CN104502283A - 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 - Google Patents
估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 Download PDFInfo
- Publication number
- CN104502283A CN104502283A CN201410778631.6A CN201410778631A CN104502283A CN 104502283 A CN104502283 A CN 104502283A CN 201410778631 A CN201410778631 A CN 201410778631A CN 104502283 A CN104502283 A CN 104502283A
- Authority
- CN
- China
- Prior art keywords
- soybean
- wave band
- phase
- band
- ndvi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于农业遥感应用领域,提出一种基于光谱指数估测大豆产量和地上部干重的模型和方法,通过单波段、两波段、三波段植被指数及已有植被指数的比较和分析,选出基于两波段敏感植被指数的4个大豆产量模型:基于R2、R4和R5期NDVI(938,642)的指数模型基于R4和R5期的NDVI(938,642)的指数模型基于R5期NDVI(938,642)的指数模型y=2.57e7.88x和幂函数模型y=6280.97x6.78,并进行模型验证。此外,确定了大豆产量与地上部干重的共性核心波段,明确了基于共性核心波段的植被指数对地上部干重的预测性。本方法能够快速无损地估测大豆产量和地上部干重,适用于大豆规模化育种,尤其适于长江中下游生态区的大豆高产育种。
Description
技术领域
本发明属于农业遥感应用领域,涉及一种两波段光谱指数测定大豆产量和地上部干重的估测模型以及利用该模型估算大豆产量和地上部干重的方法。
技术背景
近年来,中国从过去的大豆净出口国变成现在世界最大的大豆进口国,过分地依赖外国进口。造成这种不利局面的原因主要有两个方面,一是受国外转基因大豆在中国市场低价倾销的影响,国内大豆价格走向低迷,严重挫伤了国内豆农的种植积极性,造成国内大豆种植面积逐年递减,导致大豆总产量持续降低,无法满足国内日益增长的大豆需求量;二是国内大豆单产水平不高仍然是制约大豆产量提高的重要因素,而大豆单产反映了单位面积内大豆生产水平的高低。若要增加国内大豆总产量,在种植面积提高有限的情况下,提高单产水平显得尤为重要。因此,高产优质大豆品系的选育是提高大豆单产能力的主要改良方式。
高产是作物育种的主要目标之一,但作物产量受自身复杂的遗传背景影响,在高产品系选择过程中容易产生不准确的结果。传统的产量评估方式主要是通过试验小区的实测产量,该方法虽然经典、可靠,但费工费时,严重地阻滞了大豆育种的规模化进程,从而影响育种效率。前人曾有研究作物生理学性状与产量的关系,并将其作为间接选择工具,能够在育种生育期里实现对高产品系的初步选择,但效果不甚理想。高光谱遥感技术为实时、快速、无损伤地监测田间作物长势和估测产量潜势提供了有效的技术手段,进而为实现大豆规模化育种提供有力的技术支持。
植被遥感可以识别植物类型并进行判别,可以推演出植被的重要参数,还可以较准确地估算出与植被光合作用有关的一些生物物理参量。植被遥感的基本原理是植物的光谱特性。不同植物由于叶片的组织结构和生化组分不同,具有不同的光谱特征,特别是近红外波段有较大的差别。归一化植被指数(NDVI,Normalized Difference VegetationIndex)和比值植被指数(Ratio Vegetation index)是植被遥感应用中最广泛的两个经典光谱指数。主要涉及近红外波段和可见光红光波段两个波段组合的反射率,即:NDVI=(Ri-Rj)/(Ri+Rj)和RVI=Ri/Rj,式中,Ri和Rj分别为波段i和j相对应的光谱反射率。
但是大豆冠层高光谱数据的信息量巨大,如何在全光谱范围350-2500nm内,充分挖掘以NDVI和RVI为构建形式的光谱指数,获得对目标性状预测效果更好的波段组合是当前研究者遇到的难题。
发明内容
本发明目的是解决现有技术中对大豆产量和地上部干重预测工程浩大,预测结果不准确,提供一种基于两波段光谱指数的估测模型,从而能够准确预测大豆产量和地上部干重。
本发明的目的通过以下技术方案实现
1.本发明提供一种基于两波段光谱指数测定大豆产量的估测模型,共4个模型,分别为基于大豆R2、R4、R5期的指数模型基于大豆R4和R5期的指数模型基于大豆R5期的指数模型y=2.57e7.88x和幂函数模型y=6280.97x6.78,y为大豆产量,x1、x2、x3分别为基于大豆R2、R4、R5期冠层冠层光谱的两波段归一化植被指数即NDVI=(Ri-Rj)/(Ri+Rj)得到,x为基于大豆R5期冠层光谱的两波段归一化植被指数NDVI=(Ri-Rj)/(Ri+Rj)得到,其中,Ri为波段i在波长范围为928nm≤λ≤948nm时的冠层光谱反射率,Rj为波段j在波长范围为632nm≤λ≤652nm时的冠层光谱反射率。
其中,R2期为大豆盛花期、R4为大豆盛荚期、R5期为大豆鼓粒始期。
