小麦生物量和真实叶面积指数的高光谱遥感估算模型
基于遥感和作物生长模型的多尺度冬小麦估产研究
逐日气象数据来自中国科学院青藏高原研究所的《中国 区域地面气象要素驱动数据集》％切，时间分辨率为3 h,空 间分辨率为0. 1°X0. 1°,包含7个气象要素：近地面气温、 降水、气压、比湿度、10 m风速、下行短波和长波辐射。经 过格式转换与要素计算得到模型所需的气象要素。饱和水汽 压差（vapor pressure deficit, VPD）由近地表2 m气温数据与 露点温度计算得到，数据来自欧洲中期天气预报中心（Euro
图1研究区概况 Fig. 1 Overview of the study area
1.5实割实测产量数据 实割实测产量数据来自国家统计局，为地块尺度数据，
处理成村级尺度的冬小麦单位面积产量。2012年一2018年 间，全省共包含1 265个可用的村级站点/年组合，其中皖北 650个，皖中506个，皖南109个。 1.6 SCYM估产框架
随机森林由多棵决策树组成，本质是将若干个弱分类器 集成为强分类器的集成算法。利用bootstrap有放回地抽取 与样本集相同大小的训练集，构建分类回归树，针对每棵树 的分类结果，采取投票（取众数）或算术平均的方法得到分类
第7 期
光谱学与光谱分析
2207
或回归结果"误差则基于未被抽取的样本组成的数据集来计 算！本研究中将季节性天气变量（播种一越冬期积温、全生 育期降水量、5月太阳辐射、12月一2月平均气温）及不同观 测日期下的模拟LAI作为随机森林的特征变量集合，模拟产 量作为输出结果训练模型！ 1. 9 SCYM在安徽地区冬小麦的应用 1. 9. 1 WOFOST模型参数优化
基于高光谱遥感与safy模型的冬小麦地上生物量估算
ｍｏｄｅｌ ｔｈａｔ ｃａｎ ａｃｃｕｒａｔｅｌｙ ｓｉｍｕｌａｔｅ ｔｈｅ ｇｒｏｗｔｈ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｃｒｏｐｓ ａｔ ａ ｓｉｎｇｌｅ ｐｏｉｎｔ ｓｃａｌｅ. Ｄａｔａ
(１. 河南理工大学测绘与国土信息工程学院ꎬ 焦作 ４５４０００ꎻ
２. 北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室ꎬ 北京 １０００９７ꎻ
３. 国家农业信息化工程技术研究中心ꎬ 北京 １０００９７ꎻ ４. 北京市农业物联网工程技术研究中心ꎬ 北京 １０００９７)
摘要: 为了探索准确、 高效地估算冬小麦地上生物量 ( Ｄｒｙ ａｅｒｉａｌ ｍａｓｓꎬ ＤＡＭ) 的方法ꎬ 获取 了 ２０１３—２０１４ 年 和
ｃｏｕｐｌｉｎｇ ｅｆｆｅｃｔｉｖｅｌｙ ｃｏｍｂｉｎｅｓ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ｃｒｏｐ ｇｒｏｗｔｈ ｍｏｄｅｌꎬ ａｎｄ
ｈａｓ ｇｒｅａｔ ａｐｐｌｉｃａｔｉｏｎ ｐｏｔｅｎｔｉａｌ ｉｎ ｃｒｏｐ ｇｒｏｗｔｈ ｍｏｎｉｔｏｒｉｎｇ. Ｄｒｙ ａｅｒｉａｌ ｍａｓｓ ( ＤＡＭ) ｉｓ ｏｎｅ ｏｆ ｔｈｅ ｉｍｐｏｒｔａｎｔ
Ｂｅｉｊｉｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅꎬ Ｂｅｉｊｉｎｇ １０００９７ꎬ Ｃｈｉｎａ
３. Ｎａｔｉｏｎａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｆｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅꎬ Ｂｅｉｊｉｎｇ １０００９７ꎬ Ｃｈｉｎａ
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一、引言冬小麦是世界上重要的粮食作物之一，对人类的生存和发展具有重要意义。
因此，准确预测冬小麦的产量和品质对于农业生产和国民经济发展至关重要。
然而，冬小麦产量和品质受到多种因素的影响，如土壤养分、气象条件等。
基于遥感数据和气象预报数据的DSSAT模型可以提供有效的冬小麦产量和品质的预测方法。
本文将重点探讨基于遥感数据和气象预报数据的DSSAT模型在冬小麦产量和品质预测上的应用。
二、DSSAT模型简介DSSAT（Decision Support System for Agrotechnology Transfer）模型是一种基于农业科学原理和农业系统模拟的决策支持系统，广泛应用于全球各地的农业管理和决策中。
该模型可以模拟农田生态系统中的各种生理和生态过程，如作物生长、土壤水分和养分环境等。
通过输入土壤属性、作物品种、管理措施、气象数据等参数，DSSAT模型能够模拟和预测作物的生长和产量。
三、遥感数据在DSSAT模型中的应用遥感数据是通过卫星或飞机获取的地球表面的信息，包括地表温度、植被指数、土壤湿度等。
这些数据能够提供大面积的地表信息，对于农业生产的决策和管理具有重要意义。
在DSSAT 模型中，通过将遥感数据作为模型的输入，可以更精确地模拟和预测冬小麦的生长和产量。
例如，遥感数据可以提供冬小麦的叶绿素含量和植被覆盖度，从而反映作物的光合作用和生长状态。
同时，遥感数据还可以用于监测土壤湿度和作物水分胁迫等关键参数，为提高冬小麦产量和品质提供可靠的依据。
四、气象预报数据在DSSAT模型中的应用气象预报数据是指天气预报部门根据大气环流和气象要素变化趋势所进行的预测数据。
这些数据可以提供未来一段时间内的气温、降水量和光照等信息。
在DSSAT模型中，气象预报数据可以用于预测冬小麦的生长季节和气候条件。
基于UAV高光谱遥感的春小麦表型特征提取
式为 ｙ ＝ ０ ７９６２ｘ ＋ ０ １２２８ꎬ 相关性决定系数 Ｒ ２ 达到了
数ꎮ 特 别 是ꎬ ＮＤＳＩ (７１０ꎬ７１４) 与 ＬＡＩ 的 相 关 系 数 高 达
测与预测高度之间呈现出显著的线性关系ꎬ 具体表达
指数与 ＬＡＩ 和 ＣＣＣ 的相关性显著且优于传统植被指
０ ８０８ꎬ 而 ＲＭＳＥ 为 ０ １０５ꎮ 这表明模型具有相对较高
此外ꎬ ＤＳＭ 数据由无人机点云数据生成ꎮ
１ ２ ３ 光谱指数选取
通过对各个波段的反射率按照一定的代数形式进
行组合ꎬ 得到试验区作物冠层的光谱指数ꎮ 本研究参
征的研究仍相对较少ꎮ
综上所述ꎬ 本研究基于无人机高光谱遥感技术分
析春小麦在不同生长阶段的表型特征变化ꎮ 具体目标
考相关研究ꎬ 选取 ７ 种植被指数 ＮＤＶＩ、 ＥＶＩ２、 ＯＳＡ￣
环境风险和 ３Ｓ 综合应用ꎮ
