叶绿素含量与叶面积指数是反映作物长势的重要理化参数,准确、高效定量估计小麦叶绿素含量与叶面积指数对于产量预测和田间管理决策具有重要意义,无人机(Unmanned Aerial Vehicle,UAV)遥感影像具有高空间分辨率的优势,被广泛应用于作物理化参数反演,但现有叶绿素含量与叶面积指数反演模型受土壤、阴影等背景噪声的影响较大,该研究旨在探索去除无人机多光谱影像中的背景像元能否提高作物叶绿素含量和叶面积指数反演精度.首先通过过绿-过红植被指数对多光谱图像阈值分割,提取试验小区所有小麦像元平均反射率.然后选择与冬小麦叶绿素相对含量值(Soil and Plant Analysis Development,SPAD)、叶面积指数(Leaf Area Index,LAI)和冠层叶绿素相对含量(Canopy Chlorophyll Content,CCC)相关性最高的5个敏感植被指数,最后利用偏最小二乘回归(Partial Least Squares Regression,PLSR)建立冬小麦拔节期、挑旗期和开花期3个关键生育期的SPAD、LAI和CCC反演模型.结果表明:1)利用冬小麦像元光谱建立的SPAD、LAI和CCC反演模型(VI_GreenPix)比所有像元构建的反演模型(VI_AllPix)精度更高,基于VI_GreenPix的SPAD建模集与验证集决定系数分别为0.85和0.93,均方根误差分别为3.51和2.67;LAI建模集与验证集决定系数分别为0.70和0.80,均方根误差分别为0.42和0.38 m2/m2;CCC建模集与验证集决定系数分别为0.79和0.69,均方根误差分别为21.14和23.50.2)不同覆盖度下,VI_GreenPix对SPAD、LAI和CCC的精度提升效果不同.在所有覆盖度下VI_GreenPix都能提高SPAD的反演精度,覆盖度低于40％时提升效果最好;覆盖度低于80％时能提升LAI的反演精度,覆盖度低于40％时提升效果最好;所有覆盖度下都能提高CCC的反演精度,覆盖度低于70％时提升效果更好.VI_GreenPix能有效提升冬小麦SPAD、LAI和CCC的估测精度,研究结果可为冬小麦长势监测和生产管理提供技术支持.

无人机;反演;冬小麦;叶面积指数;叶绿素含量;图像分割

邓尚奇;赵钰;白雪源;李旭;孙振东;梁健;李振海;成枢

山东科技大学测绘与空间信息学院,青岛 266590;北京市农林科学院信息技术研究中心,北京 100097;农芯科技(北京)有限责任公司,北京 100097;南京农业大学农学院,南京 210095;山东农业大学资源与环境学院,泰安 271018;全国农业技术推广服务中心,北京100125

农业工程学报

[1]邓尚奇;赵钰;白雪源;李旭;孙振东;梁健;李振海;成枢-.基于无人机图像分割的冬小麦叶绿素与叶面积指数反演)[J].农业工程学报,2022(03):136-145

GreenPix,AllPix

无人机图像,图像分割,叶面积指数,叶绿素含量,作物长势,理化参数,定量估计,指数对,产量预测,和田,田间管理,管理决策,Unmanned,Aerial,Vehicle,UAV,遥感影像,高空间分辨率,参数反演,反演模型,阴影,背景噪声,无人机多光谱影像,景像,高作,反演精度,过过,植被指数,多光谱图像,阈值分割,提取试验,试验小区,反射率,后选择,叶绿素相对含量,Soil,Plant,Analysis,Development,SPAD,Leaf,Area,Index,LAI,冠层,Canopy,Chlorophyll,Content,CCC,偏最小二乘回归,Partial,Least,Squares,Regression,PLSR,立冬,拔节期,开花期,关键生育期,VI,验证集,决定系数,同覆盖,覆盖度,精度提升,提升效果,估测,冬小麦长势,长势监测,生产管理

0.312531