估测模型的精度有较大的影响㊂随着隐含层节点的增加,r2呈先增后减的趋势,R M S E 呈先减后增的趋势㊂当隐含层节点数为7时,估测模型的r 2达到最大,为0.839,且R M S E 最小,为5.39㊂因此,确定最佳隐含层节点数为7,对应的模型结构为5-7-1㊂估测模型的隐含层权重和偏差见表3㊂表2 不同隐含层节点数的B P 神经网络模型对WW L C C 的估测精度T a b l e 2 E s t i m a t i o na c c u r a c y o f l e a f c h l o r o p h y l l c o n t e n t o fw i n t e rw h e a t b y BP n e u r a l n e t w o r km o d e l w i t hd i f f e r e n t h i d d e n l a ye r n o d e s 指标I n d e x隐含层节点数N u m b e r o f h i d d e n l a y e r n o d e s 3456789r20.4380.7020.6270.7120.8390.5210.484RM S E7.3616.9636.8375.8045.3905.9846.203WW L C C 估测模型(WW L C C B P ,%):WW L C C =-0.42ˑY 1+0.8ˑY 2+0.4ˑY 3-0.82ˑY 4-0.31ˑY 5+0.98ˑY 6+0.58ˑY 7-0.44(21)Y i =21+e x p (-2X i )-1(22)X i =B R r e d ˑw 1i +N D V I ˑw 2i +R V I ˑw 3i +M S Rˑw 4i +N L I ˑw 5i +b i(23)式中,Y i 和X i 分别为隐含层第i 个神经元的输出和输入,b i 为隐含层第i 个神经元的偏差,i =1,2,3,4,5,6,7,w n i 为输入层第n 个神经元与隐含层第i 个神经元的连接权重,n =1,2,3,4,5㊂表3 WW L C C 的B P 神经网络估测模型的权重和偏差T a b l e 3 W e i g h t a n dd e v i a t i o no fw i n t e rw h e a t l e a f c h l o r o p h yl l c o n t e n t e s t i m a t i o nm o d e l b a s e do nB Pn e u r a l n e t w o r k i权重W e i gh t w 1iw 2iw 3i w 4iw 5i偏差D e v i a t i o n 1-0.36-0.661.220.980.813.062-0.27-1.17-0.98-2.51-0.65-1.0530.11-0.40-0.970.67-1.141.4540.59-0.560.39-1.03-0.300.6850.08-1.170.23-1.57-1.010.0760.24-0.671.060.912.181.3671.251.070.950.11-0.952.152.3 WW L C C 估测模型的精度评价将泰兴市冬小麦拔节期和抽穗期的各30个试样点数据的N D V I ㊁M S R ㊁N L I ㊁B R r e d 和RV I 作为输入变量输入到WW L C C B P 估测模型中,得到泰兴市冬小麦WW L C C 估测值,并将其与试样点实测值进行线性拟合㊂由图1可知,两个时期的估测值与实测值的拟合点都均匀地分布在1ʒ1线的两侧,拟合点的离散程度均较小㊂其中,拔节期WW L C C 实测值主要分布在43.3~55.2之间,估测值主要分布在43.2~53.7之间,r 2为0.84,A R E 为9.87%;抽穗期的实测值主要分布在47.2~61.5之间,估测值主要分布在49.3~61.2之间,r2为0.69,A R E 为14.67%㊂综上来看,WW L C C B P 估测模型在拔节期和抽穗期的估测值与实测值较为一致,说明多个遥感光谱指标结合构建的WW L -C C B P 估测模型有较好的估测精度,可以实现大田冬小麦叶片叶绿素含量的有效估测㊂㊃1741㊃第11期韩振强等:多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究Copyright ©博看网. All Rights Reserved.图1WW L C C B P估测模型拔节期和抽穗期的估测值与实测值比较F i g.1C o m p a r i s o nb e t w e e n e s t i m a t e d v a l u e s a n dm e a s u r e d v a l u e s o fWW L C C B Pe s t i m a t i o nm o d e l a t j o i n t i n g a n dh e a d i n g s t a g e s2.4县域WW L C C空间信息遥感监测利用WW L C C B P估测模型和泰兴市G F6/ W F V遥感影像估测泰兴市全市WW L C C空间分布信息,得到遥感信息图(图2)㊂根据试验样点实测数据初步将叶片叶绿素含量(S P A D)分为三个等级:一级(长势旺盛,红色)S P A D值ȡ53.7;二级(长势正常,绿色)S P A D值43.2~53.7和三级(长势偏弱,黄色)S P A D值ɤ43.2㊂由图2可知,叶片叶绿素含量为二级的冬小麦种植面积为25483h m2,占冬小麦总面积的69.81%,主要分布在泰兴市的中部及东部地区,如根思㊁姚王㊁河失㊁南沙和珊瑚等乡镇(绿色),这些乡镇冬小麦田块面积较大,种植较为集中㊂这些地区冬小麦叶片叶绿素含量正常,长势状况良好,说明肥水管理适当,能够满足冬小麦生长㊂叶片叶绿素含量为一级的冬小麦种植面积为4548h m2,占冬小麦总面积的12.46%,主要分布在泰兴市的北部及东北部地区,如刘陈㊁元竹和古溪等乡镇(红色),这些乡镇叶片叶绿素含量偏高,长势过旺,需要减免肥水管理,以防冬小麦发生倒伏或病虫害㊂叶片叶绿素含量为三级的冬小麦种植面积为6464 h m2,占冬小麦总面积的17.71%,主要分布在泰兴市的西部和西北部,如过船㊁大生和蒋华等乡镇(黄色),这些乡镇田块较小且分散,冬小麦叶片叶绿素含量偏低,说明长势偏弱,应及时加强肥水管理措施,以促冬小麦正常生长㊂图2泰兴市冬小麦叶片叶绿素含量空间分布遥感监测F i g.2R e m o t e s e n s i n g m o n i t o r i n g o f s p a t i a l d i s t r i b u t i o no f c h l o r o p h y l l c o n t e n t i nw i n t e rw h e a t l e a f i nT a i x i n g c i t y㊃2741㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.3讨论前人对于冬小麦生长参数(如叶面积指数㊁生物量以及叶绿素含量等)遥感估测大致可分为三种方法:第一种是选择单个遥感光谱指标采用一元线性回归方法建立估测模型,第二种是选择几个遥感光谱指标采用多元线性回归方法建立估测模型,第三种是选择几个遥感光谱指标结合机器学习的方法建立估测模型㊂前两种方法可以快速建立模型实现对小区域田块生长参数的估测,但利用简单几个光谱信息难以准确反演生长参数信息㊂机器学习以其优秀的自适应自学习能力和非线性映射能力在生长参数反演方面具有独特优势,有助于揭示遥感光谱指标与生长参数之间的多重内在关系㊂本研究将多个遥感光谱指标和B P神经网络结合建立模型实现对WW L C C的估测,优选多个相关性较好的遥感光谱指标作为模型的输入变量,减小估测模型的误差,B P神经网络代替简单的线性回归弥补了单一线性拟合的不足,将自变量和因变量进行多次非线性拟合,并将误差反向传播,提高估测模型的精度㊂在遥感光谱指标的选择以及建模方法方面加以改进,利用多个遥感光谱指标和B P神经网络所建立的WW L C C B P估测模型精度较高,结合卫星遥感影像可生成县域冬小麦WW L C C空间分布信息图,有利于获取不同叶绿素含量等级的冬小麦种植面积信息,为大面积的冬小麦生长参数智能化遥感估测提供科学方法㊂实时掌握冬小麦拔节期㊁抽穗期等关键生育时期的叶片叶绿素含量空间分布信息,可快速获取大面积冬小麦的长势情况,有利于水肥管理的实时调整㊂本研究以冬小麦叶片叶绿素含量为研究对象,通过分析多个遥感光谱指标与WW L C C 相互关系,确立与WW L C C相关性较好的5个遥感光谱指标(N D V I㊁M S R㊁N L I㊁B R r e d和R V I)建立了WW L C C B P估测模型,并对模型进行精度验证,表明WW L C C B P估测模型在拔节期和抽穗期的估测精度都较好,说明综合多个遥感光谱指标和B P神经网络进行建模,可以有效获取大面积的大田WW L C C信息数据,可为县级农业管理部门提供决策参考㊂由于试验样本有限,未能全面了解WW L C C和更多遥感光谱指标之间的相互关系,建立的模型以及参数选择尚待完善㊂此外,本研究仅采用高分六号卫星遥感数据,今后将考虑结合其他卫星遥感数据进行光谱信息融合,分析其对模型精度的影响,并结合更多的冬小麦遥感生长监测试验,引入其他光谱或生长参数指标(如叶面积指数和地上生物量)改进WW L C C估测模型,以提高WW L C C B P估测精度㊂4结论通过分析10个遥感光谱指标和WW L C C之间的相关性,确立了相关性较好的5个遥感光谱指标(N D V I㊁M S R㊁N L I㊁B R r e d和R V I),并建立WW L C C B P估测模型㊂利用实测数据验证, WW L C C B P估测模型在拔节期的r2为0.84, R M S E为5.39,A R E为9.87%,估测精度为90. 13%㊂抽穗期的估测精度与拔节期较为一致,估测精度为85.33%㊂WW L C C B P和高分六号影像结合进行研究区域冬小麦叶片叶绿素含量的空间信息监测,明确了县域WW L C C的空间分布特征,叶片叶绿素含量(S P A D值)在43.2~53.7之间的冬小麦种植面积为25483h m2,占冬小麦总播种面积的69.81%㊂不同WW L C C等级信息的获取可辅助肥水管理措施的调整㊂多遥感光谱指标和神经网络结合建模可以实现对县域冬小麦叶片叶绿素含量的准确获取㊂参考文献:[1]刘涛,张寰,王志业,等.利用无人机多光谱估算小麦叶面积指数和叶绿素含量[J].农业工程学报,2021,37(19):65.L I U T,Z HA N G H,WA N GZY,e t a l.E s t i m a t i o no f t h e l e a f a r e a i n d e x a n d c h l o r o p h y l l c o n t e n t o f w h e a t u s i n g U A V m u l t i-s p e c t r u mi m a g e s[J].T r a n s a c t i o n s o f t h eC h i n e s eS o c i e t y o fA g r i c u l t u r a lE n g i n e e r i n g,2021,37(19):65.[2]李长春,施锦锦,马春艳,等.基于小波变换和分数阶微分的冬小麦叶绿素含量估算[J].农业机械学报,2021,52(8):172. L ICC,S H I J J,MACY,e t a l.E s t i m a t i o n o f c h l o r o p h y l l c o n-t e n t i nw i n t e rw h e a t b a s e d o nw a v e l e t t r a n s f o r ma n d f r a c t i o n-a l d i f f e r e n t i a l[J].T r a n s a c t i o n so f t h e C h i n e s eS o c i e t yf o rA g r i c u l t u r a lM a c h i n e r y,2021,52(8):172.[3]K A N N I N G M,KÜH L I N GI,T R A U T ZD,e t a l.H i g h-r e s o l u-t i o nU A V-b a s e dh y p e r s p e c t r a l i m a g e r y f o rL A Ia n dc h l o r o-p h y l l e s t i m a t i o n s f r o m w h e a t f o r y i e l d p r e d i c t i o n[J].R e m o t e S e n s i n g,2018,10(12):2000.[4]尹航,李斐,杨海波,等.基于无人机高光谱影像的马铃薯叶绿素含量估测[J].植物营养与肥料学报,2021,27(12):2184. Y I N H,L IF,Y A N G H B,e t a l.E s t i m a t i o no f c a n o p y c h l o r o-p h y l l i n p o t a t o b a s e d o n U A V h y p e r s p e c t r a li m a g e s[J]. J o u r n a l o f P l a n t N u t r i t i o na n d F e r t i l i z e r s,2021,27(12): 2184.