您好,欢迎访问北京市农林科学院 机构知识库!

基于无人机高光谱遥感数据的冬小麦生物量估算

文献类型: 中文期刊

作者: 陶惠林 1 ; 冯海宽 1 ; 徐良骥 2 ; 杨贵军 1 ; 杨小冬 1 ; 苗梦珂 1 ; 刘明星 1 ;

作者机构: 1.农业农村部农业遥感机理与定量遥感重点实验室北京农业信息技术研究中心

2.安徽理工大学测绘学院

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

期刊名称: 江苏农业学报

ISSN: 1000-4440

年卷期: 2020 年 36 卷 005 期

页码: 1154-1162

收录情况: 北大核心 ; CSCD

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(ND-VI)、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0.7832与12.13%.

  • 相关文献

[1]基于无人机数码影像和高光谱数据的冬小麦产量估算对比. 陶惠林,冯海宽,杨贵军,杨小冬,苗梦珂,吴智超,翟丽婷. 2019

[2]融合多因子的无人机高光谱遥感冬小麦产量估算. 谢瑞,杨福芹,冯海宽,李天驰. 2023

[3]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. 高林,杨贵军,李长春,冯海宽,徐波,王磊,董锦绘,付奎. 2017

[4]利用无人机高光谱估算冬小麦叶绿素含量. 冯海宽,陶惠林,赵钰,杨福芹,樊意广,杨贵军. 2022

[5]基于无人机数码影像的冬小麦氮含量反演. 刘帅兵,杨贵军,景海涛,冯海宽,李贺丽,陈鹏,杨文攀. 2019

[6]基于面积指数的植株氮含量遥感估算. 杨福芹,冯海宽,谢瑞,韩佩佩,戴渝心,蔡国盛,金丽妍. 2020

[7]冬小麦白粉病冠层光谱特征解析与病情指数反演. 范友波,顾晓鹤,王双亭,杨贵军,王磊,王立志,陈召霞. 2017

[8]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,徐良骥,冯海宽,杨贵军,代阳,牛亚超. 2020

[9]扫描成像光谱仪和地物光谱仪在单叶尺度上的对比研究. 张东彦,宋晓宇,马智宏,杨贵军,黄文江,王纪华. 2010

[10]基于无人机高光谱和数码影像数据的冬小麦生物量反演. 李天驰,冯海宽,朱贝贝,范园园,金丽妍,成倩,李倩雨. 2020

[11]基于随机森林算法的冬小麦叶面积指数遥感反演研究. 张春兰,杨贵军,李贺丽,汤伏全,刘畅,张丽妍. 2018

[12]利用无人机高光谱影像的冬小麦氮含量监测. 冯海宽,樊意广,陶惠林,杨福芹,杨贵军,赵春江. 2023

[13]用神经网络和高光谱植被指数估算小麦生物量. 王大成,王纪华,靳宁,王芊,李存军,黄敬峰,王渊,黄芳. 2008

[14]基于无人机高光谱遥感的冬小麦叶面积指数反演. 高林,杨贵军,于海洋,徐波,赵晓庆,董锦绘,马亚斌. 2016

[15]冬小麦叶片光合特征高光谱遥感估算模型的比较研究. 张卓,龙慧灵,王崇倡,杨贵军. 2019

[16]基于无人机高光谱长势指标的冬小麦长势监测. 陶惠林,徐良骥,冯海宽,杨贵军,苗梦珂,林博文. 2020

[17]基于特征光谱参数的叶片和冠层尺度茶多酚含量估算. 段丹丹,刘仲华,赵春江,赵钰,王凡. 2024

[18]用神经网络和高光谱植被指数估算小麦生物量. 王大成,王纪华,靳宁,王芊,李存军,黄敬峰,王渊,黄芳. 2008

[19]基于植被指数的叶绿素密度遥感反演建模与适用性研究. 张苏,刘良云,黄文江. 2013

[20]基于连续小波变换的冬小麦叶片最大净光合速率遥感估算. 苗梦珂,王宝山,李长春,龙慧灵,杨贵军,冯海宽,翟丽婷,刘明星,吴智超. 2020

作者其他论文 更多>>