方案摘要
方案下载| 应用领域 | 农/林/牧/渔 |
| 检测样本 | 其他 |
| 检测项目 | |
| 参考标准 | LAI拟合数据 |
与传统LAI 拟合方法相比，改进型LAI拟合方法能更加充分地利用无人机S185 高光谱信息，获得精度更高的LAI 预测值，且PLSR+REPs 预测的LAI 精度比PLSR+VIs 高，可望为无人机高光谱遥感的作物理化参数探测提供几点可借鉴的思路。
原文名《基于光谱特征与PLSR结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用》
北京农业信息技术研究中心/国家农业信息化工程技术研究中心/农业部农业信息技术重点实验室
南京大学地理与海洋科学学院
河南理工大学测绘与国土信息工程学院
以冬小麦LAI为研究对象，利用孕穗期、开花期和灌浆期获取的无人机S185高光谱影像以及同步测定的地面数据（冬小麦冠层ASD反射率和冬小麦LAI），论证光谱特征（红边参数或植被指数）与偏最小二乘回归算法结合的改进型LAI拟合方法在无人机画幅高光谱遥感LAI探测方面的应用价值。
首先，从光谱反射率相关性和植被指数相关性两方面比较S185与ASD，验证S185数据精度；结果表明，第3~第96波段（458~830nm）的无人机S185高光谱数据具有较好的光谱质量，适宜探测冬小麦LAI。
其次，分析光谱特征（6种植被指数和4种红边参数）与LAI的相关性，并通过独立验证和交叉验证方法，依次对基于红边参数或植被指数的传统LAI拟合方法和改进型LAI拟合方法的冬小麦LAI预测精度进行评价，相比于传统LAI拟合方法，改进型LAI拟合方法能大幅度提高冬小麦LAI的预测精度，特别是PLSR+REPs。
2014年10月至2015年6月在北京市昌平区国家精准农业研究示范基地开展冬小麦试验，试验田施氮情况如图1。
图1 研究区地理位置及冬小麦变量施肥试验概况
N1~N4表示施氮水平，依次为0、195、390、585 kg/hm−2
采用两种模型验证方法来客观评价LAI拟合方法。图2显示第一种方法的总体样本、建模样本和验证样本都呈正态分布，奠定了本研究的理论基础。
图2 总体样本、建模样本、验证样本的正态分布
针对S185，前人已初步对其光谱反射率精度做了验证，但受目标地物和验证数据源(即采集验证光谱所使用的仪器)差异的影响，田明璐等基于对S185和SVC HR-1024i非成像全光谱地物波谱仪的棉花冠层波谱形态差异性分析，指出S185 第1~第100 波段（450~850 nm）的光谱信息准确可靠。该结论虽有一定的指示作用，但就不同作物类型和验证数据源来说，仍需要进一步探索无人机S185数据估测LAI的最佳波段范围。考虑到S185和ASD光谱分辨率差异，将ASD波段重采样为S185波段，并计算两者的相关性；
结果表明S185和重采样的ASD在第3~第96波段（458~830nm）范围的光谱反射率高度相关：孕穗期R2=0.996、开花期R2=0.998、灌浆期R2=0.996。
在此基础上分别使用458~830nm范围的ASD数据和S185数据计算6种植被指数，并从相关性角度更深入地分析VIASD和VIS185的差异；
结果表明VIASD和VIS185有超过93%的样本位于最佳估计区间，VIASD和VIS185相关性较好，R2>0.8 (图3)。
图3 VIS185和VIASD的相关性分析
综合上述分析，S185获取的冬小麦冠层光谱信息在第3~第96波段（458~830nm）范围内具有较好的辐射分辨率和光谱质量，可用其估测冬小麦LAI。
图 4 表明，PLSR+REPs 比PLSR+VIs 更适宜估测LAI。独立验证，PLSR+REPs 的R2 和RMSE 分别比PLSR+VIs提高0.048 和降低0.068；交叉验证，PLSR+REPs 的R2和RMSE分别比PLSR+VI提高0.061和降低0.091。
图4 基于PLSR+REPs和PLSR+VI的LAI估测精度对比
a和b是独立验证；c和d是交叉验证
结论
与传统LAI 拟合方法相比，改进型LAI拟合方法能更加充分地利用无人机S185 高光谱信息，获得精度更高的LAI 预测值，且PLSR+REPs 预测的LAI 精度比PLSR+VIs 高，可望为无人机高光谱遥感的作物理化参数探测提供几点可借鉴的思路。
文献贡献者
北京安洲：基于多角度 MODIS 影像和冠层反射率模型的亚马逊 植被叶绿素估测研究
山东农业大学利用SOC710监测小麦长势
清华大学联合安洲科技开展基于高光谱的乙烯层流火焰研究
相关产品
关注
拨打电话
留言咨询