２ ２０２４ꎬＶｏｌ ４４ꎬＮｏ ０４
农业与技术 ※农业科学
度ꎬ 其中基于骨架算法提取玉米高度具有一定优势ꎬ
基金项目: 国家自然科学基金地区项目 ( 项目编号: ４２２６１０１９) ꎻ 内蒙古师范大学研究生科研创新基金资助项目 ( 项目编号: ＣＸＪＪＳ２２１３１)
作者简介: 呼斯乐 (１９９６－) ꎬ 男ꎬ 硕士在读ꎮ 研究方向: 植被高光谱遥感ꎻ 通讯作者包玉龙 ( １９８２－) ꎬ 男ꎬ 副教授ꎮ 研究方向: 灾害与
食安全具有重要影响ꎮ 因此ꎬ 准确、 快速、 高效地获
窄波段光谱指数作为自变量的花青素估算模型在精度
取小麦表型特征对其生长过程的监测具有重要意义ꎮ
方面明显优越于传统的植被指数模型ꎮ 相比于传统的
现阶段作物表型信息的提取主要依赖地基、 卫星
基于高光谱遥感的农作物叶面积指数反演方法的分析与比较
基于高光谱遥感的农作物叶面积指数反演方法的分析与比较摘要：高光谱遥感技术作为反演农作物叶面积指数（LAI）的一个有力工具，近几年来已经越来越被国内外学者所重视。
本文比较系统地总结了利用高光谱遥感反演LAI值的一般方法，即包括试验田建立、光谱数据采集、LAI值测定、HVI值计算、反演模型的生成五个步骤。
总结出了一些常见农作物的最佳的LAI 值定量反演模型，便于今后相关研究时查阅。
关键词：高光谱遥感；叶面积指数（LAI）；反演模型Abstract: High spectrum remote sensing technology as the inversion of crop leaf area index ( LAI ) are a powerful tool, in recent years it has been pay more and more attention of both domestic and foreign scholars. The paper systematically summed up the use of hyperspectral remote sensing inversion of LAI value general methods, including experimental field establishment, data acquisition, LAI value, HVI value calculation, determination of inversion model is generated in five steps. Summarizes some common crop optimal LAI value quantitative inversion model for future related research, consulting.Key words: remote sensing; leaf area index (LAI); inversion model引言遥感技术是指远距离、在不直接接触目标物体情况下,通过接收目标物体反射或辐射的电磁波,探测地物波谱信息,并获取目标地物的光谱数据与图像,从而实现对地物的定位、定性或定量的描述。
高光谱技术在农业遥感中的应用研究进展
高光谱技术在农业遥感中的应用研究进展茅恒昌（北京师范大学资源与环境学院，北京 100875）摘 要：随着生活质量要求的逐渐提升，高光谱技术在现代农业的发展中起到重要的作用。
文章通过对高光谱技术在农业遥感中的应用现状进行分析，以此深入研究高光谱技术在农业遥感中应用。
通过农业作物产量品质、生长情况以及生长性状进行全面的发展。
通过对现阶段研究情况的总结和分析，推动高光谱技术在农业遥感中的应用，从根本上提升国家农业种植的综合能力。
关键词：高光谱技术；农业遥感；生长性状中图分类号：S127 文献标志码：A 文章编号：1672-3872（2017）22-0088-01——————————————作者简介： 茅恒昌（1983-），男，安徽阜阳人，硕士在读，研究方向：农业遥感。
1 高光谱技术在农业遥感中的发展方向现阶段，精细农业成为国家农业现代化发展的主要目标和方向，而高光谱遥感技术在农业监测方面展现出来的快速高效、精准无损的特点，让其成为农业遥感监测中的重要应用手段。
精细农业是一种结合信息、生物以及工程等多种高新技术为一体的现代化农业管理手段，通过科学系统的管理方法提高农业资源的利用效率，在保证环境无污染的情况下，提升农产品的产量和质量。
考虑到精细农业对数据和信息的需求，传统的分析方法无法满足现代化农业发展，因此将遥感技术、地理信息系统、全球定位系统都应用到农业监测中。
农业遥感属于这三种技术其中之一，根据监测的不同类型分为农作物的土壤成分遥感信息模型、作物灾害估计遥感分析模型等。
而高光谱技术作为遥感技术中的重要手段，在国家现代化精细农业的发展中得到了广泛的应用。
利用高光谱技术获取相比传统分析技术中更加完整准确的农业作物参数，为农业作物的管理和种植提供保障。
2 高光谱技术在农业遥感中的具体应用2.1 农业作物生长长势监测1）叶面积指数。
高光谱遥感技术因为不会对作物造成破坏的特点，因而被应用到监测作物的叶面积上，弥补传统获取农业作物叶面积指数的耗时过长等缺点，以最小的破坏，获取最精准的叶面积指数。
基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究
基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究吕玮;李玉环;毛伟兵;宫雪;陈士更【期刊名称】《农业资源与环境学报》【年(卷),期】2017(034)006【摘要】植物净光合速率是植物生产的基础,是体现植物生长状况的重要生理指标。
本文将小麦旗叶高光谱波段反射率进行一阶导数变换后与净光合速率（Pn）进行相关性分析确定敏感波段,分别采用二次多项式逐步回归（QPSR）、偏最小二乘法（PLSR）、BP神经网络法（BPNN）3种方法构建小麦旗叶的净光合速率反演模型,并对3种模型的预测精度进行比较分析。
结果表明：（1）将小麦旗叶的原始光谱进行一阶导数变换后与Pn进行相关性分析确定的敏感谱区集中在750-925 nm 之间,确定的6个敏感波段分别是：760、761、767、814、815、889 nm;（2）基于QPSR、PLSR、BPNN3种方法以及敏感波段的反射率一阶导数构建的Pn估测模型预测精度都较高,说明用这3种方法以及敏感波段对Pn的估测是可行的,其中模型估算能力顺序为QPSR〉BPNN〉PLSR,说明小麦旗叶Pn的最佳高光谱分析模型为小麦叶片750-925 nm反射率一阶导数变化后的QPSR模型。