2.本发明提供一种基于两波段光谱指数测定大豆产量的估测模型,共4个模型,分别为基于R2、R4和R5期的指数模型基于R4和R5期的指数模型基于R5期的指数模型y=2.57e7.88x和幂函数模型y=6280.97x6.78,y为大豆产量,x1、x2、x3分别为基于R2、R4、R5期冠层光谱的两波段归一化植被指数即NDVI=(Ri-Rj)/(Ri+Rj)得到,x为基于R5期冠层光谱的两波段归一化植被指数NDVI=(Ri-Rj)/(Ri+Rj)得到,其中,Ri和Rj分别为波段i=938nm和j=642nm在特定波长时的冠层光谱反射率。
3.本发明还提供一种基于两波段光谱指数测定大豆地上部干重的估测模型,该估测模型为y=6.96e0.08x,y为大豆地上部干重,x基于两波段的比值植被指数即RVI=Ri/Rj得到;其中,Ri为波段i在波长范围为928nm≤λ≤948nm时的冠层光谱反射率,Rj为波段j在波长范围为632nm≤λ≤652nm时的冠层光谱反射率。
4.本发明提供一种基于两波段光谱指数测定地上部干重的估测模型,该估测模型为y=6.96e0.08x,y为大豆地上部干重,x为基于两波段的比值植被指数即RVI=Ri/Rj得到;其中,Ri和Rj分别为波段i=938nm,波段j=642nm相对应的冠层光谱反射率。
5.上述1-4任一项提供的估测模型,其中,Ri在波段i为938nm处的最佳适宜带宽即光谱分辨率为小于15nm,Rj在波段j为642nm处的最佳适宜带宽即光谱分辨率为小于9nm。
6.适用于上述1-4任一项所述估测模型的光谱波段,其中,模型中x对应的两波段植被指数NDVI=(Ri-Rj)/(Ri+Rj)中的波段i的波长范围为928nm≤λ≤948nm,波段j的波长范围为632nm≤λ≤652nm,优选的为波段i=938nm,波段j=642nm。
7.上述6提供的光谱波段,其中,波段i为938nm处的适宜带宽即光谱分辨率为小于15nm,波段j为642nm处的适宜带宽即光谱分辨率为小于9nm,优选的是波段i为938nm的适宜带宽即光谱分辨率为15nm,波段j为642nm的适宜带宽即光谱分辨率为9nm。
8.本发明还提供一种基于两波段光谱指数测定大豆产量的方法,其包括如下步骤:
(1)在大豆R2盛花期、R4盛荚期和R5鼓粒始期进行大豆冠层光谱采样;大豆收获晒干后测定大豆籽粒产量;
(2)分析大豆产量与冠层原始光谱、一阶导数光谱之间相关性,确定大豆R5鼓粒始期为产量估测的最佳生育期;
(3)分析已有植被指数与产量的相关性,确定表现最好的植被指数构建形式分别为NDVI与RVI,以此在全光谱范围内构建两波段植被指数,即NDVI=(Ri-Rj)/(Ri+Rj)和RVI=Ri/Rj,其中,Ri和Rj分别为波段i和j在全光谱范围350-2500nm内的光谱反射率;
(4)在光谱350-2500nm范围内,以1nm为步长,在不同i、j波段下,根据植被指数NDVI、RVI分别与大豆产量之间线性与非线性回归分析,确定敏感植被指数和最佳回归模型,得到基于敏感植被指数NDVI(938,642)的大豆产量估测回归模型:基于R2、R4和R5期的指数模型基于R4和R5期的指数模型基于R5期的指数模型y=2.57e7.88x和幂函数模型y=6280.97x6.78,其中y为大豆产量,x1、x2、x3分别基于R2、R4、R5期冠层光谱的两波段归一化植被指数即NDVI=(Ri-Rj)/(Ri+Rj)得到,x基于R5期两波段植被指数NDVI(938,642)得到,即NDVI=(Ri-Rj)/(Ri+Rj);同时,由于相邻或相近波段之间存在较强的多重共线性问题,发现相邻波长范围内所得结果相差不大,由此得到波段i的波长范围为928nm≤λ≤948nm,波段j的波长范围为632nm≤λ≤652nm;优选的为波段i=938nm,波段j=642nm;
(5)利用野外高光谱辐射仪在上述步骤(4)确定的波段范围条件下采集大豆R2盛花期、R4盛荚期、R5鼓粒始期的冠层原始光谱,计算所需测定的大豆的NDVI值,从而根据上述步骤(4)中的4个模型得到所需测定大豆的y值,估测出大豆产量。
9.本发明还提供一种基于两波段光谱指数测定大豆地上部干重的方法,其包括如下步骤:
(1)在大豆R5鼓粒始期,选取大豆地上部分,经过杀青和烘干后,称重获得大豆地上部干重;
(2)分析大豆产量和地上部干重的共性核心波段组合,确定了共性核心波段分别为波段i=938nm,波段j=642nm,并且得到基于共性核心波段RVI(938,642),建立大豆地上部干重估测模型y=6.96e0.08x;
(3)利用野外高光谱辐射仪在波段i=938nm,波段j=642nm条件下,采集大豆R5鼓粒始期冠层光谱,计算所需测定的大豆的RVI值,从而根据预测模型y=6.96e0.08x得到所需测定大豆的y值,估测出大豆地上部干重。
10.上述1或2所述估测模型或者6或7所述光谱波段或者7所述方法在高光谱检测大豆产量装置中的应用;或者上述3或4所述估测模型或者6或7所述光谱波段或者8所述方法在高光谱测定大豆地上部干重装置中的应用。
本发明有益效果:
1.本发明提供的一种基于两波段光谱指数估测大豆产量的模型和方法,是在全光谱范围350-2500nm内穷尽了所有两波段植被指数(NDVI和RVI)与产量的回归模型后,遴选出基于敏感植被指数的最优预测模型,克服了传统多光谱遥感的宽波段的信息量少和灵敏度不高的缺陷。此外,建立基于该敏感植被指数的多生育期预测模型,从中选出最优预测模型,提高了产量预测的精准性。利用冠层植被指数及其模型,可以对大豆规模化育种中期大量无重复的大豆品系进行产量估测,实现对大豆高产品系的初选。
