科研产出
基于高光谱植被指数的水稻LAI遥感估算
《西南农业学报 》 2022 北大核心 CSCD
摘要：【目的】探索植被指数（VI）及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数（LAI）高光谱遥感估算的影响，构建县域水稻LAI估算模型，并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的3套训练数据，分别对增强型植被指数（EVI）、修正三角植被指数2（MTVI2）、归一化差值植被指数（NDVI）和修正比值植被指数（MSR）开展波段选择。在此基础上，以1种VI作为LAI的特征参量，试用指数回归（ER）和人工神经网络（ANN）,构建县域水稻LAI估算模型。计算LAI估算值和实测值之间的决定系数（R~2）和均方根误差（RMSE）,开展估算精度验证。【结果】（1）基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例，基于优选波段的EVI和MTVI2得到的R~2分别为0.638和0.681,RMSE分别为0.554和0.519;而NDVI和MSR得到的R~2分别为0.567和0.560,RMSE分别为0.606和0.611。（2）基于各VI优选波段组合的LAI估算精度（平均R~2为0.574,平均RMSE为0.598）优于默认波段组合（平均R~2为0.424,平均RMSE为0.694）。（3）ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中，ANN模型得到的平均R~2比ER模型分别提高40.27%和14.03%;平均RMSE分别降低11.32%和8.11%。（4）就本项目试验而言，训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如，当训练样本量低至24时，基于EVI构建的ANN模型的测试精度（R~2=0.660, RMSE=0.537）,仍然优于ER模型（R~2=0.597, RMSE=0.585）。【结论】VI及其波段选择与回归建模方法对县域水稻LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物，尝试利用任意可能的波段组合来计算多种VI,遴选与实测LAI相关系数最大的VI及其波段组合，有益于提高基于VI的LAI高光谱遥感估算精度。同时，即使基于小样本训练数据，机器学习算法仍有可能得出优于参数回归的结果。
关键词： 叶面积指数 遥感反演 植被指数 波段选择 机器学习 样本量
全文链接
请求原文
基于多时相遥感植被指数的柑橘果园识别
《农业工程学报 》 2021 EI 北大核心 CSCD
摘要：柑橘普遍种植于中国南方地区,受天气多云多雨、种植类型复杂等因素影响,利用光谱信息直接识别柑橘果园信息存在一定困难。该研究根据柑橘特有的物候特征,提出了"柑橘在其果实生长膨大过程中柑橘果园的植被信息可能减弱"的假设。根据此特征提出柑橘果园信息识别方法,确定关键时间窗口的阈值,并以广西壮族自治区南宁市武鸣区为研究区,开展柑橘果园信息遥感识别实证研究。首先,获取2018年研究区多时相Sentinel-2遥感影像,构建归一化植被指数（Normalized Difference Vegetation Index,NDVI）、绿色归一化植被指数（Green Normalized Difference Vegetation Index,GNDVI）、差值植被指数（Difference Vegetation Index,DVI）和红边波段指数（Sentinel-derived Red-edge Spectral Indices,RESI）等多个植被光谱指数;其次,根据地面样本点信息,对比不同植被类型在不同时期的遥感植被信息差异,进而确定柑橘果园识别的最优特征。研究结果表明,柑橘果园与研究区其他主要作物类型（如甘蔗、香蕉、玉米、水稻等）没有明显的光谱特征差异,但研究区多时相遥感植被指数显示10月的柑橘果园NDVI相比11月出现明显低值0.47,且明显低于其他作物类型;10月的柑橘果园GNDVI也出现了低值0.43,但与其他月份相比差异不明显;而柑橘果园DVI的离散程度低,分离性不强。根据作物物候历,9—10月为柑橘果实迅速膨大期,这验证了该研究提出的科学假设,即该时期柑橘果园的植被信息会减弱。柑橘果实膨大期不同植被指数的离散程度差异明显,NDVI离散程度最高,差异性最强。根据10月柑橘果园NDVI的物候特征,进一步构建归一化指数,通过阈值法识别研究区柑橘果园空间分布,该识别方法的总体精度达到82.75%,优于其他植被指数的识别结果,研究结果可为柑橘果园信息遥感识别研究提供较好的理论与实践支撑。
关键词： 遥感 分类 物候 柑橘 植被指数 Sentinel-2 Google Earth Engine
全文链接
请求原文
基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型
《华南农业大学学报 》 2016 北大核心 CSCD
摘要：【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。
关键词： 高光谱技术 光谱反射率 马铃薯 植被指数 叶绿素含量 反演模型
全文链接
请求原文
基于SPOT5影像分析植被指数与水稻叶面积指数和产量的相关性
《江苏农业科学 》 2014 北大核心
摘要：以2011年四川省德阳地区为研究区域,建立20个300 m×300 m样方,在水稻移栽(6月10日)、分蘖(7月10日)、抽穗(8月15日)及成熟期间(9月1日),每样方选取3个地块,每地块随机选择3个面积为1 m×1 m的样点并用GPS定位,基本在同一位置采集叶面积指数(LAI)、叶绿素含量、株高、行列距、干物质重、每公顷分蘖数、有效穗数、每穗粒数、千粒重等生态参数,测算出单产、经济系数,以SPOT5多光谱影像(2011/8/18,261/287)提取归一化植被指数(NDVI),研究每一样方内水稻区植被指数与叶面积指数、产量等定量关系。结果表明,NDVI与抽穗期LAI相关性极显著(r=0.703**),与其他3个时期LAI相关性低;NDVI与成熟期测定的单产、经济系数相关性也较低;通过抽穗期遥感影像提取的植被指数,可反演同时期水稻叶面积指数;利用单时相遥感影像反演最终单产和经济系数,需要进一步研究。
全文链接
请求原文
首页上一页1下一页尾页