[5]尹雯,李卫国,申双和,等.县域冬小麦生物量动态变化遥感㊃3741㊃第11期韩振强等:多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究Copyright©博看网. All Rights Reserved.估测研究[J].麦类作物学报,2018,38(1):50.Y I N W,L IW G,S H E NS H,e t a l.S t u d y o nr e m o t es e n s i n g e s t i m a t i o no fw i n t e rw h e a tb i o m a s sd y n a m i c s i nc o u n t y a r e a [J].J o u r n a l o f T r i t i c e a eC r o p s,2018,38(1):50.[6]MA N A N Z ES,PÔÇA S I,C U N H A M.R e t r i e v a l o fm a i z e l e a fa r e a i n d e xu s i n g h y p e r s p e c t r a l a n dm u l t i s p e c t r a l d a t a[J].R e-m o t eS e n s i n g,2018,10(12):1942.[7]魏青,张宝忠,魏征,等.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[J].麦类作物学报,2020,40(3):365. W E IQ,Z H A N G B Z,W E IZ,e ta l.E s t i m a t i o n o fc a n o p y c h l o r o p h y l l c o n t e n t i nw i n t e rw h e a t b y U A V m u l t i s p e c t r a l r e-m o t e s e n s i n g[J].J o u r n a l o f T r i t i c e a eC r o p s,2020,40(3): 365.[8]杨峰,范亚民,李建龙,等.高光谱数据估测稻麦叶面积指数和叶绿素密度[J].农业工程学报,2010,26(2):237.Y A N GF,F A N Y M,L I JL,e t a l.E s t i m a t i n g L A I a n dC C D o f r i c ea n d w h e a tu s i n g h y p e r s p e c t r a lr e m o t es e n s i n g d a t a [J].T r a n s a c t i o n s o f t h eC h i n e s eS o c i e t y o f A g r i c u l t u r a lE n-g i n e e r i n g,2010,26(2):237.[9]陈晓娜,赵庚星,周雪,等.基于高光谱的小麦冠层叶绿素(S P A D值)估测模型[J].天津农业科学,2018,24(2):60.C H E NXN,Z HA OGX,Z H O UX,e t a l.E s t i m a t i o nm o d e l o f w h e a t c a n o p y c h l o r o p h y l l c o n t e n t(S P A Dv a l u e)b a s e d o nh y-p e r s p e c t r a lT e c h n o l o g y[J].T i a n j i n A g r i c u l t u r a lS c i e n c e s, 2018,24(2):60[10]S C H L E MM E R M R,F R A N C I SD D,S H A N A HA NJF,e ta l.R e m o t e l y m e a s u r i n g c h l o r o p h y l lc o n t e n t i nc o r nl e a v e s w i t hd i f f e r i n g n i t r o g e n l e v e l s a n d r e l a t i v ew a t e r c o n t e n t[J].A g r o n o m yj o u r n a l,2005,97(1):106.[11]S H E NL,G A O M,Y A NJ,e t a l.W i n t e rw h e a tS P A Dv a l u ei n v e r s i o nb a s e do n m u l t i p l e p r e t r e a t m e n tm e t h o d s[J].R e-m o t eS e n s i n g,2022,14(18):4660.[12]苑迎春,周毅,宋宇斐,等.基于信息熵特征选择的小麦冠层叶绿素含量估测方法[J].农业机械学报,2022,53(8):186. WA N YC,Z H O U Y,S O N G Y F,e t a l.E s t i m a t i o n m e t h o d o fw h e a tc a n o p y c h l o r o p h y l lb a s e do ni n f o r m a t i o ne n t r o p y f e a t u r e s e l e c t i o n[J].T r a n s a c t i o n s o f t h eC h i n e s e S o c i e t y f o rA g r i c u l t u r a lM a c h i n e r y,2022,53(8):186.[13]李卫国,王纪华,赵春江,等.基于T M影像的冬小麦苗期长势与植株氮素遥感监测研究[J].遥感信息,2007(2):12. L IW G,WA N GJH,Z HA OCJ,e t a l.S t u d y o nm o n i t o r i n g t h ew i n t e rw h e a t g r o w t h a n d n i t r o g e n b a s e d o nL a n d-s a tT Mi m a g e[J].R e m o t eS e n s i n g I n f o r m a t i o n,2007(2):12.[14]N A R M I L A N A,G O N Z A L E ZF,S A L G A D O E ASA,e t a l.P r e d i c t i n g c a n o p y c h l o r o p h y l l c o n t e n t i ns u g a r c a n ec r o p su-s i n g m a c h i n e l e a r n i n g a l g o r i t h m s a n ds p e c t r a l v e g e t a t i o n i n-d i c e s d e r i v e df r o m U A V m u l t i s p e c t r a l i m a g e r y[J].R e m o t e S e n s i n g,2022,14(5):1140.[15]张宏,李卫国,张晓东,等.多遥感光谱指标优选的大田冬小麦茎蘖数估测[J].麦类作物学报,2023,43(3):391.Z HA N G H,L IW G,Z HA N GXD,e t a l.E s t i m a t i o no f s t e m a n d t i l l e r n u m b e r o fw i n t e rw h e a t i n f i e l db a s e do n o p t i m i z a-t i o no fm u l t i p l er e m o t es e n s i n g s p e c t r a l i n d e x[J].J o u r n a l o f T r i t i c e a eC r o p s,2023,43(3):391.[16]王恺宁,王修信.多植被指数组合的冬小麦遥感估产方法研究[J].干旱区资源与环境,2017,31(7):44.WA N G K N,WA N G X X.R e s e a r c ho n w i n t e rw h e a t y i e l d e s t i m a t i o nw i t ht h e m u l t i p l y r e m o t es e n s i n g v e g e t a t i o ni n-d e x c o m b i n a t i o n[J].J o u r n a lo f A r i d L a n d R e s o u r c e sa n dE n v i r o n m e n t,2017,31(7):44.[17]N A V A R R O G,C A B A L L E R OI,S I L V A G,e t a l.E v a l u a t i o n o f f o r e s t f i r eo n M a d e i r aI s l a n du s i n g S e n t i n e l-2A M S I i m-a g e r y[J].I n t e r n a t i o n a l J o u r n a l o f A p p l i e dE a r t hO b s e r v a-t i o na n dG e o i n f o r m a t i o n,2017,58:97.[18]王美玲,王念平,李晓.B P神经网络算法的改进及应用[J].计算机工程与应用,2009,45(35):47.WA N G M L,WA N G N P,L IX.I m p r o v e m e n t a n da p p l i c a-t i o no fB P N N a l g o r i t h m[J].C o m p u t e r E n g i n e e r i n g a n dA p p l i c a t i o n s,2009,45(35):47.[19]X U M,L I U R,C H E NJM,e t a l.R e t r i e v i n gg l o b a l l e a f c h l o-r o p h y l lc o n t e n tf r o m M E R I Sd a t au s i n g an e u r a ln e t w o r k m e t h o d[J].I S P R SJ o u r n a l o f P h o t o g r a mm e t r y a n d R e-m o t eS e n s i n g,2022,192:66.[20]D O N G T,S H A N GJ,C H E NJM,e t a l.A s s e s s m e n t o f p o r t-a b l e c h l o r o p h y l lm e t e r s f o rm e a s u r i n g c r o p l e a f c h l o r o p h y l lc o n c e n t r a t i o n[J].R e m o t eS e n s i n g,2019,11(22):2706.[21]张传波.县域冬小麦生长和叶片水分含量遥感估测研究[D].镇江:江苏大学,2022.Z HA N GCB.S t u d y o nr e m o t e s e n s i n g e s t i m a t i o no fw i n t e r w h e a t g r o w t ha n dl e a f w a t e rc o n t e n t i nc o u n t y[D].Z h e n-j i a n g:J i a n g s uU n i v e r s i t y,2022.[22]蔡荣辉,崔雨轩,薛培静.三层B P神经网络隐层节点数确定方法探究[J].电脑与信息技术,2017,25(5):29.C A IR H,C U IY X,X U EPJ.R e s e a r c ho nt h em e t h o d so f d e t e r m i n i n g t h en u m b e ro fh i d d e nn o d e s i nt h r e e-l a y e rB P n e u r a l n e t w o r k[J].C o m p u t e ra n dI n f o r m a t i o n T e c h n o l o-g y,2017,25(5):29.㊃4741㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.。