2.本发明提供的一种基于两波段光谱指数估测大豆地上部分干重的模型和方法,将上述产量敏感植被指数的两个波段构建的植被指数(NDVI和RVI)与地上部干重建立线性和非线性回归模型,从中遴选出的最优预测模型,发现RVI对地上部干重的敏感性较强,对地上部干重估测具有较高的预测精度和准确性,能够无损伤地在育种过程中获取信息,促进了基于光谱技术的大豆无损监测技术的广泛应用。
3.本发明提供了指示大豆产量和地上部干重的共性核心波段的组合、敏感植被指数、核心波段的适宜带宽,为便携式光谱仪的开发提供了有价值的技术参数,在大豆规模化育种中,利用冠层植被指数及其预测模型,可在R5期估算大豆品系的产量及同时期的地上部干重,有助于田间高产品系的初选。
总的来说,本发明方法能够快速、无损地估测大豆产量和地上部干重,适用于大豆规模化育种,采用冠层敏感植被指数及其模型,估算大豆产量和地上部干重,在收获前对高产品系做出初选,遴选出高产品系,田间淘汰部分低产材料,减少工作量,提高工作效率,尤其适用于长江中下游生态区的大豆高产育种。
说明书附图
图1是测定大豆产量的技术流程图;
图2是小区性状调查示意图,1,2,3,4,5为小区内株行编号;
图3为波段i为938nm,波段j为642nm时,基于两波段植被指数NDVI=(Ri-Rj)/(Ri+Rj)的预测模型y=2.57e7.88x的指数图,横坐标表示大豆产量kg/hm,纵坐标表示对应的R5期两波段植被指数NDVI,其决定系数R2达到0.711;
图4基于两波段植被指数NDVI=(Ri-Rj)/(Ri+Rj)的预测模型y=2.57e7.88x在不同带宽下构建的NDVI(938,642)与大豆产量建模的决定系数R2的表现。
具体实施方式
下述实施例中所用方法若无特殊说明均为本领域惯用的技术手段,所用的试剂、材料,如无特殊说明均可通过商业途径得到。
本发明实施方案如下:
(1)测定大豆冠层光谱,同步测定地上部干重,并在大豆收获晒干后测定大豆籽粒产量。
(2)分析比较单波段、两波段、三波段植被指数和已有植被指数(表1)与大豆产量的关系。其中,两波段植被指数NDVI=(Ri-Rj)/(Ri+Rj)和RVI=Ri/Rj,式中,Ri和Rj分别为与波段i和j相对应的冠层光谱反射率;三波段植被指数NDVI=[Rnir-(Rred-k×Rgreen/blue)]/[Rnir+(Rred-k×Rgreen/blue)],式中,Rnir为近红外区(760-1000nm)波段的冠层反射率,Rred为可见光红光区(620-760nm)波段的冠层反射率,Rgreen/blue为可见光蓝绿光区(蓝光区为430-470,绿光区500-560nm)波段冠层反射率,k为修正系数,模拟k在-3到3区间内在0.1的步长下变化。
根据研究对象的不同,选择适宜的回归模型,本研究拟采用的回归模型主要有:
(i)线性简单回归:y=a+bx
(ii)指数模型:y=aebx
(iii)幂函数:y=axb
其中,y为依赖变量(目标性状),x为解释变量,a、b分别代表模型的回归常数、回归系数。
数据分析及利用过程中所采用的相关统计量,包括相关系数(r)、模型的决定系数(R2)及相对标准误(RRMSE)、模型验证的决定系数(R2*)及相对均方根误差(RRMSE),详述如下:
(i)相关系数
相关系数(r)是反映变量之间相关关系密切程度的统计指标,其取值区间为[-1,1]。双变量的相关程度取决于|r|的大小,|r|越接近于1,相关性越密切;越接近于0,相关性越差,甚至不相关;若r为正值表示正相关,即因变量y随自变量x的增大而增大,若r为负值表示负相关,即因变量y随自变量x的增大而减小。r的计算公式如下,
式中,x为自变量,y为因变量。
(ii)模型检验评价标准
利用模型的决定系数(R2)及相对标准误差(RRMSE)评价所建模型自身的精准性和稳健性。其中,R2主要用于评价模型的适合程度,其值在0-1之间,值越逼近于1说明模型的适合程度越高。RRMSE主要用于评价模型预测值与实测值间的差异程度,RRMSE值越小,说明模型的预测精度相对越高。
其中,公式2中,SSE为模型的残差平方和,SSR为总离差平方和;公式3中,Yeef是目标性状的观测值,Yest是光谱模型对目标性状的预测值,为目标性状观测值的平均值,N为样本容量,m为模型中参数的数目。
(iii)模型验证评价标准
利用验证数据对所构建的大豆目标性估测模型进行检验,采用模型验证的决定系数(R2*)、相对均方根误差(RRMSE*)对模型验证效果进行评价。其中,R2*的值在0-1之间,值越接近于1说明模型验证的预测效果越好。RRMSE*主要用于评价模型验证中预测值与实测值之间的拟合程度,反映两者之间的相对差异程度,RRMSE*越小,说明模型验证的预测值与实测值的拟合程度越好。RRMSE*计算公式如下,
式中,Oi为试验观察值,Pi为模型估测值,为试验观测值的均值,n为验证数据的样本容量。
所有的数据分析和数据可视化均在R平台(R Core Team,2014)中编程实现。
(3)确定最佳的敏感植被指数。
(4)基于上述敏感植被指数建立最优的大豆估产模型。
(5)检验步骤(4)建立的估产模型。
(6)确定敏感植被指数的核心波段,进一步分析核心波段的光谱分辨率变化对目标性状预测精度的影响,不断扩展核心波段范围(步长为1nm),拟合基于各个波段宽度对应的植被指数和产量的回归模型,通过所建回归模型的决定系数的比较,选取核心波段的适宜带宽。
(7)确定大豆产量和地上部干重的共性核心波段的组合,利用基于共性核心波段组合构建的植被指数估算大豆地上部干重,进一步明确了该植被指数预测大豆地上部干重的精准性和稳定性。