【总页数】5页(P582-586)【作者】吕玮;李玉环;毛伟兵;宫雪;陈士更【作者单位】[1]山东农业大学资源与环境学院,土肥资源高效利用国家工程实验室,山东泰安271000 [2]山东农业大学水利土木工程学院,山东泰安271000 [3]山东农大肥业科技有限公司,山东泰安271000;;[1]山东农业大学资源与环境学院,土肥资源高效利用国家工程实验室,山东泰安271000 [2]山东农业大学水利土木工程学院,山东泰安271000 [3]山东农大肥业科技有限公司,山东泰安271000;;[1]山东农业大学资源与环境学院,土肥资源高效利用国家工程实验室,山东泰安271000 [2]山东农业大学水利土木工程学院,山东泰安271000 [3]山东农大肥业科技有限公司,山东泰安271000;;[1]山东农业大学资源与环境学院,土肥资源高效利用国家工程实验室,山东泰安271000 [2]山东农业大学水利土木工程学院,山东泰安271000 [3]山东农大肥业科技有限公司,山东泰安271000;;[1]山东农业大学资源与环境学院,土肥资源高效利用国家工程实验室,山东泰安271000 [2]山东农业大学水利土木工程学院,山东泰安271000 [3]山东农大肥业科技有限公司,山东泰安271000【正文语种】中文【中图分类】S127【相关文献】1.水氮运筹对伊犁河流域新垦土壤冬小麦旗叶SPAD值、净光合速率及产量的影响2.灌浆期高温对小麦旗叶净光合速率及籽粒生长的影响3.基于高光谱的小麦旗叶净光合速率的遥感反演模型的比较研究4.基于小波分析小麦旗叶净光合速率高光谱遥感反演5.冬小麦条锈病严重度高光谱遥感反演模型研究因版权原因，仅展示原文概要，查看原文内容请购买。
高光谱遥感技术在作物生长监测中的应用研究进展
麦类作物学报2009,29(1):174-178Jo ur na l of T rit iceae Cr ops高光谱遥感技术在作物生长监测中的应用研究进展李映雪,谢晓金,徐德福(南京信息工程大学应用气象学院,江苏南京210044)摘要:精准农业是现代化农业生产中实现低耗、高效、优质与安全的重要途径,高光谱遥感技术可以快速准确地获取农田作物生长状态的实时信息,为实施精准农业提供重要的技术支撑。
本文综述了以高光谱遥感技术监测作物长势(包括叶面积指数和生物量)、作物生物化学参数(包括植物的氮素营养、叶绿素含量、叶片碳氮比等)和籽粒品质(包括籽粒蛋白质含量、面筋含量、淀粉积累量等)的国内外研究进展,并提出了一些今后研究的设想,以期为未来精确农业快速发展提供参考。
关键词:作物;高光谱遥感;生长监测中图分类号:S24;S311文献标识码:A文章编号:1009-1041(2009)01-0174-05Application of Hyperspectral Remote Sensing Technologyin Monitoring Crop GrowthLI Ying-xue,XIE Xiao-jin,XU De-fu(College of Applied M eteorology,Nanjin g U nivers ity of Information T echnology,Nan jing,Jiangsu210044,China)Abstract:Precision farming is an im por tant appr oach to realizing low consumption,high yield,goo d qual-i ty and safety in m odern agricultural production.H yperspectral remo te sensing can rapidly and precisely de-termine the g row th status of cro p in the field,w hich offers im por tant technical suppo rt for im plementation of precision farming.On the basis of hyper spectral remo te sensing,m onitoring character of crop g row th, bio-chemical parameter s and grain quality of crop w ere summarized and som e ideas for further resear ch w ere discussed in this paper,w hich could supply an im por tant reference and guideline for quickly develop-m ent o f precision farm ing in the futur e.Key words:Crop;H yperspetral remo te sensing;Grow th;Monitoring精准农业是在现代信息技术、生物技术与工程技术等一系列高新技术最新成就的基础上发展起来的一种重要的现代农业生产形式,它是实现农业低耗、高效、优质与安全的重要途径,目前,已成为世界农业技术的研究重点,其中遥感技术是实施精准农业的重要工具之一。
基于无人机高光谱遥感的冬小麦株高和叶面积指数估算
农业机械学报第51卷第12期2020年12月doi：10.6041/j.issn.1000-1298.2020.12.021基于无人机高光谱遥感的冬小麦株高和叶面积指数估算陶惠林1徐良骥2冯海宽1,3杨贵军1,4代阳2牛亚超2（1.北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室，北京100097；2.安徽理工大学测绘学院，淮南232001；3.国家农业信息化工程技术研究中心，北京100097；4.北京市农业物联网工程技术研究中心，北京100097）摘要：为了快速、准确地估算叶面积指数（LAI）,通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据，从中提取岀株高（Hcsm）。
首先，分析了植被指数、Hcsm与LAI的相关性，挑选岀最优植被指数;然后，分别构建了单个参数的LAI线性估算模型;最后，以植被指数、植被指数结合Hcsm为模型输入因子，采用偏最小二乘回归方法构建LAI估算模型。