冬小麦冠层叶绿素质量分数高光谱遥感反演研究

冬小麦冠层叶绿素质量分数高光谱遥感反演研究孙勃岩;常庆瑞;刘梦云【摘要】Chlorophyll mass fraction is one of the important parameter to assess growth situation and forecast yields of winter wheat,it is significant to estimate chlorophyll mass fraction for monitoring of winter wheat growing information.During the growth of winter wheat growth stage,the winter wheat canopy spectral reflectance and chlorophyll mass fraction were monitored in the field by the SPAD-502 and the SVCHR 1024i handheld spectrometer.Based on the results of correlation analysis,the estimation models of chlorophyll mass fraction were established according to regression and BP neural network.Then simulation precision for different models were analyzed,evaluated and the best model from the different ones was chosen.The results showed that the fitting precision of estimation models with BP neural network were superior to other models of vegetation index.The coefficient of determination (R) was 0.961 4,the root mean square error (RMSE) was 1.875 4,the relative error (RE) was2.815 2％.And the coefficient of determination (R2) of inspection equation was 0.704 8,RMSE of inspection equation was 1.744 6,RE of inspection equation was 2.845 1％.The study provided a reference for estimating winter wheat by chlorophyll contents.And it would be a solid foundation for the winter wheat to obtain chlorophyll mass fraction of real-time,fast and nondestructive monitoring method.%叶绿素质量分数是评估冬小麦生长状况和预测产量的重要参数,估算叶绿素质量分数对于冬小麦的生长监测具有重要意义.利用SPAD-502叶绿素仪和SVCHR 1024i型便携式高光谱仪对冬小麦冠层叶绿素质量分数和光谱特征进行田间测量,分别利用同归分析方法和BP神经网络方法搭建冬小麦叶绿素质量分数的估算模型,并将模型估算的叶绿素质量分数与田间实测的叶绿素质量分数进行对比,分析反演精度,从中筛选出精度最高的模型.结果表明:基于BP神经网络的冬小麦冠层叶绿素质量分数估算模型拟合精度要优于其他7种基于植被指数的估算模型,其相关系数(R)为0.961 4,均方根误差(RMSE)为1.875 4,相对误差(RE)为2.815 2％,以及检验方程的决定系数(R2)为0.704 8,RMSE为1.744 6,RE为2.845 1％.研究结果为估测冬小麦冠层叶绿素质量分数提供参考,从而为冬小麦叶绿素质量分数的实时、快速、无损监测奠定基础.【期刊名称】《西北农业学报》【年(卷),期】2017(026)004【总页数】8页(P552-559)【关键词】冬小麦;叶绿素质量分数;光谱特征;BP神经网络;植被指数【作者】孙勃岩;常庆瑞;刘梦云【作者单位】西北农林科技大学资源环境学院,陕西杨凌712100;西北农林科技大学资源环境学院,陕西杨凌712100;西北农林科技大学资源环境学院,陕西杨凌712100【正文语种】中文【中图分类】S127叶绿素是植物叶片中基本组成物质，叶绿体是光合过程发生的载体，对太阳辐射的光能利用、大气二氧化碳的吸收，光合进程等具有密切关系，直接影响到作物与外界的物质能量交换及作物的物质积累，其质量浓度的高低对植物光合效率、发育状况等有重要的指示作用[1-2]。

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型马春艳;王艺琳;翟丽婷;郭辅臣;李长春;牛海鹏【期刊名称】《农业机械学报》【年(卷),期】2022(53)6【摘要】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R^(2)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R^(2)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。

【总页数】10页(P217-225)【作者】马春艳;王艺琳;翟丽婷;郭辅臣;李长春;牛海鹏【作者单位】河南理工大学测绘与国土信息工程学院【正文语种】中文【中图分类】S512.11【相关文献】1.截形叶螨危害下枣叶片叶绿素含量高光谱估算模型2.不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究3.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算4.基于高光谱的石楠叶片叶绿素含量估算模型5.基于高光谱参数建立苗期高温条件下草莓叶片叶绿素含量估算模型因版权原因，仅展示原文概要，查看原文内容请购买。

基于NIRG的冬小麦叶绿素含量的监测

1 引言小麦是我国主要的粮食作物之一，其产量是各级政府进行决策、生产部门指导生产、流通领域安排粮食收购和销售、交通部门安排运输计划的重要经济信息。

因而小麦产量的准确预测对我国农业和经济的发展具有重要意义。

遥感技术和地理信息系统的引入为解决这一问题提供了有效手段[1]。

遥感估产小麦种植是通过卫星可见光和近红外波段进行组合，形成各种植被指数，根据植被的光谱特性，来研究植被演化信息[2]。

近20年来利用遥感进行作物实时监测和营养快速诊断一直是遥感在农业中应用的研究热点。

高光谱遥感技术能通过监测作物生育时期的光谱变化研究作物反射光谱和叶绿素含量、叶面积指数等农学参数之间的关系，为作物遥感长势监测和遥感估产提供依据[3]。

利用卫星遥感信息进行农作物的长势监测和产量估计，主要依据农田作物光谱的反射特征，即同一作物在同一时间的不同波段以及在不同时间内具有不同的反射辐射状况。

然而，农田作物光谱实际上是多种光谱混合的结果，但微分光谱、植被指数等技术在水稻农学参数测定研究应用中有着很好的表现[4]，除作物本身状况外，农田作物光谱受土壤背景状况的影响由于栽培措施不同，作物本身又出现各种生长状况，因而可表现出各种各样的光谱状况。

卫星遥感信息反映的是野外条件下地物的反射辐射状况，因而可表现出各种各样的光谱状况。

卫星遥感信息反映的是野外条件下地物的反射辐射状况，田间野外测定的地面光谱与其具有很好的可比性。

从高光谱数据中提取植被指数进行长势监测和氮营养诊断也是其中重要的内容，研究表明红光和近红外波段的不同组合进行植被研究非常好，这些波段包含90%以上的植被信息。

研究发现不同氮水平下的水稻冠层、叶片和稻株的反射光谱具有差异，其叶面积指数和叶绿素含量与高光谱数据有相关性[5]。

高光谱技术在作物监测上的潜力也很大，它是有光谱范围广（400～2500nm）、波段多（512～1024个）、光谱分辨率高（3nm）、数据量大等优点，可以用来监测作物叶片和冠层的生化组分的状况和变化。

基于随机森林算法的冬小麦叶片氮含量遥感估算研究

目前袁前人在监测作物氮含量方面开展了大量的工作袁并取得了丰硕的成果袁但是不同的反演方法各有特点袁如估算作物氮含量的线性回归模型比较容易构建袁而且还具有
基金项目作者简介
收稿日期
国家重点研发计划渊2016YFD0200600冤遥韩玉杰渊1991-冤袁男袁山东滨州人袁在读硕士研究生袁从事遥感方向的研究工作遥
604 nm 为自变量袁利用随机森林算法构建的 LNC 回归模型精度较光谱指数法有了大幅提高袁模型的建模精度为 R2=0.922袁均方根误差为
0.290曰验证精度为 R2=0.873袁均方根误差为 0.397袁并且相对分析误差值为 2.220袁表明将敏感波段与随机森林算法组合构建的反演模型能较
好地反演冬小麦叶片氮含量遥
当氮营养元素施用不足时袁会严重影响作物的产量及品质曰相反袁当作物施氮过多时袁又会对环境造成一定的污染遥因此袁精确估算冬小麦叶片氮素含量袁对冬小麦长势监测尧提高氮肥利用效率以及深入开展精准农业研究具有重要的意义[2]遥
冬小麦作为我国重要的粮食作物之一袁其氮素营养诊断对于小麦长势监测及田间技术指导具有重要的研究意义[3]遥近年来袁新兴起的高光谱遥感技术具有诸多优势袁如信息量大尧光谱分辨率高尧波段连续性强等袁已受到作物氮素营养诊断科研人员的青睐[4]遥
渊1 College of Surveying and Geo-Informatics袁Shandong Jianzhu University袁Jinan Shandong 250101曰 2 National Engineering Research Center for Information Technology in Agriculture冤
目前袁科研人员对作物氮素诊断开展了大量的研究遥如杨宝华等[5]通过筛选敏感波段构建冬小麦氮含量反演模型袁能够较好地估算冠层氮含量曰王仁红等[4]利用高光谱数据建立氮营养指数渊NNI冤的经验模型袁定性诊断氮营养情况袁说明利用光谱反射率估算作物冠层氮含量是具有可行性的曰还有一些科研人员利用机器学习算法渊如人工神经网络法尧随机森林算法冤估算作物的冠层氮含量[6-7]遥

基于遥感与作物生长模型的冬小麦生长模拟研究

基于遥感与作物生长模型的冬小麦生长模拟研究准确的作物长势动态监测和产量预测对于保障粮食安全、促进农业可持续发展具有非常重要的意义。

作物模型在监测作物长势和预报产量方面是个强有力的工具，然而作物模型由单点模式发展而来，在区域应用上由于区域分异、田块分异等导致作物模型模拟要求的输入参数和初始条件难以获取，使作物模型的应用受到很大的限制，而遥感信息的引入可能使得这个问题得到解决，将遥感信息和作物模型相结合，利用遥感信息反演得到的状态变量优化作物模型模拟，在区域上对作物模型所需的敏感参数和初始条件等重新估计，从而使得作物模型在区域上发挥优势。

本研究拟在对作物模型WOFOST适应性调整及改进的基础上，建立适合山东禹城地区的冬小麦生长模拟模型；利用田间试验数据校正和验证作物生长模拟模型WOFOST，探讨水分胁迫生产水平下的作物模拟模型与遥感信息结合的方法，利用遥感信息校准作物模拟模型的某些关键过程或重新初始化、参数化作物模拟模型，以达到对作物模型的优化；探索应用遥感信息的区域性作物模拟的合理实用方法，并进行模拟研究，使之可以进行区域作物长势监测和产量预报。

主要结论如下：(1)为使WOFOST模型能更好地模拟水分胁迫对冬小麦生长过程的影响，对WOFOST模型进行了适当改进：利用FAO最新推荐的Penman-Monteith公式(1998)替换原有的Penman公式(1948)进行参考作物蒸散的估算；依据同一作物不同生育阶段的作物系数不同的规律，将作物系数改为随生育期变化的变量。

根据作物生长参数生物学意义和敏感性的不同制定调整方案，利用FSEOPT 程序或“试错法”对光合作用最大速率、比叶面积、叶片衰老指数、分配系数、光能利用效率、干物质转换系数等参数进行调整。

利用田间试验数据对调整后的WOFOST模型进行校正和验证。

结果表明：通过对上述两个方面的适当改进和主要作物参数及土壤参数的适应性调整，调整后WOFOST模型对冬小麦的模拟如LAI、地上生物量与实测数据相符，蒸散的模拟更符合实际情况，调整后WOFOST模型可用于模拟研究区域实际土壤水分状况下冬小麦生长发育及产量形成过程。

基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测

基于高光谱和ＰＬＳ—ＬＳ—ＳＶＭ的冬小麦叶绿素含量检测王伟１，彭彦昆１，王秀２，马伟２（１．中国农业大学工学院，北京１０００８３；２．国家农业信息化工程技术研究中心，北京１０００８９）摘要：定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义。

本研究验证高光谱成像技术结合偏最小二乘一最小二乘支持向量机（ＰＬＳ—ＬＳ—ＳＶＭ）建模方法预测大田冬小麦叶绿素含量的可行性。

首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱，进而得到其立方体图像数据，并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值。

为保证ＰＬＳ—Ｌｓ—ＳＶＭ模型的鲁棒性和预测稳定性，首先通过ＰＬ￥方法解决多重共线性问题并将输入变量维数减至４维，然后利用ＬＳ—ＳＶＭ进行训练建模。

所建叶绿素含量预测模型的决定系数达Ｒ２＝０．８４５９，预测均方根误差ＲＭＳＥＶ＝０．４３７０。

研究结果表明，基于高光谱成像系统，采用ＰＬＳ—ＬＳ—ＳＶＭ建立模型用来预测大田冬小麦叶绿素含量是完全可行的。

关键词：冬小麦；叶绿素含量；高光谱成像；偏最小二乘；最小二乘支持向量机中图分类号：Ｓ５１２．１＋１文献标识码：Ａ文章编号：１００３—１８８Ｘ（２０１０Ｊ０９－０１７０一∞０引言小麦是我国主要的粮食作物，氮素营养不仅对小麦生长发育、产量和品质形成有重要作用，而且不合理的氮素营养对环境也会造成威胁，因此氮素营养的监测是小麦优质、高产、高效、安全生产的一个主要措施。