下面结合实施例和附图对本发明作更进一步的说明。
实施例1
(1)光谱采样、测定大豆地上部干重及籽粒产量
试验地点:南京农业大学江浦试验站;
时间:2011-2012年夏;
试验材料:任一市售52份大豆品种(长江中下游生态区),要求1)材料间的产量和生长性状均存在明显的差异,2)材料间生育期相近,尤其是开花期,便于在同一生育期采集冠层光谱数据。本发明选择能够代表长江中下游生态区高产育种改良要求的52份材料。
试验采用完全随机区组设计,小区面积为2.5×4m2,行距为50cm,重复3次,基本苗180000株hm-2,共156个小区。行内点播,株距10cm。其它栽培管理措施同于一般大田管理。选择R2(盛花期)、R4(盛荚期)和R5(鼓粒始期)测定每个小区的冠层反射光谱,同步测定大豆地上部干重R2期的茎和叶以及R4和R5期的茎、叶、荚,并在收获后测定产量。
本研究采用美国Analytical Spectral Device(ASD)公司生产的FieldSpec Pro 3型背挂式野外高光谱辐射仪对大豆冠层光谱进行采样,采样时选择在天气晴朗、无风或风速很小时进行,采样时间为10:00~14:00,光谱辐射仪视场角为25°,距冠层顶垂直距离约1.0m,地面视场范围为0.44m2。每小区测定5个观测点,每个观测点记录5个采样光谱,取平均值作为该小区光谱反射率。与冠层光谱采集同步,在每个小区的采样区连续选取代表性大豆5株(图2),在105℃下杀青并在80℃下烘干后,称重获得大豆地上部干重。在大豆成熟后,收获晒干至籽粒含水量13%时,称重测定获得小区产量(图2),测产面积为3m2,根据单位换算,将其折算成大豆单产(kg/hm)。
(2)单波段相关性分析敏感波段
将不同生育期R2、R4、R5期时期测定的冠层原始光谱,经过一阶导数转化得到一阶导数光谱,分析大豆产量分别与不同生育期冠层原始光谱、一阶导数光谱的相关性(算法见公式1),发现从R2至R5期相关性表现为逐步增大的趋势,且最大值出现在R5期,以此确定R5期为产量估测的最佳生育期,后续的产量研究主要基于R5期冠层光谱数据,其中R5期冠层原始光谱、一阶导数光谱与产量的相关系数最大值对应的敏感波段为694nm、750nm、689和935nm。
(3)确定最佳植被指数的构建形式
利用光谱数据构建收集的国内外文献中已有的植被指数(表1),分析其与大豆产量的线性相关性,由表2可以发现,与产量相关系数最大的10个已有植被指数中,GNDVI、ND705、NDCI、NDVI(810,560)、PSNDa、PSNDb和RNDVI均为类NDVI的构建形式,而RVI(810,560)、SR705和RVI(900,680)均为类RVI的构建形式,由此确定最佳植被指数的构建形式为NDVI和RVI。
(4)确定产量的优选模型
以1nm为步长,穷尽R5期冠层光谱范围350-2500nm,在步骤3)确定的最佳植被指数构建形式NDVI=(Ri-Rj)/(Ri+Rj)和RVI=Ri/Rj基础上,分别将NDVI、RVI与大豆产量建立线性、非线性模型以确定最佳预测模型,其中非线性模型为指数函数和幂函数模型。根据模型的决定系数(R2)(算法见公式2)的最大化原则,优选出基于两波段植被指数NDVI(938,642)的预测模型为指数模型y=2.57e7.88x和幂函数y=6280.97x6.78,其决定系数R2分别为0.711和0.709(表3)。基于上述植被指数NDVI(938,642),建立了基于多生育期的产量预测模型,从中优选出基于R2、R4和R5期的指数模型和基于R4和R5期的指数模型其决定系数R2分别为0.760和0.751(表4)。
构建已报道的三波段植被指数形式,即NDVI=[Rnir-(Rred-k×Rgreen/blue)]/[Rnir+(Rred-k×Rgreen/blue)],经与产量建立线性与非线性模型建立线性、非线性模型以确定最佳预测模型,其中非线性模型为指数函数和幂函数,根据决定系数(R2)(算法见公式2)最大化的原则,从中选出基于三波段植被指数的最佳预测模型y=415.48x-1.02,其决定系数(R2)为0.648。与上述所选两波段植被指数的模型进行比较,其决定系数小于所选两波段植被指数的预测模型(表3)。
(5)确定核心波段
根据步骤(4)选择的敏感植被指数NDVI(938,642)与产量的相关性与步骤(2)中全光谱范围内单波段反射率与产量的相关性比较,发现在波段i为938nm,波段j为642nm时构建的植被指数NDVI(938,642)与产量的相关系数明显大于单波段反射率,确定估测大豆产量的核心波段为938nm和642nm。
以R5期两波段植被指数NDVI(938,642)与产量的指数模型为例,由图3可以看出在核心波段为938nm和642nm时,两波段植被指数NDVI(938,642)与产量所建模型y=2.57e7.88x的拟合效果较好。由于相邻或相近波段之间存在较强的多重共线性问题,分析结果显示,以i波段928nm≤λ≤948nm,j波段632nm≤λ≤652nm所建模型的预测精确度均较高,且差异不大。
(6)确定核心波段的适宜带宽
以R5期两波段植被指数NDVI(938,642)与产量的指数模型为例,进一步分析步骤(5)中两个核心波段938nm和642nm的光谱分辨率。分别针对这两个核心波段,以步长为1nm不断地扩展波段范围,拟合基于每个波段宽度对应的光谱植被指数和大豆产量的回归方程y=2.57e7.88x,通过考察回归方程的决定系数(R2)来评价模型的预测表现,根据决定系数(R2)较大的原则,从中选择核心波段的适宜带宽。分析两波段植被指数NDVI(938,642)与产量的关系,如图4所示,确定以938nm波段的带宽(光谱分辨率)小于15nm,642nm波段的带宽(光谱分辨率)小于9nm时所建模型的预测精确度均较高,且差异不大,由此可以确定核心波段642nm和938nm的适宜带宽分别为9nm和15nm。
