叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选...叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选出冬小麦长势指标敏感波段及最佳带宽范围;基于敏感光谱波段下图像的彩色因子,构建冬小麦叶面积指数和地上部生物量监测模型。结果表明,叶面积指数、地上部生物量长势指标的敏感波段及最佳带宽范围为(560±6)和(810±10)nm。敏感波段560、810 nm波段下获得的图像特征因子中,RGB颜色空间R810、G560、B810对叶面积指数的拟合效果最好,决定系数高达0.989;HSI颜色空间H810、S810、I560对地上部生物量的拟合效果最好,决定系数为0.937。试验数据检验表明,叶面积指数、地上部生物量监测模型的均方根误差RMSE分别为0.4515、3.3556,相对误差分别为15.7%、15.9%,所构建监测模型的精确度较高。因此,基于敏感光谱波段及相应图像特征构建的监测模型可有效对冬小麦叶面积指数、地上部生物量进行实时、快速、准确监测与诊断。展开更多
叶绿素作为植物光合作用的主体,在监测植被生长状态,评估固碳能力方面发挥着巨大的作用。遥感技术作为一种高效低成本的对地观测技术,能够通过叶片反射光谱特征实现叶绿素含量(chlorophyll content,Cab,含量为面密度)的估算。然而,叶片...叶绿素作为植物光合作用的主体,在监测植被生长状态,评估固碳能力方面发挥着巨大的作用。遥感技术作为一种高效低成本的对地观测技术,能够通过叶片反射光谱特征实现叶绿素含量(chlorophyll content,Cab,含量为面密度)的估算。然而,叶片光谱会受到叶片含水量、叶细胞结构等影响,从而降低遥感估算Cab的精度。而日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)遥感是直接探测叶绿素激发荧光信息,其变化特征与Cab直接相关,在Cab估算中有巨大的潜力。为此,以荧光辐射传输模型(soil canopy observation,photo-chemistry and energy fluxes,SCOPE)为工具,通过敏感性分析确定Cab荧光敏感波段,并建立基于荧光光谱的Cab估算模型,最后利用实测数据验证模型的鲁棒性。研究结果表明,700、730 nm分别为叶绿素高、低敏感波段(SIF_(700)、SIF_(730)),760 nm为叶绿素高相关性波段(SIF_(760)),以此3波段建立基于荧光比值的Cab估算模型,其中,以SIF_(760)与SIF_(700)的荧光比值建模精度最优,决定系数R2为0.9981,均方根误差(root mean square error,RMSE)为0.0435μg/cm^(2)。SIF_(700)与SIF_(730)荧光比值和Cab的建模精度最低,但R2和RMSE也分别达到了0.9048和0.0886μg/cm^(2)。利用实测数据独立样本对上述3种估算方法进行验证,SIF_(760)/SIF_(730)估算结果表现最佳,RMSE为0.2108μg/cm^(2),SIF_(700)/SIF_(730)次之,RMSE为0.3454μg/cm^(2),但呈现出整体高估现象;SIF_(760)/SIF_(700)估算结果与实测数据偏差较大,RMSE为0.7435μg/cm^(2)。综上,SIF_(760)/SIF_(730)构建的比值植被指数在估算Cab过程中不仅能够保证很好的建模精度,同时又表现出极佳的鲁棒性。研究结果为利用叶绿素荧光遥感手段进行叶片生化参数估算提供技术参考。展开更多
文摘叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选出冬小麦长势指标敏感波段及最佳带宽范围;基于敏感光谱波段下图像的彩色因子,构建冬小麦叶面积指数和地上部生物量监测模型。结果表明,叶面积指数、地上部生物量长势指标的敏感波段及最佳带宽范围为(560±6)和(810±10)nm。敏感波段560、810 nm波段下获得的图像特征因子中,RGB颜色空间R810、G560、B810对叶面积指数的拟合效果最好,决定系数高达0.989;HSI颜色空间H810、S810、I560对地上部生物量的拟合效果最好,决定系数为0.937。试验数据检验表明,叶面积指数、地上部生物量监测模型的均方根误差RMSE分别为0.4515、3.3556,相对误差分别为15.7%、15.9%,所构建监测模型的精确度较高。因此,基于敏感光谱波段及相应图像特征构建的监测模型可有效对冬小麦叶面积指数、地上部生物量进行实时、快速、准确监测与诊断。
文摘叶绿素作为植物光合作用的主体,在监测植被生长状态,评估固碳能力方面发挥着巨大的作用。遥感技术作为一种高效低成本的对地观测技术,能够通过叶片反射光谱特征实现叶绿素含量(chlorophyll content,Cab,含量为面密度)的估算。然而,叶片光谱会受到叶片含水量、叶细胞结构等影响,从而降低遥感估算Cab的精度。而日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)遥感是直接探测叶绿素激发荧光信息,其变化特征与Cab直接相关,在Cab估算中有巨大的潜力。为此,以荧光辐射传输模型(soil canopy observation,photo-chemistry and energy fluxes,SCOPE)为工具,通过敏感性分析确定Cab荧光敏感波段,并建立基于荧光光谱的Cab估算模型,最后利用实测数据验证模型的鲁棒性。研究结果表明,700、730 nm分别为叶绿素高、低敏感波段(SIF_(700)、SIF_(730)),760 nm为叶绿素高相关性波段(SIF_(760)),以此3波段建立基于荧光比值的Cab估算模型,其中,以SIF_(760)与SIF_(700)的荧光比值建模精度最优,决定系数R2为0.9981,均方根误差(root mean square error,RMSE)为0.0435μg/cm^(2)。SIF_(700)与SIF_(730)荧光比值和Cab的建模精度最低,但R2和RMSE也分别达到了0.9048和0.0886μg/cm^(2)。利用实测数据独立样本对上述3种估算方法进行验证,SIF_(760)/SIF_(730)估算结果表现最佳,RMSE为0.2108μg/cm^(2),SIF_(700)/SIF_(730)次之,RMSE为0.3454μg/cm^(2),但呈现出整体高估现象;SIF_(760)/SIF_(700)估算结果与实测数据偏差较大,RMSE为0.7435μg/cm^(2)。综上,SIF_(760)/SIF_(730)构建的比值植被指数在估算Cab过程中不仅能够保证很好的建模精度,同时又表现出极佳的鲁棒性。研究结果为利用叶绿素荧光遥感手段进行叶片生化参数估算提供技术参考。
