结合植被指数与作物高度反演冬小麦叶面积指数

[目的]叶面积指数LAI(Leaf Area Index)是反映作物长势的关键参数之一。目前,基于无人机影像进行LAI反演多注重影像光谱信息的应用,但是由于高分影像存在强烈的光谱异质性以及无法区分高密闭度植被垂直方向枝叶的光谱特征等不足,在反演作物LAI时,需要探讨作物高度等结构参数对LAI反演的影响。[方法]文章以冬小麦为例,将无人机影像的光谱信息与点云数据相结合,共同构建LAI反演模型,并与单利用光谱信息的一元线性LAI回归模型进行对比,探讨作物高度信息对LAI反演精度的影响。[结果](1)无人机影像获取的点云数据能有效反演作物高度,其决定系数R~2=0.61,均方根误差RMSE=0.02;(2)基于作物高度和植被指数Ⅵ(Vegetation Index)反演LAI的二元模型(Adjust R~2=0.38,Adjust RMSE=0.55)优于单用植被指数反演LAI的一元模型(Adjust R~2=0.29,Adjust RMSE=0.59),[结论]研究表明作物高度和光谱信息结合的反演模型能够提高作物LAI的反演精度,同时表明作物高度因子在LAI反演中具有重要的应用价值。     

基于无人机样方事后分层的作物面积估算

无人机是开展野外调查的一种新型、有效的手段,能够及时、准确地获取地面调查样方信息,为作物面积遥感估算提供精准的样方数据。研究针对无人机抽样调查的样方特点,提出了适合于无人机样方的多层次事后分层指标(多层次-异质性指标、多层次-面积规模指标)。将这些指标分别用于事后分层抽样,估算冬小麦面积。并根据变异系数(coefficient of variance,CV)对其抽样效率进行评价。多层次指标是将多种分层指标分层结果叠加形成的,能够充分反映作物种植空间分布特征、空间异质性及种植规模,可以保证作物种植面积遥感估算的精度。以河南省冬小麦面积估算为例,在冬小麦空间分布空间范围,建立300m×300m抽样框格网,作为抽样基本单元。分别利用实验设计的多层次-面积规模指标、多层次-异质性指标、面积规模指标、异质性指标计算各抽样基本单元的对应指标值。按照累计平方根法计算不同分层指标下的分层界限值。最后进行事后分层估计,计算分层效率,对分层结果与分层效率进行对比分析。计算得到以上4种分层方法的变异系数分别为1.85%、1.41%、2.16%、1.55%。结果表明,结合无人机抽样调查,利用多层次指标法进行分层,各层内作物均质性较好,能够提高农作物面积估算的精度;此外,异质性指标较面积规模指标更能提高分层的层内作物均质性与农作物面积估算精度。