(7)优选模型的验证
根据已有植被指数与产量的线性与非线性回归分析,选择模型决定系数最大的5个植被指数(GNDVI、NDCI、PSNDa、PSNDb、RNDVI)及其所建模型。与本发明选择的敏感植被指数NDVI(938,642)及其模型进行比较,如表3所采用的综合评价指标采用:模型检验、模型参数检验(a和b)、决定系数(R2)、标准误(SE)、模型验证的决定系数(R2*)以及相对均方根误差(RRMSE),由表3可以看出,在核心波段为938nm和642nm时,基于两波段植被指数NDVI(938,642)建立的大豆产量指数模型和幂函数模型的预测效果均优于已有植被指数的模型,进一步确定以R5期的敏感植被指数NDVI(938,642)建立的指数模型y=2.57e7.88x及幂函数模型y=6280.97x6.78为优选预测模型。表4为基于植被指数NDVI(938,642)的多生育期产量模型的检验和验证,可以看出基于R2、R4和R5期的指数模型和基于R4和R5期的指数模型的产量预测效果均优于单一生育期的产量模型,由此确定上述2个产量模型为优选预测模型。
(8)确定大豆产量和地上部干重的共性核心波段
由于R5期为大豆产量估测的最佳生育期,分析大豆R5期冠层光谱植被指数与产量和地上部干重的敏感波段组合。采用上述针对产量的分析方法,发现R5期地上部干重与冠层光谱RVI的幂函数模型效果较好。在光谱范围350-2500nm范围内穷尽基于NDVI和RVI形式的植被指数,分别提取NDVI与产量的幂函数模型、RVI与地上部干重的幂函数模型的决定系数矩阵,通过设定并改变决定系数的阈值,提取两类模型中敏感波段的组合范围(表5),由表5可以看出,随着设定阈值的增大,两种模型的敏感波段组合范围逐渐缩小,当阈值设定为0.705时,RVI与地上部生物量的敏感波段范围为可见光波段(509-701nm)和可见光/近红外波段(729-1350nm),而NDVI与产量的敏感波段组合范围为可见光波段(609-648nm)和近红外波段(890-981nm)。可以发现,后者是前者的子集,NDVI与产量的敏感波段组合范围完全落在RVI与地上部干重的敏感波段组合范围之内。进一步压缩敏感波段组合范围,最终确定产量与地上部干重的核心波段组合为938nm和642nm。分析结果表明,基于R5期所选择产量与地上部干重的共性核心波段与前文研究的产量估测模型的核心波段相同,而且,结果显示,基于R5期构建的RVI(938,642)与地上部干重建立的幂函数模型y=6.96e0.08x效果最好,其模型检验和参数检验均达到极显著(P<0.01),决定系数达到0.745。说明基于产量和地上部干重的核心波段组合构建的植被指数可以同时适用于对R5期地上部干重和最终产量进行有效估算。
表1 光谱指数计算方法及出处
注:Rλ为对应波长λ的光谱反射率;NIR,red、blue、green分别为近红外、红光、蓝光、绿光区的反射率;a和b为土壤基线系数;L为修正系数;FD为一阶导数光谱。
表2 两年大豆不同生育期所选光谱参数与产量的相关性
注:*表示在0.05水平差异显著;**表示在0.01水平差异显著。
表3 基于大豆R5期的已有植被指数与产量所建最佳回归模型的比较
注:*表示在0.05水平差异显著;**表示在0.01水平差异显著。
表4 基于多生育期NDVI(938,642)的大豆产量预测模型
x1、x2、x3分别为R2(始花期)、R4(盛荚期)、R5(鼓粒始期)期冠层光谱植被指数NDVI(即NDVI=(Ri-Rj)/(Ri+Rj)),其中Ri、Rj分别为波段i=938nm、波段j=642nm的光谱反射率。
表5 大豆R5期地上部生物量与籽粒产量共性核心波段组合范围
注:λ1和λ2分别为上表中不同波段范围内的波段,分别对应于植被指数NDVI和RVI构建形式中光谱反射率R的下标值,如 和 。
Claims (10)
1.一种基于两波段光谱指数测定大豆产量的估测模型,共4个模型,其特征在于:该估测模型为基于大豆R2盛花期、R4盛荚期、R5鼓粒始期的指数模型基于大豆R4和R5期的指数模型基于大豆R5期的指数模型y=2.57e7.88x和幂函数模型y=6280.97x6.78,y为大豆产量,x1、x2、x3分别为基于大豆R2、R4、R5期冠层光谱的两波段归一化植被指数即NDVI=(Ri-Rj)/(Ri+Rj)得到,x为基于大豆R5期冠层光谱的两波段归一化植被指数即NDVI=(Ri-Rj)/(Ri+Rj)得到,其中,Ri为波段i在波长范围为928nm≤λ≤948nm时的冠层光谱反射率,Rj为波段j在波长范围为632nm≤λ≤652nm时的冠层光谱反射率。
2.一种基于两波段光谱指数测定大豆产量的估测模型,共4个模型,其特征在于:基于R2、R4和R5期的指数模型基于R4和R5期的指数模型基于R5期的指数模型y=2.57e7.88x和幂函数模型y=6280.97x6.78,y为大豆产量,x1、x2、x3分别为基于R2、R4、R5期冠层光谱的两波段归一化植被指数即NDVI=(Ri-Rj)/(Ri+Rj)得到,x为基于R5期冠层光谱的两波段归一化植被指数NDVI=(Ri-Rj)/(Ri+Rj)得到,其中,Ri和Rj分别为波段i=938nm和i=642nm在特定波长时的冠层光谱反射率。