结果表明:通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）;在不同生育期，大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度；以植被指数、植被指数结合Hcsm为输入变量，通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。
本研究方法可以提高LAI估算精度，为农业管理者提供参考。
关键词：冬小麦；叶面积指数；株高；高光谱；植被指数；偏最小二乘中图分类号：S512.1+1；S127文献标识码：A文章编号：1000-1298（2020）12_0193_09Estimation of Plant Height and Leaf Area Index of Winter WheatBased on UAV Hyperspectral Remote SensingTAO Huilin1XU Liangji2FENG Haikuan1'3YANG Guijun1'4DAI Yang2NIU Yachao2(1.Key Laboratory of Quantitative Remote Sensing in Agriculture,Ministry of Agriculture and Rural Affairs,Beijing Research Center for Information Technology in Agriculture,Beijing100097,China2.School of Geodesy and Geomatics，Anhui University of Science and Technology，Huainan232001，China3.National Engineering Research Center for Information Technology in Agriculture,Beijing100097,China4.Beijing Engineering Research Center for Agriculture Internet of Things,Beijing100097,China)Abstract:Leaf area index is an important indicator of crop growth evaluation，so it is crucial to estimate LAI quickly and accurately.The imaging data of the three growth stages of winter wheat was obtained through the imaging hyperspectrum carried by the UAV,and the plant height(Hcsm)was extracted from it.Firstly，the correlation between vegetation indices，Hcsm and LAI was analyzed，and the optimal vegetation index was selected；then the LAI linear estimation model of a single parameter was constructed separately；finally，taking the vegetation indices and vegetation indices combined with Hcsm as the model input factor，the partial least squares regression method was used to construct LAI estimation model.The results showed that the height of the plant height Hcsm extracted from the UAV hyperspectral remote sensing image was highly accurate(R=0.95);the correlation between most vegetation indices and Hcsm at different growth stages and LAI was at0.01significant level；the accuracy of estimating the LAI based on the optimal vegetation index combined with Hcsm was better than that based on the optimal vegetation index or Hcsm only；taking vegetation indices and vegetation indices combined with Hcsm as input variables，the LAI estimation model constructed by partial least square regression achieved the highest accuracy during flowering stage，so partial least squares regression can improve the estimation effect，and the ability to estimate the LAI with the vegetation indices combined with Hcsm as the 收稿日期：20200719修回日期：20200908基金项目：广东省重点领域研发计划项目(2019B020214002)和国家自然科学基金项目(41601346、41871333)作者简介：陶惠林(1994—)，男，助理研究员，主要从事农业定量遥感研究，E-"ail：157****5505@163•co"通信作者：冯海宽(1982—)，男，高级工程师，主要从事农业定量遥感研究，E-mail：**********************194农业机械学报2020年independent variable was better(modeling R2=0.73，RMSE was0.64).The research was based on the Hcsm extracted from the UAV hyperspectral remote sensing image combined with the vegetation indices, which can improve the accuracy of estimating LAI and provide a reference for agricultural managers.Key words:winter wheat;leaf area index；plant height;hyperspectral;vegetation index；partial least squares regression0引言叶面积指数（Leaf area index，LAI）是反映作物长势的重要参数,与作物产量具有紧密联系,对农业生产管理具有重要作用U-2］。