叶绿素含量和植被的光合能力、发育阶段以及氮素状况有较好的相关性…，它们通常是氮素胁迫、光合作用能力和植被发育阶段的指示器【３Ｊ。

因此，定量测定小麦叶片的叶绿素含量在小麦估产、农情监测等方面具有重要的意义。

传统的测量叶绿素的标准方法是化学分析法，即将叶片采集到实验室，经过化学溶剂提取，再在分光光度计上测定其提取液在两个特定波长处的吸光度，然后根据相应公式ＨＪ，计算出叶绿素的含量。

基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算

麦类作物学报 2024,44(4):532-542J o u r n a l o fT r i t i c e a eC r o ps d o i :10.7606/j.i s s n .1009-1041.2024.04.14网络出版时间:2023-11-08网络出版地址:h t t ps ://l i n k .c n k i .n e t /u r l i d /61.1359.s .20231107.1025.020基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算收稿日期:2023-04-05 修回日期:2023-05-05基金项目:国家863计划项目(2013A A 102401-2)第一作者E -m a i l :w q i @n w a f u .e d u .c n (王琪)通讯作者E -m a i l :c h a n g qr @n w s u a f .e d u .c n (常庆瑞)王琪1,常庆瑞1,李铠1,陈晓凯1,缪慧玲1,史博太1,曾学亮2,李振发1(1.西北农林科技大学资源环境学院,陕西杨凌712100;2.江西农业大学国土资源与环境学院,江西南昌330045)摘要:为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用S V C -1024i 光谱仪和S P A D -502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱㊁10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(P C A )对叶绿素敏感的可见光波段(390~780n m )一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证㊂结果表明,小麦冠层叶绿素含量与一阶导数光谱在751n m 处的相关性最高(r =0.71),特征参数中红边蓝边归一化(S D r -S D b )/(S D r +S D b )与叶绿素含量的相关性最高(r =0.66),植被指数(V I)中修正归一化差异指数(m N D 705)相关性最高(r =0.74)㊂在输入变量相同的情况下,基于随机森林(R F )回归的预测模型均优于偏最小二乘回归(P L S R )模型,其中P C A -V I -R F 模型的各精度指标均达到最优(r 2=0.94,R M S E=1.05,R P D=3.70),是冬小麦冠层叶绿素含量估算的最优模型㊂关键词:冬小麦;冠层叶绿素;主成分分析;偏最小二乘法;随机森林回归中图分类号:S 512.1;S 314 文献标识码:A 文章编号:1009-1041(2024)04-0532-11E s t i m a t i o no fW i n t e rW h e a tC a n o p y C h l o r o p h y l l C o n t e n t B a s e do nP r i n c i pa l C o m p o n e n tA n a l y s i s a n dR a n d o mF o r e s tR e gr e s s i o n W A N G Q i 1,C H A N G Q i n g r u i 1,L IK a i 1,C H E NX i a o k a i 1,M I A O H u i l i n g 1,S H IB o t a i 1,Z E N GX u e l i a n g 2,L IZ h e n f a 1(1.C o l l e g e o fN a t u r a lR e s o u r c e s a n dE n v i r o n m e n t ,N o r t h w e s tA&FU n i v e r s i t y ,Y a n g l i n g ,S h a a n x i 712100,C h i n a ;2.C o l l e ge of L a n dR e s o u r c e s a n dE n v i r o n m e n t ,J i a ng x iA g r i c u l t u r a lU n i v e r s i t y ,N a n ch a n g ,Ji a n gx i 330045,C h i n a )A b s t r a c t :T o f u r t h e r i m p r o v e t h e a c c u r a c y o f e s t i m a t i o n o f c h l o r o p h y l l c o n t e n t b y c a n o p y s pe c t r a ,w i n -t e r w h e a tc a n o p y r ef l e c t a n c ea n dc h l o r o p h y l lc o n t e n t w e r e m e a s u r e de m p i r i c a l l y u s i ng SV C -1024i s p e c t r o m e t e r a n dS P A D -502c h l o r o p h y l lm e t e r i n Q i a nC o u n t y ,S h a a n x iP r o v i n c e .T h ec o r r e l a t i o n s b e t w e e n t h e f i r s t -o r d e rd e r i v a t i v es p e c t r a ,10c h a r a c t e r i s t i c p a r a m e t e r sa n d9v e ge t a t i o n i n d i c e sa n d c h l o r o p h y l l c o n t e n tw e r e a n a l y z e d ;t h e c h l o r o p h y l l -s e n s i t i v ef i r s t -o r d e r d e r i v a t i v e s p e c t r a i n t h e v i s i b l e b a n d (390-780n m )w e r ed o w n s c a l e du s i n gp r i n c i p a l c o m p o n e n t a n a l y s i s (P C A ),a n dt h e p r i n c i pa l c o m p o n e n t sw i t he i g e n v a l u e s g r e a t e r t h a n 1w e r e c o mb i n e dw i t hc h a r a c t e r i s t i c p a r a m e t e r s a nd ve ge t a -t i o n i n d i c e s t of o r md i f f e r e n t i n p u t v a r i a b l e s u s i ng p a r t i a l l e a s t s q u a r e s r e gr e s s i o n (P L S R )a n d r a n d o m f o r e s t (R F )r e g r e s s i o n t o c o n s t r u c t aw i n t e rw h e a t c a n o p y c h l o r o p h y l l c o n t e n t e s t i m a t i o nm o d e l ,a n d t h em o d e lw a s v a l i d a t e du s i n g i n d e p e n d e n t s a m p l e s .T h e r e s u l t s s h o w e d t h a t c a n o p y c h l o r o p h yl l c o n -t e n t h a d t h eh i g h e s t c o r r e l a t i o n w i t ht h e f i r s t -o r d e rd e r i v a t i v es pe c t r u m a t751n m (r =0.71);t h e h i g h e s t c o r r e l a t i o nw a s a c h i e v e db e t w e e n t h en o r m a l i z e dv a l u e of r e d -e dg e a n db l u e -e d ge (S D r -S D b )/(S D r +S D b )a n d c a n o p y c h l o r o p h yl l c o n t e n t i n t h e c h a r a c t e r i s t i c p a r a m e t e r s (r =0.66)a n db e t w e e nt h em o d i f i e dn o r m a l i z e d d i f f e r e n c e i n d e x(m N D705)i n t h e v e g e t a t i o n i n d e x(r=0.74).T h eP C A-V I-R F m o d e lw a s t h eb e s tm o d e l f o r c a n o p y c h l o r o p h y l l c o n t e n t e s t i m a t i o n i nw i n t e rw h e a t(r2=0.94, R M S E=1.05,R P D=3.70),a s t h er a n d o mf o r e s t(R F)r e g r e s s i o nb a s e d m o d e lo u t p e r f o r m e dt h e P L S R m o d e lw i t h t h e s a m e i n p u t i n d e p e n d e n t v a r i a b l e s.K e y w o r d s:W i n t e r w h e a t;C a n o p y c h l o r o p h y l lc o n t e n t;P r i n c i p a lc o m p o n e n ta n a l y s i s;P a r t i a l l e a s t s q u a r e s;R a n d o mf o r e s t r e g r e s s i o n叶绿素是植物进行光合作用的重要色素,具有吸收和传递光能的作用,也是表征作物长势状况的重要指标[1]㊂因此,准确监测叶绿素含量可作为评估农作物生长发育状况及产量高低的有效手段[2-5]㊂传统的监测方法是通过采样和实验分析测得叶绿素含量,这种方法不仅会损害植物叶片组织结构,而且操作流程复杂㊁费时费力[6-7]㊂随着高光谱遥感技术的发展,植被反射光谱被用来估算叶绿素含量[8-10]㊂目前,利用高光谱遥感对小麦㊁玉米㊁马铃薯㊁棉花等作物叶绿素含量进行无损㊁准确和快速监测已经取得了一定研究成果[11-14]㊂通常通过光谱变换和构建光谱指数,利用回归方法构建作物生理生化参数估算模型[15]㊂偏最小二乘回归㊁支持向量机回归㊁反向神经网络和随机森林回归等建模方法在作物识别㊁分类和回归中得到了广泛的应用[16-18]㊂如魏青等[19]选取16种常见的光谱指数,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方法建立冬小麦各生育时期及全生育期的S P A D值估测模型,其中抽穗期使用逐步回归的方法建模效果最佳;刘京等[20]分析了多种光谱参数与实测苹果叶片叶绿素含量的相关性,并将归一化光谱参数值与叶绿素含量进行支持向量回归和多项式回归,结果显示支持向量回归具有较高的精度和良好的预测能力㊂近年来,诸多研究表明利用主成分分析提取光谱参数,在高光谱数据提取㊁处理㊁压缩等方面表现良好[21-22],如王鹏新等利用主成分分析与C o p u l a函数结合建立的冬小麦单产估测模型能有效提高产量估测精度[23],杨可明等基于主成分建立的反向神经网络反演模型对玉米叶片叶绿素的预测效果优于常规线性回归模型[24]㊂虽然一些研究者利用主成分分析对高光谱数据进行降维并结合一些回归方法对作物的农学参数进行了估算,但是利用主成分对光谱信息降维并结合机器学习算法估测叶绿素含量的研究仍然存在不足㊂本研究对冬小麦冠层叶绿素含量与原始光谱㊁一阶导数光谱之间的相关性进行分析,采用主成分分析对相关性较好的一阶导数光谱进行降维,将特征值大于1的主分量与光谱指数结合作为输入变量,使用偏最小二乘回归和随机森林回归构建冠层叶绿素估算模型,以期为冬小麦叶绿素含量估算提供新的技术支持和理论依据㊂1材料与方法1.1研究区域概括研究区域位于陕西省咸阳市乾县梁山镇齐南村(108ʎ07'E,34ʎ38'N),地处关中平原中北部,南端与渭北高原相接(图1)㊂境域内西北高而东南低,地貌类型主要以南部黄土台塬㊁中部平原和北部沟壑丘陵为主㊂气候类型为暖温带半湿润大陆性季风气候,年均气温13.1ħ,年均降水量584.1mm㊂农业种植以冬小麦㊁春玉米为主,一般一年一熟㊂供试品种为小偃22,共设36个小区,小区面积为90m2(9mˑ10m)㊂试验氮磷钾3种肥料各设置6个施用水平,每个水平重复两次,氮肥水平分别为0㊁60㊁120㊁180㊁240和300k g N㊃h m-2,磷肥水平分别为0㊁30㊁60㊁90㊁120和150k g P2O5㊃h m-2,钾肥水平分别为0㊁30㊁60㊁90㊁120和150k g K2O㊃h