3.一种基于两波段光谱指数测定大豆地上部干重的估测模型,其特征在于:该估测模型为y=6.96e0.08x,y为大豆地上部干重,x基于两波段的比值植被指数即RVI=Ri/Rj得到;其中,Ri为波段i在波长范围为928nm≤λ≤948nm时的冠层光谱反射率,Rj为波段j在波长范围为632nm≤λ≤652nm时的冠层光谱反射率。
4.一种基于两波段光谱指数测定地上部干重的估测模型,其特征在于:该估测模型为y=6.96e0.08x,y为大豆地上部干重,x基于两波段比值植被指数即RVI=Ri/Rj得到;其中,Ri和Rj分别为波段i=938nm,波段j=642nm相对应的冠层光谱反射率。
5.权利要求1-4任一项所述的估测模型,其特征在于:Ri在波段i为938nm处的最佳适宜带宽即光谱分辨率为小于15nm,Rj在波段j为642nm处的最佳适宜带宽即光谱分辨率为小于9nm。
6.适用于权利要求1-4任一项所述估测模型的光谱波段,其特征在于:模型中x对应的两波段植被指数NDVI=(Ri-Rj)/(Ri+Rj)中的波段i的波长范围为928nm≤λ≤948nm,波段j的波长范围为632nm≤λ≤652nm,优选的为波段i=938nm,波段j=642nm。
7.权利要求6所述的光谱波段,其特征在于:波段i为938nm处的适宜带宽即光谱分辨率为小于15nm,波段j为642nm处的适宜带宽即光谱分辨率为小于9nm,优选的是波段i为938nm的适宜带宽即光谱分辨率为15nm,波段j为642nm的适宜带宽即光谱分辨率为9nm。
8.一种基于两波段光谱指数测定大豆产量的方法,其特征在于包括如下步骤:
(1)在大豆R2盛花期、R4盛荚期和R5鼓粒始期进行大豆冠层光谱采样;大豆收获晒干后测定大豆籽粒产量;
(2)分析大豆产量与冠层原始光谱、一阶导数光谱之间相关性,确定大豆R5鼓粒始期为产量估测的最佳生育期;
(3)分析已有植被指数与产量的相关性,确定表现最好的植被指数构建形式分别为NDVI与RVI,以此在全光谱范围内构建两波段植被指数,即NDVI=(Ri-Rj)/(Ri+Rj)和RVI=Ri/Rj,其中,Ri和Rj分别为波段i和j在全光谱范围350-2500nm内所有波段的光谱反射率;
(4)在全光谱范围350-2500nm内,以1nm为步长,在不同i、j波段下,构建植被指数NDVI、RVI,分别与大豆产量之间线性与非线性回归分析,确定敏感植被指数和最佳回归模型,得到基于敏感植被指数NDVI(938,642)的大豆产量估测回归模型:基于R2、R4和R5期NDVI(938,642)的指数模型基于R4和R5期NDVI(938,642)的指数模型基于R5期NDVI(938,642)的指数模型y=2.57e7.88x和幂函数模型y=6280.97x6.78,其中y为产量,x1、x2、x3分别基于R2、R4、R5期冠层光谱的两波段归一化植被指数NDVI(938,642)即NDVI=(Ri-Rj)/(Ri+Rj)得到,x基于R5期两波段植被指数NDVI(938,642)得到,即NDVI=(Ri-Rj)/(Ri+Rj);同时,由于相邻或相近波段之间存在较强的多重共线性问题,发现相邻波长范围内所得结果相差不大,由此得到波段i的波长范围为928nm≤λ≤948nm,波段j的波长范围为632nm≤λ≤652nm;优选的为波段i=938nm,波段j=642nm;
(5)利用野外高光谱辐射仪在上述步骤(4)确定的波段范围条件下采集大豆R2盛花期、R4盛荚期、R5鼓粒始期的冠层原始光谱,计算所需测定的大豆的NDVI值,从而根据上述步骤(4)中的4个模型得到所需测定大豆的y值,估测出大豆产量。
9.一种基于两波段光谱指数测定大豆地上部干重的方法,其特征在于:包括如下步骤:
(1)在大豆R5鼓粒始期,选取大豆地上部分,经过杀青和烘干后,称重获得大豆地上部干重;
(2)分析大豆产量和地上部干重的共性核心波段组合,确定了共性核心波段分别为波段i=938nm,波段j=642nm,并且得到基于共性核心波段的RVI(938,642),建立地上部干重估测模型y=6.96e0.08x;
(3)利用野外高光谱辐射仪在波段i=938nm,波段j=642nm条件下,采集大豆R5鼓粒始期冠层光谱,计算所需测定的大豆的RVI值,从而根据预测模型y=6.96e0.08x得到所需测定大豆的y值,估测出大豆地上部干重。
10.权利要求1或2所述估测模型或者权利要求6或7所述光谱波段或者权利要求7所述方法在高光谱检测大豆产量装置中的应用;或者权利要求3或4所述估测模型或者权利要求6或7所述光谱波段或者权利要求8所述方法在高光谱测定大豆地上部干重装置中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410778631.6A CN104502283A (zh) | 2014-12-15 | 2014-12-15 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410778631.6A CN104502283A (zh) | 2014-12-15 | 2014-12-15 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104502283A true CN104502283A (zh) | 2015-04-08 |
Family