全国农作物叶面积指数遥感估算方法_蒙继华
第23卷第2期2007年2月农业工程学报Tr ansactions of the CSAE V ol.23 N o.2Feb. 2007全国农作物叶面积指数遥感估算方法蒙继华,吴炳方※,李强子(中国科学院遥感应用研究所,北京100101)摘 要:目前对农作物叶面积指数L AI 的遥感估算研究多是针对单一作物或是作物种植结构单一的区域,该文运用大尺度农作物叶面积指数的遥感估算方法,在像元尺度上对4个代表性实验站的L A I 与归一化植被指数(N DV I )的相互关系进行了回归分析后,得到4种代表性作物种植结构的L AI 估算模型,然后结合全国农作物种植结构数据对模型外推,建立了一个全国尺度的遥感模型,并估算了全国作物L AI 。
该文使用“863”项目山东遥感应用综合试验中的作物L AI 观测数据进行了验证,结果表明该模型较其它估算模型达到了较高的精度,最大相对误差为39%,平均的相对误差为19%。
该模型的计算结果已经在“中国农情遥感速报”系统中得到了广泛的应用。
关键词:遥感;作物;叶面积指数;遥感模型;归一化植被指数;估算中图分类号:T P79;T P274 文献标识码:A 文章编号:1002-6819(2007)2-0160-08蒙继华,吴炳方,李强子.全国农作物叶面积指数遥感估算方法[J].农业工程学报,2007,23(2):160-167.M eng J ihua,W u B ingfa ng ,Li Qiang zi.M ethod fo r estimating cro p leaf a rea index o f China using r emote sensing [J].T ransac tio ns of th e CSA E,2007,23(2):160-167.(in Chinese with Eng lish abstract)收稿日期:2006-03-01 修订日期:2006-05-29基金项目:国家863计划:粮食预警遥感辅助决策系统(2003AA131050);中国科学院知识创新工程重要方向项目(KZCX3-SW -338-2);遥感应用示范工程总体技术研究(2003AA131040)作者简介:蒙继华(1977-),男,新疆石河子人,博士,主要从事遥感应用方面研究,北京 中国科学院遥感应用研究所,100101。
基于无人机高光谱遥感数据的冬小麦生物量估算
基于无人机高光谱遥感数据的冬小麦生物量估算作者：陶惠林冯海宽徐良骥杨贵军杨小冬苗梦珂刘明星来源：《江苏农业学报》2020年第05期摘要：以植被指数和红边参数为模型因子，利用多元线性回归（MLR），构建冬小麦不同生育期的生物量估算模型，从而有效和更好地监测冬小麦的长势情况，为精准农业中作物的快速监测提供技术手段。
首先分析植被指数（VI）和红边参数（REPS）与冬小麦生物量的相关性，然后运用MLR分别建立模型MLR+VI、MLR+REPS和MLR+VI+REPS，最后将优选的冬小麦生物量估算模型应用于无人机高光谱影像中，验证模型的可行性。
结果表明，利用单个植被指数或红边参数构建的估算模型在孕穗期、开花期和灌浆期估算精度最高的植被指数分别是归一化植被指数（NDVI）、简单比值指数（SR）和增强型土壤调节植被指数（MSAVI），精度最高的红边参数分别为红边振幅/最小振幅、红边振幅和红边振幅;通过MLR分别以植被指数、红边参数和植被指数结合红边参数为因子构建的模型MLR+VI、MLR+REPS与MLR+VI+REPS效果优于单个植被指数或红边参数建立的模型，3种模型在不同生育期的验证结果也较好，其中MLR+VI+REPS模型精度最高，模型决定系数（R2）、标准均方根误差（NRMSE）分别为0.783 2与12.13%。
关键词：无人机;高光谱;冬小麦;多元线性回归;植被指数;红边参数中图分类号：S127文献标识码：A文章编号：1000-4440（2020）05-1154-09Abstract： Using vegetation index （VI） and red edge parameter （REPS） as model factors， multivariate linear regression （MLR） was used to construct a biomass estimation model for winter wheat in different growth periods， to effectively and better monitor the growth of winter wheat and provide technical means for rapid monitoring of crops in precision agriculture. The correlation of VI and REPS with biomass of winter wheat was analyzed first. Then MLR+VI model，MLR+REPS model and MLR+VI+REPS model were constructed by MLR respectively. Finally， the optimized model for estimation of biomass in winter wheat was applied in hyperspectral images taken by unmanned aerial vehicles to verify the feasibility of the models. The results showed that