m-2㊂于冬小麦抽穗期(2021年5月8日和2022年4月25日)在每个小区设置2个采样点进行采样㊂1.2数据采集1.2.1冬小麦冠层光谱的测定采用S V C H R-1024i野外光谱辐射仪(S p e c-t r aV i s t a公司,美国)测定冬小麦冠层光谱反射率,S V C通道数为1024个,可测量波长范围为350~2500n m,其中在350~1000㊁1000~1850和1850~2500n m波段范围,分辨率分别为3.5㊁9.5和6.5n m,采样间隔分别为1.5㊁3.6和2.5 n m㊂于冬小麦抽穗期,在晴朗㊁无风无云天气,选取无病虫害㊁长势均匀区域于10:00-14:00测定冠层光谱㊂测定前进行参考白板校正,其后每隔15~20m i n进行一次参考板校正;传感器视场㊃335㊃第4期王琪等:基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算莜图1试验区位置(a和b)㊁试验采样点(c)和小区分布(d)F i g.1E x p e r i m e n t a l l o c a t i o n(a a n db),d i s t r i b u t i o no f s a m p l i n gp o i n t s(c)a n d p l o t s(d)i n t h e e x p e r i m e n t a l f i e l d角>25ʎ,光谱仪探头垂直且位于冠层上方约1.2 m处,每个样点测量10次,取平均值作为该样点的最终光谱值㊂1.2.2叶绿素含量(S P A D值)测定采用S P A D-502(S o i la n d P l a n t A n a l y z e r D e v e l o p m e n t)型手持叶绿素仪㊂在冠层光谱测定的相应位置,选取6片长势均匀的叶片,避开叶脉位置,测定其S P A D值㊂每片叶片在不同的位置测定9次,取平均值,再对6片叶片求取平均值作为该样点观察值㊂1.3数据处理1.3.1数据预处理异常值剔除:选用标准偏差法识别异常值,即一组数据中测定值在(μ-3σ,μ+3σ)范围之外的视为异常值,然后将剩余样本按照叶绿素含量排序,采用3ʒ1的比例分层抽样,获得建模集96个,验证集47个㊂光谱平滑:采用S a v i t z k y-G o l a y(S G)平滑方法进行处理,采用二次多项式,平滑点数为9进行函数拟合和滤波去噪,从而去除光谱数据中的细小噪声,突出高光谱数据的特征信息㊂光谱一阶导数变换:求导是高光谱数据预处理的常用方法,一阶导数能够有效消除或者减弱水分㊁土壤等环境因素对反射光谱的影响,进而提高分辨率㊂因此,对原始光谱进行一阶导数计算,光谱的一阶导数表达为:R'(λi)=R(λi+1)-R(λi-1)λi+1-λi-110-2式中,λi为第i波段的波长;R(λi)为波长λi 对应的反射率;R'λi为波长λi对应的一阶导数㊂1.3.2光谱参数定义本研究通过构建两类光谱参数进行冬小麦叶绿素含量的遥感估算:①在一阶导数变换的基础上,选取蓝边㊁绿峰和红谷幅值㊁红蓝边面积比㊁红蓝边和红黄边面积归一化㊁红边位置㊁红边对称度㊁蓝边和黄边面积等10种特征参数;②选取修正简单比值指数㊁归一化差异指数㊁修正归一化差异指数㊁双差异指数㊁改进比值植被指数㊁优化土壤调整植被指数㊁差异比率指数㊁T C A R I/O S A V I 和M C A R I2/O S A V I2等9种植被指数进行冬小麦叶绿素含量估算㊂各光谱参数定义及公式如表1㊁表2所示㊂1.3.3数据处理方法主成分分析法(p r i n c i p a lc o m p o n e n ta n a l y-s i s,P C A)是一种多元统计分析方法,广泛应用于数据的降维㊁压缩等方面㊂P C A通过正交变化在一组多变量数据中提取出几个不相关主成分,既能减少数据冗余,又保留了原始信息的特征㊂P C A 与机器学习算法结合将输入因子降维,能有效改善数据的共线性,提高预测模型的估算精度㊂㊃435㊃麦类作物学报第44卷表1 特征参数及定义T a b l e 1 C h a r a c t e r i s t i c p a r a m e t e r s a n dd e f i n i t i o n s参数P a r a m e t e r 定义D e f i n i t i o n蓝边幅值D b 蓝边(490~530n m )波长范围内最大一阶微分值T h em a x i m u mf i r s t -o r d e r d i f f e r e n t i a l v a l u ew i t h i n t h ew a v e l e n g t h r a n g e o f t h eb l u e e d ge (490-530n m )红边位置λr 红边(680~760n m )一阶导数光谱最大值对应的波长T h ew a v e l e n g t h c o r r e s p o n d i n g t o t h em a x i m u mof t h e f i r s t d e r i v a t i v e s p e c t r u m w i t h t h e r e d e d ge (680-760n m )蓝边面积S D b 蓝边(490~530n m )波长范围内一阶微分值总和S u mof f i r s t o r d e r d i f f e r e n t i a l v a l u e sw i t h i n t h ew a v e l e ng th r a n g e o f b l u e e d ge (490-530n m )黄边面积S D y 黄边(560~640n m )波长范围内一阶微分值总和S u mof f i r s t o r d e r d i f f e r e n t i a l v a l u e sw i t h i n t h ew a v e l e ng th r a n g e o f y e l l o we d g e (560-640n m )绿峰幅值R g 绿光范围510~560n m 内最大波长反射率M a xi m u m w a v e l e n g t h r e f l e c t i v i t y i n t h e g r e e n l i g h t r a n ge of 510-560n m 红谷幅值R r红边范围640~680n m 波长范围内最小波长反射率M i n i m u m w a v e l e n g t h r e f l e c t i v i t y i n t h e r e de d g e r a n g e 640-680n m w a v e l e n g t h r a n ge 红边蓝边面积比S D r /S D b 红边面积和蓝边面积的比R a t i oo f r e d e d g e a r e a t ob l u e e d ge a r e a 红边蓝边归一化(S D r -S D b )/(S D r +S D b )红边面积和蓝边面积的归一化值N o r m a l i z e dv a l u e o f r e d e d g e a r e a a n db l u e e d ge a r e a 红边黄边归一化(S D r -S D y )(S D r +S D y )红边面积和黄边面积的归一化值N o r m a l i z e dv a l u e o f r e d e d g e a r e a a n d y e l l o we d ge a r e a 红边对称度R E S718n m 左侧红边面积占整个红边面积的比R a t i oo f 718n ml e f t r e d e d g e a r e a t o t h ew h o l e r e de d ge a r e a 表2植被指数及计算公式T a b l e 2 V e ge t a t i o n i n d e x a n d c a l c u l a t i o nf o r m u l a 植被指数V e ge t a t i o n i n d e x 缩写A b b r e v i a t i o n 定义或公式D e f i n i t i o no r f o r m u l a修正简单比值指数M o d i f i e d s i m p l e r a t i o i n d e x m S R 705(R 750-R 445)/(R 705-R 445)归一化差异指数N o r m a l i z e dd i f f e r e n c e i n d e xN D 705(R 750-R 705)/(R 750+R 705)修正归一化差异指数M o d i f i e dn o r m a l i z e dd i f f e r e n c e i n d e xm N D 705(R 750-R 705)/(R 750+R 705-2R 445)T C A R I /O S A V IC V I 13[(R 700-R 670)-0.2(R 700-R 550)(R 700/R 670)]1.16(R 800-R 670)/(R 800+R 670+0.16)双差异指数D o u b l e d i f f e r e n c e i n d e xD D (R 749-R 720)-(R 701-R 672)改进比值植被指数I m p r o v e d r a t i ov e ge t a t i o n i n d e x M S R R 750/R 705-1R 750/R 705+1优化土壤调整植被指数O p t i m i z e s o i l a n d a d j u s t v e g e t a t i o n i n d e x O S A V I 2(1+0.16)*(R 750-R 705)/(R 750+R 705+0.16)差异比率指数2V a r i a n c e r a t i o i n d e x2D 2D 705/D 722M C A R I 2/O S A V I 2[(R 750-R 705)-0.2*(R 700-R 550)]*(R 750/R 705)(1+0.16)*(R 750-R 705)/(R 750+R 705+0.16) 偏最小二乘回归(p a r t i a l l e a s ts qu a r e sr e -gr e s s i o n ,P L S R )是一种统计学的分析方法,可以同时实现主成分分析㊁多元线性回归分析和两组变量之间的相关性分析三种功能㊂对于高光谱数据而言,偏最小二乘法既可以用于数据降维,又可以作为一种建模方法,在解决自变量共线性问题的同时最大程度提取光谱特征信息,能有效增强模型的适应能力㊂随机森林(r a n d o mf o r e s t ,R F )回归是一种以决策树为基本结构集成学习算法,通过对样本数据随机抽样,组成多个不同的决策树,再将多棵决策树进行整合来完成预测㊂本研究经过多次尝试将层数设置为500,节点数设置为20时,预测结果最好㊂1.3.4 模型精度检验选用决定系数(c o e f f i c i e n t o fd e t e r m i n a t i o n,㊃535㊃第4期王琪等:基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算莜r 2)㊁均方根误差(r o o t m e a n s q u a r e e r r o r ,R M S E )和相对误差分析(r e l a t i v e p e r c e n t a ge d if f e r e n c e ,R P D )对估算模型的精度进行检验㊂r 2越接近1,R M S E 越小,R P D 越大,则模型精度越高㊂当R P D<1.4时,模型无法对样本进行预测;1.4<R P D<2时,模型具有粗略的预测能力;R P D>2时,模型具有极强的预测能力㊂r 2=ðni =1y i ︿-y - 2ðni =1y i -y -2R M S E =1n ðn i =1(y i ︿-yi )2R P D=S D R M S E nn -1式中,y i ︿和y i 分别代表样本预测值和实测值;y -为实测样本的平均值;n 为样本数;S D 为样本实测值的方差㊂2 结果与分析2.1 不同叶绿素含量(S P A D 值)小麦的冠层光谱反射特征不同的叶绿素含量对应的冬小麦冠层光谱反射曲线的趋势基本一致(图2)㊂在400~680n m范围内受到色素的影响,冬小麦冠层光谱反射率普遍较低,且在550㊁680n m 附近会出现反射峰和吸收谷;在690~750n m 范围内,反射率急剧上升;在近红外波段750~1000n m 范围内,反射率整体较高,且在760~900n m 范围内形成一个高反射平台,并在880n m 波段附近反射率达最大㊂由此可以明显看出,在近红外波段750~1000n m 范围内,叶绿素含量越高,冠层反射率越低㊂这主要是由于750~1000n m 范围内,光谱的反射率受色素含量的影响较小,主要受到冬小麦内部细胞结构的影响㊂2.2 光谱一阶导数值与冬小麦叶绿素含量(S P A D 值)的相关性相关性分析(图3)表明,冬小麦冠层S P A D值和光谱反射率一阶导数在450~487n m 波段均呈正相关,且相关性波动变化;在488~550n m 波段呈负相关,其中在492~538n m 波段相关性较高(r >0.60),在499n m 波长处相关性最大(r =0.734);在568~665㊁679~700n m 波段的相关系数绝对值均在0.50以上,并在661㊁687n m 相关性最大,相关系数分别为0.707和-0.683㊂这说明冬小麦冠层光谱一阶导数值与S P A D 值在可见光区域(390~780n m )有显著的相关性,因此可选择该区域内一些敏感波段来预测叶绿素含量㊂2.3 冬小麦冠层叶绿素含量(S P A D 值)与特征参数和植被指数的相关性经相关分析,冬小麦抽穗期S P A D 值与选取的特征参数和植被指数均显著相关(表3)㊂10个特征参数与S P A D 值间的相关系数绝对值均超过0.50,其中蓝边幅值D b ㊁蓝边面积S D b ㊁绿峰幅值R g ㊁红谷幅值R r 与S P A D 值均呈负相关,其他特征参数与S P A D 值均呈正相关;红边对称度R E S ㊁红边蓝边归一化(S D r -S D b )/(S D r +S D b )以及红边黄边归一化(S D r -S D y )/(S D r +S