ID=52943701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410778631.6A Pending CN104502283A (zh) | 2014-12-15 | 2014-12-15 | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104502283A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842245A (zh) * | 2016-04-15 | 2016-08-10 | 中国农业科学院农业资源与农业区划研究所 | 一种评估水稻产量的方法 |
CN107219226A (zh) * | 2017-07-24 | 2017-09-29 | 中国科学院遥感与数字地球研究所 | 图像采集装置及增强植被指数监测系统 |
CN107300528A (zh) * | 2017-07-05 | 2017-10-27 | 中科谱光科技(北京)有限公司 | 一种蔬菜农药残留检测方法及系统 |
CN109142237A (zh) * | 2018-09-13 | 2019-01-04 | 航天信德智图(北京)科技有限公司 | 一种监测感染松材线虫病枯死马尾松的卫星光谱指数 |
CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
CN111829965A (zh) * | 2020-08-04 | 2020-10-27 | 淮阴师范学院 | 水稻地上部淀粉积累量遥感反演模型和方法 |
CN111855591A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻地上部碳氮比遥感反演模型和方法 |
CN111855592A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻单位面积内地上部干物重遥感反演模型和方法 |
CN111855589A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片氮积累量遥感反演模型和方法 |
CN112131708A (zh) * | 2020-08-24 | 2020-12-25 | 无锡德林海环保科技股份有限公司 | 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 |
CN112161938A (zh) * | 2020-11-05 | 2021-01-01 | 江西省农业科学院作物研究所 | 一种基于高光谱技术测定油菜产量的方法 |
CN112950766A (zh) * | 2021-03-16 | 2021-06-11 | 吉林大学 | 一种油莎豆籽粒几何建模方法 |
CN114780599A (zh) * | 2022-04-06 | 2022-07-22 | 四川农业大学 | 基于小麦品比试验数据的综合分析系统 |
-
2014
- 2014-12-15 CN CN201410778631.6A patent/CN104502283A/zh active Pending
Non-Patent Citations (3)
Title |
---|
吴琼 等: "高光谱遥感估测大豆冠层生长和籽粒产量的探讨", 《作物学报》 * |
宋英博: "大豆叶片反射光谱预测干物重模型研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
张宁 等: "应用主动传感器GreenSeeker估测大豆籽粒产量", 《作物学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842245A (zh) * | 2016-04-15 | 2016-08-10 | 中国农业科学院农业资源与农业区划研究所 | 一种评估水稻产量的方法 |
CN105842245B (zh) * | 2016-04-15 | 2019-02-15 | 中国农业科学院农业资源与农业区划研究所 | 一种评估水稻产量的方法 |
CN107300528A (zh) * | 2017-07-05 | 2017-10-27 | 中科谱光科技(北京)有限公司 | 一种蔬菜农药残留检测方法及系统 |
CN107219226A (zh) * | 2017-07-24 | 2017-09-29 | 中国科学院遥感与数字地球研究所 | 图像采集装置及增强植被指数监测系统 |
CN109142237A (zh) * | 2018-09-13 | 2019-01-04 | 航天信德智图(北京)科技有限公司 | 一种监测感染松材线虫病枯死马尾松的卫星光谱指数 |
CN109142237B (zh) * | 2018-09-13 | 2021-09-17 | 航天信德智图(北京)科技有限公司 | 一种监测感染松材线虫病枯死马尾松的卫星光谱指数 |
CN111798327A (zh) * | 2020-06-24 | 2020-10-20 | 安徽大学 | 基于高光谱影像的小麦产量计算模型的构建方法及其应用 |
CN111855592A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻单位面积内地上部干物重遥感反演模型和方法 |
CN111855591A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻地上部碳氮比遥感反演模型和方法 |