the vegetation indices with the highest estimation accuracy of the estimation model constructed by single vegetation index or red edge parameter in booting stage， flowering stage and filling stage were normalized difference vegetation index （NDVI）， simple ratio index （SR） and modified soil-adjusted vegetation index （MSAVI） respectively， and the red edge parameters with the highest precision were red edge amplitude/minimum amplitude， red edge amplitude and red edge amplitude respectively. The effects of MLR+VI model， MLR+REPS model and MLR+VI+REPS model were better than the models constructed by single vegetation index or single red edge parameter. The verification results of the MLR+VI model， MLR+REPS model and MLR+VI+REPS model in different growth periods were also good， and the MLR+VI+REPS model showed the highest precision， the coefficient of determination （R2） and normalized root mean square error （NRMSE） of the model were 0.783 2 and 12.13% respectively.Key words：unmanned aerial vehicle（UAV）;hyperspectral;winter wheat;multiple linear regression;vegetation index;red edge parameters生物量是作物生長过程中重要的生物物理参数之一[1]，能够很好地反映作物的长势情况，便于农业管理者对作物更好地进行管理。
高光谱遥感技术无损伤估测小麦主要营养参数研究的开题报告
高光谱遥感技术无损伤估测小麦主要营养参数研究的开题报告一、研究背景小麦是我国最主要的粮食作物之一，其主要营养参数，如氮、磷、钾、蛋白质等对其生长发育及品质影响极大。
传统的土壤分析和化验检测手段需要采样和分析大量的植株和土壤样本，操作繁琐且耗时耗力。
而高光谱遥感技术作为一种快速、非接触、大范围、高精度的无损伤监测技术，可以提高小麦主要营养参数的估测精度，有效提高小麦的生产效率和质量。
二、研究目的本研究旨在利用高光谱遥感技术无损伤估测小麦主要营养参数，并建立相关的遥感估测模型，以实现对小麦生产中重要营养参数的快速、精确、低成本的监测。
三、研究内容1.小麦主要营养参数的遥感估测指标筛选根据小麦生长发育和营养需要及高光谱遥感技术原理，筛选合适的遥感指标进行小麦主要营养参数的估测。
2.高光谱遥感数据采集与处理使用高光谱遥感仪或航空/卫星遥感影像获取小麦遥感数据，并对数据进行预处理和归一化处理，以获得高质量的遥感数据。
3.小麦主要营养参数的遥感估测模型建立基于所筛选的遥感指标和小麦主要营养参数的土壤养分含量数据，利用数学模型建立小麦主要营养参数的遥感估测模型，并通过模型的评价和精度分析对模型进行验证。
4.模型应用和实验验证利用所建立的模型对小麦主要营养参数进行遥感估测，并与传统化验检测结果进行对比和验证。
四、研究意义1.为小麦生产提供快速、精确、低成本的主要营养参数监测手段，提高小麦生产的效率和品质；2.为农业大数据应用提供数据基础和技术支撑；3.为推广高光谱遥感技术在农业领域的应用拓宽了研究领域。
五、研究方法本研究采用实验室分析方法、野外调查法、数学统计方法、高光谱遥感技术分析方法等多种研究方法，结合现代计算机技术和软件工具进行数据处理和模型建立。
六、预期成果1.建立小麦主要营养参数的高光谱遥感估测模型，在不同生长期和不同土壤类型下实现小麦的营养参数监测；2.发表相关的学术论文和会议报告，推广高光谱遥感技术在农业领域的应用；3.提供可操作的技术方案和应用指南，为进一步推广和应用提供支撑。
Sentinel2数据的冬小麦地上干生物量估算及评价
Sentinel2数据的冬小麦地上干生物量估算及评价一、本文概述本文旨在探讨利用Sentinel-2卫星数据进行冬小麦地上干生物量的估算及其评价。
Sentinel-2是欧洲空间局（ESA）发射的一系列高分辨率多光谱成像卫星，为地球观测提供了丰富的光谱信息。
本研究利用Sentinel-2数据，结合地面实测的生物量数据，建立冬小麦地上干生物量的估算模型，并对模型的精度和可靠性进行评价。
通过这一研究，我们期望为冬小麦的产量预测、生长监测以及农业管理提供有效的遥感手段，同时也为类似地区的农作物生物量估算提供参考和借鉴。
本文首先介绍了Sentinel-2卫星数据的特点及其在农业遥感领域的应用现状。
随后，详细阐述了数据预处理、特征提取、模型构建及验证等关键步骤，并采用了多种统计方法和评价指标对模型性能进行全面评估。
在结果分析部分，我们对比了不同模型的估算精度，并探讨了影响估算精度的主要因素。
对本研究的意义、局限性和未来研究方向进行了讨论和展望。
通过本研究，我们期望能够为冬小麦地上干生物量的遥感估算提供更为准确、可靠的方法，为农业生产管理和决策提供有力支持。
也为其他作物生物量的遥感估算提供有益的参考。
二、研究区域与数据来源本研究选取了中国北方的主要冬小麦种植区作为研究区域。
这一区域地理位置独特，气候条件适宜，是我国冬小麦的主要产区，对于保障国家粮食安全具有重要意义。
具体研究区域包括河北、河南、山东等省份的多个县市，覆盖了多种土壤类型和气候条件，以保证研究的普遍性和代表性。
在数据来源方面，本研究主要采用了Sentinel-2卫星遥感数据。