D y)图2 不同叶绿素含量(S P A D 值)的冬小麦冠层高光谱特征F i g .2 C a n o p y h y p e r s p e c t r a l c h a r a c t e r i s t i c s o fw i n t e rw h e a tw i t hd i f f e r e n t c h l o r o p h yl l c o n t e n t (S P A Dv a l u e )㊃635㊃麦类作物学报第44卷图3 冬小麦冠层光谱一阶导数值与叶绿素含量(S P A D 值)的相关性F i g .3 C o r r e l a t i o nb e t w e e n t h e f i r s t d e r i v a t i v e o f s p e c t r u ma n d c h l o r o p h y l l c o n t e n t (S P A Dv a l u e )i nw h e a t c a n o p y与S P A D 值的相关系数均高于0.60㊂9个植被指数与S P A D 值的相关系数绝对值均大于0.60,其中D 2和M C A R 2/O S A V I 2与S P A D 值呈负相关,其余7个植被指数均呈正相关;相关性最好的为m N D 705,相关系数为0.74,相关性较差的是M S R 和M C A R 2/O S A V I 2,但是相关系数也较高(-0.62)㊂2.4 主成分分析结果综合考虑到建模精度和效率问题,对390~780n m 波段光谱的一阶导数值进行主成分分析,选取特征值大于1的主分量,共14个主成分,累计方差贡献率超过了95%,能够有效表征原始数据(表4)㊂2.5 建模结果按照以下方式构建冬小麦冠层叶绿素含量高光谱估算模型:①选取特征值大于1的主分量作为自变量,基于偏最小二乘法和随机森林两种方法,构建冬小麦冠层叶绿素含量估算模型,所建立的模型记作P C A -P L S R 和P C A -R F ;②选取特征值大于1的主分量结合10个特征参数作为自变量,使用偏最小二乘法和随机森林两种方法构建模型,建立的模型记作P C A -S C P -P L S R 和P C A -S C P -R F ;③选取特征值大于1的主分量结合9个植被指数作为自变量,使用偏最小二乘法和随机森林模型,建立的模型记作P C A -V I -P L S R 和P C A -V I -R F ㊂表3 冬小麦光谱指数与抽穗期S P A D 值的相关性T a b l e 3 C o r r e l a t i o nb e t w e e n s p e c t r a l p a r a m e t e r s a n dS P A Dv a l u e o fw h e a t a t h e a d i n g s t a ge 特征参数C h a r a c t e r i s t i c p a r a m e t e r相关系数(r )C o r r e l a t i o n c o e f f i c i e n t (r )植被指数V e ge t a t i o n I n d e x 相关系数(r )C o r r e l a t i o n c o e f f i c i e n t (r )D b -0.56m S R 7050.63λr0.55N D 7050.64S D b -0.59m N D 7050.74S D y 0.52C V I 10.64R g -0.54D D0.63R r-0.53M S R 0.62S D r /S D b0.59O S A V I 20.65(S D r -S D b )/(S D r +S D b )0.66D 2-0.65(S D r -S D y )/(S D r +S D y)0.60M C A R 2/O S A V I 2-0.62R E S0.61㊃735㊃第4期王琪等:基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算莜表4390~780n m波段光谱一阶导数主成分分析的特征值及各自的方差贡献率T a b l e4E i g e n v a l u e s o f t h e f i r s t d e r i v a t i v e p r i n c i p a l c o m p o n e n t a n a l y s i s o f t h e390-780n ms p e c t r u ma n d t h e i r r e s p e c t i v e v a r i a n c e c o n t r i b u t i o n s主成分P r i n c i p a l c o m p o n e n t特征值C h a r a c t e r i s t i c v a l u e方差贡献率V a r i a n c e c o n t r i b u t i o n r a t e/%累积方差贡献率C u m u l a t i v e v a r i a n c e c o n t r i b u t i o n r a t e/%1188.14774.36774.367217.5516.93781.30438.3653.30684.61045.2492.07586.68554.1941.65888.34363.6051.42589.76773.1061.22890.99582.5891.02392.01892.1750.86092.878101.9070.75493.632111.6410.64994.281121.4660.57994.860131.1220.44495.304141.0680.42295.726所有建模集模型的决定系数r2均超过了0.80 (表5)㊂其中,使用随机森林回归建立的模型中,以P C A-V I-R F模型精度最高,其r2达到了0.94,R M S E和R P D分别为1.05和3.70;在偏最小二乘法建立模型中,P C A-P L S R的预测精度最高,r2为0.83,R M S E和R P D分别为1.21和2.42㊂在输入自变量相同的情况下,随机森林回归建模精度高于偏最小二乘回归模型㊂使用随机森林建模时,主成分结合光谱参数增加了模型的估算精度,而偏最小二乘法则相反㊂综合以上结果可得出,基于随机森林法构建模型预测效果明显优于偏最小二乘法回归模型,能够适用于冬小麦抽穗期冠层叶绿素值估算㊂2.6模型精度验证使用验证样本对模型的精度进行检验,结果(表5)表明,各组分验证模型的决定系数r2均达到了0.60以上,达到了极显著水平,能够用于冬小麦抽穗期冠层叶绿素预测㊂其中,P C A-V I-R F 验证模型的r2最高,达到了0.81,R M S E和R P D 分别为1.70和2.23;在P L S R模型检验中,以P C A-V I-P L S R模型的决定系数r2㊁R M S E和R P D为三个模型中最优的(图4)㊂综合来看,随机森林模型在输入的自变量不同时都表现出最强的学习与预测能力,r2均在0.73以上㊂但结合建模与预测结果看,相对于建模精度,P C A-R F模型的预测能力较弱,r2较建模下降了0.18㊂这主要是由于样本数量的减少导致的,与王丽爱等[25]的研究结果一致㊂因为随机森林法适用于大量样本数据的计算,样本数据偏小会导致模型决策树之间的相关性增强,预测误差增大[26]㊂表5不同冬小麦冠层叶绿素含量估算模型对比T a b l e5C o m p a r i s o no f e s t i m a t i o nm o d e l s o f c h l o r o p h y l l c o n t e n t i nd i f f e r e n tw i n t e rw h e a t c a n o p i e s模型M o d e l建模集M o d e l i n g s e tr2R M S E R P D验证集V a l i d a t i o n s e tr2R M S E R P DP C A-P L S R0.831.212.420.702.191.75P C A-R F0.911.263.070.732.041.86P C A-S C P-P L S R0.811.801.630.672.241.71P C A-S C P-R F0.931.133.450.791.822.09P C A-V I-P L S R0.821.741.690.712.111.82P C A-V I-R F0.941.053.700.811.702.23㊃835㊃麦类作物学报第44卷图4冬小麦冠层叶绿素含量实测值和预测值比较F i g.4C o m p a r i s o no fm e a s u r e da n d p r e d i c t e d c h l o r o p h y l l c o n t e n t i nw i n t e rw h e a t c a n o p y3讨论光谱反射率和多种光谱参数对叶绿素含量变化的响应特征为高光谱估算叶绿素提供了理论基础㊂本研究分析了在叶绿素敏感光谱波段范围内,不同叶绿素含量下冬小麦冠层的原始光谱特征以及一阶导数光谱特征,通过对特征参数㊁植被指数和叶绿素含量之间的相关性分析,筛选出了对叶绿素敏感的光谱参数㊂其中,在可见光(390~ 780n m)范围内,叶绿素含量越低,光谱的反射率㊃935㊃第4期王琪等:基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算莜越高,主要是绿色植物需要进行光合作用,叶绿素含量高则表明光合作用强,吸收利用的光能多,这与冯海宽㊁孙勃岩等和姚付启等[27-29]的研究结果基本一致㊂光谱一阶导数值在491~537和679 ~701n m波段与叶绿素含量呈负相关,在568~665和733~782n m波段呈正相关,且相关系数的绝对值均在0.50以上㊂在499n m波长处的相关性最高(r=-0.73),662n m波长处的相关性最高(r=0.72)㊂这与林少喆㊁张卓然等[30-31]的研究结果稍有差异,其原因可能是由于数据获取的时间和测量方法不同,又或者是冬小麦的品种㊁施肥情况以及传感器等因素造成的,真正的原因还需要进一步的考究㊂光谱参数能较好反映出绿色植被的光谱特征㊂秦占飞等㊁孙小香等和陈倩等[32-34]通过对光谱参数与叶绿素进行相关性分析,建立作物的叶绿素估算模型,结果表现良好,表明使用光谱参数应用到作物叶绿素反演方面是可行的㊂本研究利用主成分分析结合光谱参数,使用偏最小二乘回归和随机森林回归构建冠层叶绿素估算模型,建模结果较好,模型决定系数均在0.81以上㊂所构建的模型中,在输入参量相同时,随机森林回归模型的预测结果均优于偏最小二乘回归,此结论与裴浩杰㊁郭超凡等和袁自然等[35-37]研究结果一致㊂这是由于随机森林算法在容忍噪声和消除异常值方面表现较好,通过调整参数解决过拟合,适用于解决非线性问题㊂在使用同一模型,输入不同参量时,主成分结合植被指数模型的精度优于结合特征参数,但是相差不大,说明不同的建模方法对估算冬小麦叶绿素含量影响较大㊂冬小麦的品种不同,同一时期的叶绿素含量也不相同,不同生育时期的叶绿素含量也不同㊂本研究只建立了冬小麦一个生育时期的冠层叶绿素含量估测模型,此模型对于其他生育时期的适用性有待进一步的研究㊂4结论基于实测高光谱数据和两种建模方法,分析了叶绿素敏感波段反射率和光谱参数与冬小麦冠层叶绿素含量的相关性,利用主成分分析结果结合不同的光谱参数,构建了冬小麦冠层叶绿素含量估算模型,并验证模型精度,结果表明,基于主成分分析结合9个植被指数构建P C A-V I-R F模型估算效果最好,各精度指标均达到了最优,可以为冬小麦冠层叶绿素预测提供参考㊂参考文献:[1]何宇航,周贤锋,张竞成,等.植被指数方法估算冬小麦冠层叶绿素含量的角度效应研究[J].地理与地理信息科学,2021,37(4):28.H EY H,Z H O U XF,Z H A N GJC,e t a l.A n g l e e f f e c t a n a l y-s i s o ne s t i m a t i n g c a n o p y c h l o r o p h y l l c o n t e n to fw i n t e rw h e a t b y v e g e t a t i o n i n d e x m e t h o d s[J].G e o g r a p h y a n dG e o-i n f o r-m a t i o nS c i e n c e,2021,37(4):28.[2]刘新杰,魏云霞,焦全军,等.基于时序定量遥感的冬小麦长势监测与估产研究[J].遥感技术与应用,2019,34(4):757.L I U XJ,W E IY X,J I A O QJ,e t a l.G r o w t hm o n i t o r i n gy i e l d p r e d i c t i o no fw i n t e rw h e a tb a s e do nt i m e-s e r i e s q u a n t i t a t i v e r e m o t es e n s i n g d a t e[J].R e m o t e S e n s i n g T e c h n o l o g y a n dA p p l i c a t i o n,2019,34(4):757.[3]武旭梅,常庆瑞,落莉莉,等.水稻冠层叶绿素含量高光谱估算模型[J].干旱地区农业研究,2019,37(3):238.WU X M,C H A N G Q R,L U O LL,e t a l.H y p e r s p e c t r a l e s t i-m a t i o nm o d e l f o r c h l o r o p h y l l c o n t e n t o f r i c e c a n o p y[J].A g-r i c u l t u r a lR e s e a r c h i n t h eA r i dA r e a s,2019,37(3):238.[4]叶景秀,柳海东,星晓蓉,等.甘蓝型油菜叶绿素含量与产量关系研究及叶绿素主效Q T L位点c q S P D A2连锁标记开发[J].