CN111855589A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片氮积累量遥感反演模型和方法 |
CN111829965A (zh) * | 2020-08-04 | 2020-10-27 | 淮阴师范学院 | 水稻地上部淀粉积累量遥感反演模型和方法 |
CN112131708A (zh) * | 2020-08-24 | 2020-12-25 | 无锡德林海环保科技股份有限公司 | 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 |
CN112131708B (zh) * | 2020-08-24 | 2023-11-28 | 无锡德林海环保科技股份有限公司 | 基于HY-1C数据的高原湖泊叶绿素a浓度遥感反演方法 |
CN112161938A (zh) * | 2020-11-05 | 2021-01-01 | 江西省农业科学院作物研究所 | 一种基于高光谱技术测定油菜产量的方法 |
CN112950766A (zh) * | 2021-03-16 | 2021-06-11 | 吉林大学 | 一种油莎豆籽粒几何建模方法 |
CN112950766B (zh) * | 2021-03-16 | 2022-08-05 | 吉林大学 | 一种油莎豆籽粒几何建模方法 |
CN114780599A (zh) * | 2022-04-06 | 2022-07-22 | 四川农业大学 | 基于小麦品比试验数据的综合分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104502283A (zh) | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 | |
CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
Feng et al. | Remote detection of canopy leaf nitrogen concentration in winter wheat by using water resistance vegetation indices from in-situ hyperspectral data | |
CN103868880B (zh) | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
CN112485204A (zh) | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 | |
CN104408307A (zh) | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 | |
CN103185695A (zh) | 一种基于光谱的烤烟成熟度田间快速判断方法 | |
CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
CN103472009B (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
CN102788752A (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
CN110189793A (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
CN103528965A (zh) | 一种小麦叶片等效水厚度高光谱监测方法 | |
CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
CN103940748A (zh) | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 | |
CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
Marshall et al. | Biomass modeling of four leading world crops using hyperspectral narrowbands in support of HyspIRI mission | |
Wen et al. | Estimation of the vertically integrated leaf nitrogen content in maize using canopy hyperspectral red edge parameters | |
CN103913425B (zh) | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 | |
Chen et al. | Simulation analysis of lucerne–wheat crop rotation on the Loess Plateau of Northern China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150408 |
|
RJ01 | Rejection of invention patent application after publication |