Sentinel-2是欧洲空间局（ESA）发射的一系列高分辨率多光谱成像卫星，具有重访周期短、覆盖范围广、光谱分辨率高等优点，非常适合用于农作物生长监测和生物量估算。
我们获取了研究区域内冬小麦生长季的多时相Sentinel-2影像，涵盖了从播种到收割的整个过程。
除了遥感数据外，本研究还结合了地面实测数据，包括冬小麦的地上干生物量、株高、叶面积指数等农学参数。
基于遥感与模型耦合的冬小麦生长预测
基于遥感与模型耦合的冬小麦生长预测黄彦;朱艳;王航;姚鑫锋;曹卫星;David B．Hannaway;田永超【摘要】遥感的空间性、实时性与作物生长模型的过程性、机理性优势互补,将两者有效耦合已成为提高作物生长监测预测能力的重要手段之一.提出了一种基于地空遥感信息与生长模型耦合的冬小麦预测方法,该方法基于初始化/参数化策略,以不同生育时期的小麦叶面积指数(LAI)和叶片氮积累量(LNA)为信息融合点将地面光谱数据(ASD)及HJ-1A/B CCD、Landsat-5TM数据与冬小麦生长模型(WheatGrow)耦合,反演得到区域尺度生长模型运行时难以准确获取的部分管理措施参数(播种期、播种量和施氮量),在此基础上实现了对冬小麦生长的有效预测.实例分析结果表明,LNA较LAI对模型更敏感,以之作为耦合点的反演效果较好.另外,抽穗期是遥感信息与生长模型耦合的最佳时机,对播种期、播种量和施氮量反演的RMSE值分别达到5.32 d、14.81 kg/h㎡、14.11 kg/h㎡.生长模型与遥感耦合后的模拟结果很好地描述了冬小麦长势和生产力指标的时空分布状况,长势指标的模拟相对误差小于0.25,籽粒产量模拟的相对误差小于0.1.因此研究结果可为区域尺度冬小麦生长的监测预测提供重要理论依据.【期刊名称】《生态学报》【年(卷),期】2011(031)004【总页数】12页(P1073-1084)【关键词】遥感;WheatGrow模型;模型参数初始化;生长预测【作者】黄彦;朱艳;王航;姚鑫锋;曹卫星;David B．Hannaway;田永超【作者单位】南京农业大学/江苏省信息农业高技术研究重点实验室,江苏南京,210095;南京农业大学/江苏省信息农业高技术研究重点实验室,江苏南京,210095;南京农业大学/江苏省信息农业高技术研究重点实验室,江苏南京,210095;南京农业大学/江苏省信息农业高技术研究重点实验室,江苏南京,210095;南京农业大学/江苏省信息农业高技术研究重点实验室,江苏南京,210095;俄勒冈州立大学农业科学学院作物与土壤科学系,美国俄勒冈科瓦利斯,97331-3002;南京农业大学/江苏省信息农业高技术研究重点实验室,江苏南京,210095【正文语种】中文基于作物生长发育规律，综合遗传潜力、环境效应和技术调控之间因果关系的作物生长模型是模拟作物生长状况、预测生产潜力的有效工具［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摘要：随着农业技术的不断发展和智能农业的兴起，农作物产量和品质的准确预测变得越来越重要。
本文基于遥感数据和气象预报数据，利用DSSAT模型对冬小麦的产量和品质进行预报。
通过对模型的构建和参数调整，以及收集和加工相关数据，最终得到了可靠的预测结果。
1. 引言冬小麦是我国重要的粮食作物之一，对农民的生计和国家的粮食供应具有重要意义。
因此，准确预测冬小麦的产量和品质，对于农业生产和粮食安全具有重要的指导意义。
传统的冬小麦预测方法主要基于历史数据和经验公式，但随着技术的发展，借助遥感数据和气象预报数据进行预测的方法逐渐受到广泛关注。
2. 数据采集与处理2.1 遥感数据遥感数据是通过航空或卫星设备获取的地球表面信息的数字化数据。
通过获取冬小麦生长过程中的植被指数、叶面积指数等关键参数，可以对冬小麦的生长情况进行评估和预测。
本研究中，使用卫星遥感数据获取了冬小麦的生长指标，并对数据进行处理和校正。
2.2 气象预报数据冬小麦的生长受到气象因素的影响较大，包括温度、降水、日照等。
通过获取与冬小麦生长相关的气象数据，可以预测冬小麦的生长情况。
本研究中，我们使用了气象预报数据作为输入参数，并对数据进行处理和清洗。
3. DSSAT模型及参数调整DSSAT（Decision Support System for Agrotechnology Transfer）模型是一种被广泛应用于农业生产预测的数值模型。
该模型基于农业生态学知识和气象、土壤等因素的关联性建立，能够对农作物的生长、发育和产量进行全面预测。
本研究中，我们使用DSSAT模型对冬小麦的产量和品质进行预测，并通过对模型的参数进行调整，提高了预测的准确度。
4. 结果与讨论通过对遥感数据和气象预报数据的收集和加工，以及对DSSAT模型的构建和参数调整，我们得到了冬小麦产量和品质的预测结果。
不同播期冬小麦叶面积指数高光谱遥感监测模型
不同播期冬小麦叶面积指数高光谱遥感监测模型
范剑1 尤慧2, 3 刘凯文2, 3 高华东2, 3
（1 荆州市气象局，荆州 434020；2 江汉平原生态气象遥感监测技术协同创新中心，荆州 434025； 3 湖北省荆州农业气象试验站，荆州 434025）
摘要：叶面积指数（Leaf area index，LAI）与植物的光合能力密切相关，是评价作物长势和预测产量的重要农学参 数，利用高光谱遥感能够实现农作物LAI快速无损监测。为了建立不同播期条件下冬小麦LAI反演的最佳高光谱监测模 型，提高冬小麦LAI估算模型精度，将地面实测冬小麦LAI数据和冠层高光谱数据相结合，对4个播期及4个播期组合模 拟的混合播期数据进行分析，选取8种植被指数，通过相关分析、回归分析等统计方法，构建不同播期冬小麦叶面积指 数监测模型。结果表明，在4个播期处理和由一个所有播期组合下（即混合播期）建立的LAI光谱监测模型中，播期1和 播期4分别以EVI2和mNDVI拟合效果较好，播期2、播期3及混合播期均与NDGI拟合效果最好。不同播期及混合播期的 拟合方程决定系数（R2）分别为0.803，0.823，0.907，0.819和0.798；通过试验田实测LAI与反演LAI数据进行拟合模 型验证，均方根误差分别为0.81，0.78，0.63，0.82，0.91。通过分析可知，不同播期的分期监测模型比混合播期统一 监测模型的拟合效果更好，精度更高。因此，播期1、播期2、播期3、播期4分别选用植被指数EVI2、NDGI、NDGI、 mNDVI建立冬小麦LAI反演模型。该结果可为实现不同播期下冬小麦长势精确监测提供理论依据和技术支撑。