中国油料作物学报,2022,44(6):1174.Y EJX,L I U H D,X I N G X R,e ta l.R e l a t i o n s h i p b e t w e e n c h l o r o p h y l l c o n t e n t a n d y i e l dd e v e l o p m e n t o f c h l o r o p h y l lm a-j o rQ T Lc q S P A D A2l i n k a g e m a r k e r i nb r a s s i c an a p u s[J].C h i n e s eJ o u r n a l o f O i lC r o p S c i e n c e s,2022,44(6):1174.[5]张国庆,黄楠,宋茜,等.基于叶绿素含量的玉米长势遥感监测的研究[J].黑龙江科技信息,2013(19):6.Z H A N G G Q,HU A N G N,S O N G Q,e ta l.S t u d y o nr e m o t e s e n s i n g m o n i t o r i n g o fm a i z e g r o w t hb a s e do n c h l o r o p h y l l c o n-t e n t[J].H e i l o n g j i a n g S c i e n c e a n dT e c h n o l o g y I n f o r m a t i o n, 2013(19):6.[6]陈澜,常庆瑞,高一帆,等.猕猴桃叶片叶绿素含量高光谱估算模型研究[J].西北农林科技大学学报(自然科学版),2020, 48(6):80.C H E NL,C A H N G Q R,G A O YF,e t a l.H y p e r s p e c t r a l e s t i-m a t i o nm o d e l o f c h l o r o p h y l l c o n t e n t i nk i w i f r u i t l e a v e s[J]. J o u r n a l o f N o r t h w e s tA&F U n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n),2020,48(6):80.[7]李长春,施锦锦,马春艳,等.基于小波变换和分数阶微分的冬小麦叶绿素含量估算[J].农业机械学报,2021,52(8):173. L ICC,S H I J J,MACY,e t a l.E s t i m a t i o n o f c h l o r o p h y l l c o n-t e n t i nw i n t e rw h e a t b a s e d o nw a v e l e t t r a n s f o r ma n d f r a c t i o n-a l d i f f e r e n t i a l[J].T r a n s a c t i o n s o f t h eC h i n e s e S o c i e t y o f A g-r i c u l t u r a lM a c h i n e r y,2021,52(8):173.[8]樊志强,王志国,黄平平,等.基于高光谱影像湖泊叶绿素a浓度反演分析[J].生态科学,2023,42(1):127.F A NZQ,WA N GZG,HU A N GPP,e t a l.I n v e r s i o n a n a l y s i s o f l a k e c h l o r o p h y l l a c o n c e n t r a t i o nb a s e d o nh y p e r s p e c t r a l i m-a g e s[J].E c o l o g i c a l S c i e n c e,2023,42(1):127.㊃045㊃麦类作物学报第44卷[9]汪旭,邓裕帅,练雪萌,等.基于无人机多光谱技术的甜菜冠层叶绿素含量反演[J].中国糖料,2022,44(4):37.WA N G X,D E N G YS,L I A N X M,e t a l.I n v e r s i o no f c h l o r o-p h y l l c o n t e n t i ns u g a rb e e t c a n o p y b a s e do nU A V m u l t i s p e c-t r a l t e c h n i q u e[J].S u g a rC r o p s o f C h i n a,2022,44(4):37.[10]王晓星,常庆瑞,刘梦云,等.冬小麦冠层水平叶绿素含量的高光谱估测[J].西北农林科技大学学报(自然科学版), 2016,44(2):49.WA N G XX,C H A N G Q R,L I U M Y,e t a l.H y p e r-s p e c t r a l e s t i m a t i o nm o d e l o f c h l o r o p h y l l c o n t e n t i nc a n o p y o fw i n t e r w h e a t[J].J o u r n a l o f N o r t h w e s tA&FU n i v e r s i t y(N a t u-r a l S c i e n c eE d i t i o n),2016,44(2):49.[11]陶惠林,徐良骥,冯海宽,等.基于无人机高光谱长势指标的冬小麦长势监测[J].农业机械学报,2020,51(2):182.T A O H L,X U LJ,F E N G H K,e t a l.M o n i t o r i n g o fw i n t e r w h e a t g r o w t h b a s e do n U A V h y p e r s p e c t r a l g r o w t hi n d e x [J].T r a n s a c t i o n so f t h e C h i n e s eS o c i e t y o f A g r i c u l t u r a l M a c h i n e r y,2020,51(2):182.[12]王烁,常庆瑞,刘梦云,等.基于高光谱遥感的棉花叶片叶绿素含量估算[J].中国农业大学学报,2017,22(4):18. WA N GS,A N G Q R,L I U M Y,e t a l.E s t i m a t i o no n c h l o r o-p h y l l c o n t e n to fc o t t o n b a s e do n o p t i m i z e ds p e c t r a l i n d e x [J].J o u r n a lo f C h i n a A g r i c u l t u r a l U n i v e r s i t y,2017,22 (4):18.[13]王伟,林团荣,王真,等.基于随机森林算法(R F)的马铃薯冠层叶绿素含量估测[C]//马铃薯产业与种业创新(2022).D O I:10.26914/c.c n k i h y.2022.020078.WA N G W,L I N T R,WA N GZ,e t a l.E s t i m a t i o no f c h l o r o-p h y l l c o n t e n t i n p o t a t o c a n o p y b a s e do nr a n d o mf o r e s t a l g o-r i t h m(R F)[C]//P o t a t o i n d u s t r y a n d s e e d i n d u s t r y i n n o v a-t i o n(2022).D O I:10.26914/c.c n k i h y.2022.020078. [14]杨福芹,冯海宽,李振海,等.基于高光谱的苹果叶片叶绿素含量估算[J].浙江农业学报,2017,29(10):1743.Y A N GFQ,F E N G H K,L IZ H,e t a l.E s t i m a t i o no f a p p l e l e a f c h l o r o p h y l lc o n t e n tb a s e do n H y p e r s p e c t r a ld a t e[J].A c t aA g r i c u l t u r a eZ h e j i a n g e n s i s,2017,29(10):1743.[15]C H E N X K,L IF L,S H IB T,e ta l.E s t i m a t i o no fw i n t e r w h e a t c a n o p y c h l o r o p h y l l c o n t e n tb a s e do nc a n o p y s p e c t r a l t r a n s f o r m a t i o na n d m a c h i n el e a r n i n g m e t h o d[J].A g r o n o-m y,2023(13),783.[16]王芳东,严志雁,赵小敏,等.油茶叶片叶绿素含量高光谱估测的偏最小二乘模型参数选择[J].江西农业大学学报, 2022,44(1):87.WA N GFD,Y A NZX,Z H A O X M,e t a l.P a r a m e t e r s e l e c-t i o no f p a r t i a l l e a s t s q u a r e sm o d e l f o rh y p e r s p e c t r a l e s t i m a-t i o no fc h l o r o p h y l lc o n t e n t i nc a m e l l i ao l e i f e r al e a v e s[J].A c t aA g r i c u l t u r a eU n i v e r s i t a t i sJ i a n g x i e,2022,44(1):87.[17]王玉娜,李粉玲,王伟东,等.基于无人机高光谱的冬小麦氮素营养监测[J].农业工程学报,2020,36(22):31.WA N G Y N,L IFL,WA N G W D,e t a l.M o n i t o r i n g o fw i n-t e rw h e a tn i t r o g e n n u t r i t i o n b a s e do n U A V h y p e r s p e c t r a l i m a g e s[J].T r a n s a c t i o n s o f t h eC h i n e s e S o c i e t y o f A g r i c u l-t u r a lE n g i n e e r i n g,2020,36(22):31.[18]马春艳,王艺琳,翟丽婷,等.冬小麦不同叶位叶片的叶绿素含量高光谱估算模型[J].农业机械学报,2022,53(6):218. MACY,WA N G YL,Z H A ILT,e t a l.H y p e r s p e c t r a l E s t i-m a t i o n m o d e lo fc h l o r o p h y l lc o n t e n t i nd i f f e r e n t l e a f p o s i-t i o n s o f w i n t e rw h e a t[J].T r a n s a c t i o n s o f t h e C h i n e s e S o c i e-t y o f A g r i c u l t u r a lM a c h i n e r y,2022,53(6):218. [19]魏青,张宝忠,魏征,等.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[J].麦类作物学报,2020,40(3): 366.W E IQ,Z H A N G B Z,W E IZ,e ta l.E s t i m a t i o no fc a n o p y c h l o r o p h y l l c o n t e n t i n w i n t e rw h e a tb y U A V m u l t i s p e c t r a l r e m o t e s e n s i n g[J].J o u r n a lo f T r i t i c e a eC r o p s,2020,40 (3):366.[20]刘京,常庆瑞,刘淼,等.基于S V R算法的苹果叶片叶绿素含量高光谱反演[J].农业机械学报,2016,47(8):260.L I UJ,C HA N G Q R,L I U M,e ta l.C h l o r o p h y l l c o n t e n t i n-v e r s i o nw i t hh y p e r s p e c t r a l t e c h n o l o g y f o r a p p l e l e a v e sb a s e d o n s u p p o r t v e c t o r r e g r e s s i o na l g o r i t h m[J].T r a n s a c t i o n s o f t h eC h i n e s e S o c i e t y o f A g r i c u l t u r a l M a c h i n e r y,2016,47 (8):260.[21]汤守鹏,姚鑫锋,姚霞,等.基于主成分分析和小波神经网络的近红外多组分建模研究[J].分析化学,2009,37(10): 1445.T A N GSP,Y A O X F,Y A O X,e ta l.N e a r i n f r a r e d m u l t i-c o m p o n e n tm o d e l i n g b a s e do n p r i n c i p a l c o m p o n e n ta n a l y s i s a n dw a v e l e t n e u r a l n e t w o r k[J].C h i n e s e J o u r n a l o f A n a l y t-i c a lC h e m i s t r y,2009,37(10):1445.[22]姚付启,张振华,杨润亚,等.基于主成分分析和B P神经网络的法国梧桐叶绿素含量高光谱反演研究[J].