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。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

冬小麦叶片叶绿素相对含量遥感估算模型研究
吴素霞一冯蜀青毛任钊，美亭２王波２，，，侯，
（．海省气象科学研究所青海西宁１青８００；．国科学院遗传与发育生物学研究所农业资源研究中心，北石家庄１０１２中河００２）５０１
数码相机和航空摄像获取作物冠层图像，用数字应
图像技术与土壤植株测试进行了冬小麦氮营养的诊
断，由于数码相机拍摄和航空摄像获取的地面范围
较小，因而也限制了其在区域尺度的应用。利用遥
感监测农作物的叶绿素含量前人主要对水稻进行了研究，关冬小麦叶片中的叶绿素含量遥感估测研有
的滨海与内陆过渡地带，势坦平，拔高度７地海～８
ｍ，为典型大陆性季风气候，年均气温１． ℃ ，年２３多平均降雨量５８ｍｍ，６干燥度１４春季干旱、雨。．，少农田土壤亚类为普通潮土，质地较粘重。农户冬小
经１６４８，纬３。５１，区属海河低平原１。４２北８１２）该
面已经受到了很大的关注＿。２２０世纪９Ｊ０年代以
来，国内学者对农田肥水状况的动态监测给予了较多的关注，在航天、空遥感数据与地面数据肥水定航量关系模型的建立和组分反演方面做了大量的工作，取得了很大的进展。ＣｒｎＣｒｌＨｏｌ等总ｕｒ、ａｏ、ｒｒａｅ结了通过植物叶片的实验室内光谱测量探测其生理
长势监测提供了依据。
关键词：Ｍ；感；绿素相对含量；小麦Ｔ遥叶冬中图分类号：５２１ｓ１．１文献标识码：Ａ文章编号：１０ —６１２０）５０３ —５００７０（０６０ —１７０
参数的可行性，后提出水分及氮、、在贮备光先磷钾
谱中都有较好的体现＿Ｊ由于上述研究均以干３。
叶作为测试对象，结果直接加以推广已被证明是其不合理的＿。张仁华等＿建立了作物叶绿素含量６Ｊ７Ｊ
麦主要品种为 “ １—３、白玉１９和 “ 家庄８７ ”“ ４” 石号” 各地块的播种量、，播种日期、肥基本一致。小底麦生长期降水量少，需水分主要依靠灌溉。所
在麦田连片且休闲地宽度小于１的农田０ｍ（８１０ｍ×７０ｍ）根据ＴＭ遥感影像的时空分辨率２，
ห้องสมุดไป่ตู้
遥感模型，并被用来估算和监测植被氮素养分动态。
特点，３ｆ×３ｆ为１个样方，西向连续排按０ｒｌ０ｒｌ东
列，南北向间隔３ｌ０ｒ排列，ｆ共选取样方１０个，间０时
但由于植株体内叶绿素与氮素水平之间的相关性表
叶绿素含量往往是植物营养胁迫、合作用能光力和发展衰老各阶段的良好指示剂… ，用遥感技利术来探测叶绿素含量在农业和自然植物群落研究方
１研究区域概况与研究方法
试验在河北省南皮县冯家口镇的农田进行（东
是２Ｏｏ
Ｚ９Ｏ
・
叵６Ｏ
究开展不够，并且大都试图建立遥感数据与叶绿素
实际含量的关系，由于实际含量的测定费时费力，难以达到真正的及时指导农业生产，为此，本研究基于
３ＯＯ
摘要：在分析前人对叶绿素含量监测方法不足的基础上，用Ｔ（ｅａｉＭａｐｒ利ＭＴｈｍｔｐｅ）遥感影像探讨了估算ｅ
冬小麦不同生育期叶片叶绿素相对含量的可行性。并基于遥感变量与地面实测叶绿素相对含量的相关关系分析结果，立了冬小麦在拔节期和孕穗期叶片叶绿素相对含量的遥感定量估算模型，利用遥感技术进行冬小麦的建为
现复杂，同的生育时期有不同的适用模型，不因此限
间隔为１，６ｄ每次样点的测定都是在卫星过境当天进行，在一天半之内完成地面数据的测定。其中样
方分布见图１。邑
量８Ｏ
鲁５Ｏ
制了其在作物养分管理上的应用。贾良良＿应用８Ｊ
维普资讯
第２４卷第５期２００６年９月
干旱地区农业研究
ｃｌｕａｓａｃｎｔｉｅｓｕｔｒｌＲｅｅｒｈｉｈｅＡｒｄＡｒａ
Ｖｏ．４Ｎｏ．１２５Ｓｅ．０ｐｔ２０６