all sowing dates together were 0.803, 0.823, 0.907, 0.819, and 0.798, respectively. The model was validated using experimentally
不同生育期冬小麦叶面积指数高光谱遥感估算模型
不同生育期冬小麦叶面积指数高光谱遥感估算模型孟禹弛;侯学会;王猛【摘要】基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据,分析返青期、拔节期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性,并构建基于等效TM数据的植被指数,建立不同生育时期的冬小麦叶面积指数(LAI)的高光谱遥感估算模型.结果表明:(1)返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好,在400~720 nm波长范围内呈负相关,在720~900 nm之间呈正相关,开花期的冬小麦LAI与冠层光谱相关性较差;(2)返青期、拔节期冬小麦LAI与光谱一阶微分显著相关,分别在480~540 nm、550~580 nm形成波峰、波谷,在670~760 nm范围内形成"平台",相关系数达到0.8以上,但抽穗期、开花期LAI与光谱一阶微分的相关性较差;(3)在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中,分别使用mSRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳,最优模型分别为y=0.053e4.962x,y=0.409x0.828,y=18.687x3.061,对应的r2分别为0.589、0.648、0.694,开花期不适宜使用等效植被指数建立遥感监测模型.【期刊名称】《江苏农业科学》【年(卷),期】2017(045)005【总页数】5页(P211-215)【关键词】冬小麦;生育期;叶面积指数;等效植被指数;高光谱遥感;估算模型【作者】孟禹弛;侯学会;王猛【作者单位】山东省农业可持续发展研究所,山东济南 250000;中国矿业大学资源与地球科学学院, 江苏徐州 221116;山东省农业可持续发展研究所,山东济南250000;山东省农业可持续发展研究所,山东济南 250000【正文语种】中文【中图分类】S127叶面积指数(leaf area index，简称LAI)是陆地植被生态系统中定量描述叶片面积的几何结构参量，通常是指单位面积上植物叶片的垂直投影面积的总和[1]。
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
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
的报告，600字
万科大学植被学研究中心的研究小组近期对植物叶绿素含量的高光谱植被指数估算模型进行了研究，以春小麦作为样品，分别在五种不同的地类上进行调查。
研究小组采用了快速并准确的叶绿素含量测定方法，用一台色谱仪进行叶片叶绿素含量的定量检测，其结果可以反映出植物在不同地类上叶绿素含量的差异性。
色谱仪能够有效检测叶片叶绿素含量，从而得出准确的叶绿素含量数据。
为了估算叶绿素含量，研究小组采用了卡尔曼滤波高光谱植被指数估算模型，该模型使用植物叶数据来估算叶绿素含量。
具体而言，卡尔曼滤波模型的估算精度不仅取决于植物叶绿素含量测量方法的准确程度，还取决于色谱仪测量能力、植物叶数据量以及色谱仪精度。
研究结果表明，五种地类的叶绿素含量差异系数介于0.29-0.59之间，最大的叶绿素含量出现在沙地和沙山地类；最小的叶绿素含量出现在草原地类。
同时，研究发现，卡尔曼滤波高光谱植被指数估算模型的精度达到了97%，即估算的叶绿素含量与实际叶绿素含量的偏差在3%之内。
综上所述，本研究证明，所提出的卡尔曼滤波高光谱植被指数估算模型能够准确估算不同地类春小麦叶片叶绿素含量，因此可以应用于其他研究。
另外，本研究也表明，植物叶绿素含量受到不同地类的影响。
基于高光谱遥感的小麦籽粒产量预测模型研究
基于高光谱遥感的小麦籽粒产量预测模型研究冯伟;朱艳;田永超;姚霞;郭天财;曹卫星【期刊名称】《麦类作物学报》【年(卷),期】2007(27)6【摘要】为了确立能够准确预测小麦籽粒产量的敏感光谱参数和定量模型,于2003-2006年连续3个生长季,通过不同小麦品种和不同施氮水平的4个大田试验,在小麦不同生育期采集田间冠层高光谱数据并测定植株氮含量、重量和叶面积指数及成熟期籽粒产量,定量分析小麦籽粒产量与冠层高光谱参数的相互关系。
结果显示,小麦籽粒产量随施氮水平的提高而增加,不同地力水平间存在显著差异。
灌浆前期叶片氮积累量和叶面积氮指数均能够较好地反映成熟期籽粒产量状况,而叶片氮含量和氮积累量及叶面积氮指数在拔节-成熟期的累积值与成熟期籽粒产量的回归拟合效果更好。
对叶片氮含量和氮积累量及叶面积氮指数的光谱反演,在不同品种、氮素水平和年度间可以使用统一的光谱参数。
根据“特征光谱参数-叶片氮素营养-籽粒产量”这一技术路径,以叶片氮素营养为交接点将模型链接,建立了基于灌浆前期高光谱参数及拔节期-成熟期特征光谱指数累积值的小麦籽粒产量预测模型。
经两年独立试验数据检验表明,利用灌浆前期关键特征光谱指数可以有效地评价小麦成熟期籽粒产量状况,拔节-成熟期特征光谱指数的累积值能够稳定预报不同条件下小麦成熟期籽粒产量的变化。
因此,利用冠层特征光谱指数可以快速无损地预报小麦成熟期籽粒产量。
【总页数】9页(P1076-1084)【关键词】小麦;氮素营养;籽粒产量;高光谱遥感;预报模型【作者】冯伟;朱艳;田永超;姚霞;郭天财;曹卫星【作者单位】南京农业大学/江苏省信息农业高技术研究重点实验室;河南农业大学/国家小麦工程技术研究中心【正文语种】中文【中图分类】S512.1;S127【相关文献】1.小麦籽粒蛋白质含量高光谱预测模型研究 [J], 冯伟;姚霞;田永超;朱艳;刘小军;曹卫星2.基于高光谱遥感监测小麦籽粒蛋白质含量的研究进展 [J], 刘大众;刘升平;周国民;李世娟;杜鸣竹;吕纯阳;杨菲菲;肖顺夫3.基于高光谱遥感和集成学习方法的冬小麦产量估测研究 [J], 费帅鹏;禹小龙;兰铭;李雷;夏先春;何中虎;肖永贵4.基于高光谱的倒伏冬小麦产量预测模型研究 [J], 崔怀洋;徐晖;张伟;丁锦峰;李春燕;郭文善;朱新开5.利用高光谱遥感预测小麦籽粒蛋白质产量 [J], 冯伟;朱艳;田永超;曹卫星;郭天财;王晨阳因版权原因，仅展示原文概要，查看原文内容请购买。