测绘科学, 2010,35(1):109.Y A OFQ,Z HA N G Z H,Y A N G R Y,e ta l.H y p e r s p e c t r a l r e t r i e v a l o f c h l o r o p h y l l c o n t e n t o f P l a t a n u s o r i e n t a l i s b a s e d o n p r i n c i p a l c o m p o n e n t a n a l y s i s a n dB Pn e u r a l n e t w o r k[J]. S c i e n c e o f S u r v e y i n g a n d M a p p i n g,2010,35(1):109. [23]王鹏新,陈弛,张悦,等.利用双变量同化与P C A-C o p u l a法的冬小麦单产估测[J].武汉大学学报(信息科学版),2022, 47(8):1201.WA N GPX,C H E NC,Z H A N G R,e t a l.E s t i m a t i o no fw i n-t e rw h e a t y i e l du s i n g b i v a r i a t e a s s i m i l a t i o na n dP C A-C o p u l a m e t h o d[J].G e o m a t i c sa n dI n f o r m a t i o nS c i e n c eo f W u h a n U n i v e r s i t y,2022,47(8):1201.[24]杨可明,卓伟,刘二雄,等.基于光谱特征参数与主成分分析的玉米叶片叶绿素含量B P反演[J].江苏农业科学,2016,44 (7):147.Y A N G K M,Z HU O W,L I UEX,e t a l.B P i n v e r s i o n o f c h l o-r o p h y l l c o n t e n t i nm a i z e l e a v e s b a s e d o n s p e c t r a l c h a r a c t e r i s-t i c p a r a m e t e r s a n d p r i n c i p a l c o m p o n e n t a n a l y s i s[J].J i a n g s uA g r i c u l t u r a l S c i e n c e s,2016,44(7):147.[25]王丽爱,马昌,周旭东,等.基于随机森林回归算法的小麦叶片S P A D值遥感估算[J].农业机械学报,2015,46(1):263. WA N G AL,MAC,Z H O U X D,e t a l.E s t i m a t i o no fw h e a t㊃145㊃第4期王琪等:基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算莜l e a fS P A D v a l u eu s i n g R F a l g o r i t h m i c m o d e la n dr e m o t e s e n s i n g d a t e[J].T r a n s a c t i o n s o f t h e C h i n e s e S o c i e t y o f A g-r i c u l t u r a lM a c h i n e r y,2015,46(1):263.[26]由明明,常庆瑞,田明璐,等.基于随机森林回归的油菜叶片S P A D值遥感估算[J].干旱地区农业研究,2019,37(1):80. Y O U M M,C H A N G Q R,T I A N M L,e ta l.E s t i m a t i o no f r a p e s e e d l e a f S P A Dv a l u e b a s e do n r a n d o mf o r e s t r e g r e s s i o n [J].A g r i c u l t u r a lR e s e a r c h i n t h eA r i dA r e a s,2019,37(1): 80.[27]冯海宽,杨福琴,杨贵军,等.基于特征光谱参数的苹果叶片叶绿素含量估算[J].农业工程学报,2018,34(6):184.F E NGH K,Y A N G F Q,Y A N G GJ.e ta l.E s t i m a t i o no f c h l o r o p h y l l c o n t e n t i na p p l e l e a v e sb a s eo ns p e c t r a l f e a t u r e p a r a m e t e r s[J].T r a n s a c t i o n s o f t h eC h i n e s eS o c i e t y o f A g-r i c u l t u r a lE n g i n e e r i n g,2018,34(6):184.[28]孙勃岩,常庆瑞,刘梦云.冬小麦冠层叶绿素质量分数高光谱遥感反演研究[J].西北农业学报,2017,26(4):553.S U NBY,C H A N G Q R,L I U M Y,e ta l.I n v e r s i o nc h l o r o-p h y l lm a s s f r a c t i o n i nw i n t e rw h e a t c a n o p y b y h y p e r s p e c t r a l r e f l e c t a n c e[J].A c t aA g r i c u l t u r a eB o r e a l i-o c c i d e n t a l i s S i n i-c a,2017,26(4):553.[29]姚付启,蔡焕杰,李亚龙,等.基于红边参数的冬小麦S P A D 高光谱遥感监测[J].中国农村水利水电,2015(3):84.Y A OFQ,C A IHJ,L IY L,e t a l.M o n i t o r i n g w i n t e rw h e a t S P A Db a s e do n r e d e d g e p a r a m e t e r d e r i v e d f r o m h y p e r s p e c-t r a l r e f l e c t a n c e[J].C h i n aR u r a l W a t e ra n d H y d r o p o w e r, 2015(3)84.[30]林少喆,彭致功,王春堂,等.基于三边参数的冬小麦冠层S P A D值监测模型[J].排灌机械工程学报,2021,39(1): 105.L I NSZ,P E N GZG,WA N GCT,e t a l.M o n i t o r i n g m o d e l o f S P A Dv a l u eo fw i n t e rw h e a t c a n o p y b a s e do n t h r e e-e d g e p a r a m e t e r s[J].J o u r n a lo f D r a i n a g ea n dI r r i g a t i o n M a-c h i n e r y E n g i n e e r i n g,2021,39(1):105.[31]张卓然,常庆瑞,张廷龙,等.基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算[J].西北农林科技大学学报(自然科学版),2018,46(11):40.Z HA N GZR,C H A N G QR,Z H A N GTL,e t a l.H y p e r s p e c-t r a lE s t i m a t i o no fc h l o r o p h y l l c o n t e n tc o t t o nc a n o p y l e a v e s b a s e do ns u p p o r t v e c t o rm a c h i n e[J].J o u r n a l o f N o r t h w e s tA&F U n i v e r s i t y(N a t u r a l S c i e n c e E d i t i o n),2018,46 (11):40.[32]陈倩,常庆瑞,郭松,等.基于红边特性和连续小波变换的冬小麦叶绿素含量估算[J].麦类作物学报,2022,42(7):883.C H E N Q,C HA N GQR,G U OS,e t a l.E s t i m a t i o n o f c h l o r o-p h y l l c o n t e n t i nw i n t e rw h e a t b a s e do n r e de d g e c h a r a c t e r i s-t i c s a n d c o n t i n u o u sw a v e l e t t r a n s f o r m[J].J o u r n a l o f T r i t-i c e a eC r o p s,2022,42(7):883.[33]秦占飞,常庆瑞,申健,等.引黄灌区水稻红边特征及S P A D 高光谱预测模型[J].武汉大学学报(信息科学版),2016,41 (9):1168.Q I N GZF,C A H N G Q R,S H E NJ,e ta l.R e de d g ec h a r a c-t e r i s t i c s o f r i c ea n dS P A Dh y p e r s p e c t r a l p r e d i c t i o n m o d e l i n Y e l l o w R i v e r i r r i g a t i o n a r e a[J].G e o m a t i c s a n dI n f o r m a t i o n S c i e n c e o f W u h a nU n i v e r s i t y,2016,41(9):1168. [34]孙小香,王芳东,郭熙,等.基于水稻冠层高光谱的叶片S P A D值估算模型研究[J].江西农业大学学报,2018,40 (3):444.S U N X X,WA N G F D,G U O X,T h ee s t i m a t i o n m o d e lo f r i c e l e a fS P A D v a l u eb a s e do nc a n o p y s p e c t r u m[J].A c t aA g r i c u l t u r a eU n i v e r s i t a t i sJ i a n g x i e,2018,40(3):444.[35]郭超凡,陈泽威,张志高.基于最优模型选择的牧草地上生物量遥感估算研究[J].草地学报,2021,29(5):947.G U OCF,C E H NZ W,Z A H N GZG,e t a l.R e s e a r c ho nr e-m o t es e n s i n g e s t i m a t i o n o ff o r a g e a b o v e-g r o u n d b i o m a s s b a s e do no p t i m a lm o d e l s e l e c t i o n[J].A c t aA g r e s t i aS i n i c a, 2021,29(5):947.[36]裴浩杰,冯海宽,李长春.基于多元线性回归和随机森林的苹果叶绿素含量高光谱估测方法比较[J].江苏农业科学, 2021,46(17):224.P E IHJ,F E N G H K,L IC C,C o m p a r i s o no fh y p e r s p e c t r a l e s t i m a t i o n m e t h o d so fa p p l ec h l o r o p h y l lc o n t e n tb a s e d o n m u l t i p l e l i n e a rr e g r e s s i o na n dr a n d o m f o r e s t[J].J i a n g s uA g r i c u l t u r a l S c i e n c e s,2021,46(17):224.[37]袁自然,叶寅,武际,等.基于高光谱成像技术的辣椒叶片叶绿素含量估算[J].江苏农业科学,2021,49(16):192.Y U A NZR,Y E Y,WU J,e ta l.E s t i m a t i o no fc h l o r o p h y l l c o n t e n ti n p e p p e rl e a v e s b a s e d o n h y p e r s p e c t r a li m a g i n g t e c h n o l o g y[J].J i a n g s u A g r i c u l t u r a l S c i e n c e s,2021,49 (16):192.㊃245㊃麦类作物学报第44卷。

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

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
s
e
a
r
ch,
j
ga
Be
i
i
ng１０００４８,Ch
i
na;３．
Fo
r
e
s
t
r
l
l
ege,Shanx
iAg
r
i
cu
l
t
ur
a
lUn
i
ve
r
s
i
t
i
nzhong,
Shanx
i０３０８０１,Ch
i
na)
j
yCo
y,J
Ab
s
t
r
a
c
t:Unmanneda
e
r
i
a
lveh
i
c
l
e(
UAV)mu
l
t
i
spe
c
t
rwhe
a
tc
anopy．TheSPADva
l
uee
s
t
ima
t
i
on mode
lf
o
re
a
ch
r
owt
hpe
r
i
odandt
hewho
l
eg
r