无人机多光谱遥感反演冬小麦SPAD值

发布时间：2025-07-06 23:40

　　 为研究无人机多光谱遥感5个波段光谱反射率反演冬小麦SPAD(Soil and Plant Analyzer Development)值的可行性,该研究采用六旋翼无人机搭载五波段多光谱相机,采集冬小麦拔节期、孕穗期、抽穗期、开花期的冠层光谱影像并提取反射率特征参数,建立SPAD值的反演模型。结果表明,当波长范围在蓝光、绿光和红光波段,冬小麦拔节期、孕穗期和开花期的无人机多光谱影像反射率参数与SPAD值呈负相关关系,而在抽穗期,二者呈正相关;当波长范围为红边及近红外波段,在整个生长期,二者均呈现正相关关系。该研究构建冬小麦SPAD值反演模型采用了主成分回归、逐步回归和岭回归法,经对比发现基于逐步回归法构建的模型效果最优,该模型的校正决定系数为0.77,主成分回归法次之,岭回归法较差。此外,冬小麦抽穗期多光谱反射率反演SPAD值效果最显著,主成分回归、岭回归和逐步回归3种回归模型的校正决定系数分别为0.72、0.74和0.77。该研究可为无人机多光谱遥感监测作物长势、实现精准农业生产管理提供技术依据。

【文章页数】：9 页

【部分图文】：

图1 冬小麦4个生长期多光谱反射率影像

分别提取冬小麦4个生长期的无人机多光谱影像光谱反射率数据及与之对应的同步测量地面数据，构成样本数据集，每个波段均获得65组数据，随机选取70%的样本数据（45组数据）作为建模集，采用不同的回归分析方法构建SPAD值反演模型，再利用其余30%的样本数据（20组数据）作为验证集，评价....

图2 冬小麦SPAD值反演模型构建流程图

本研究首先对无人机多光谱影像进行拼接、裁剪等预处理，获得冬小麦4个生长期的单波段光谱影像，提取反射率特征参数，并分别建立5个波段反射率数据和实测SPAD值之间的相关关系；然后判断自变量之间的共线性问题，分别基于主成分回归、逐步回归和岭回归法构建SPAD值反演模型；最后对各个模型进....

图3 冬小麦4个生长阶段叶片光谱反射率随SPAD值变化特征

由图3可知，冬小麦从拔节期到开花期，冠层光谱反射率在可见光区随着SPAD值增大，反射率减小，至孕穗期达到最小，抽穗期开始增大，至开花期达到最大。红边和近红外波段，冠层光谱反射率从拔节期到开花期一直呈现上升趋势。出现该趋势的原因在于，小麦植株处于生长阶段，SPAD值逐渐增大，光合能....

图4 基于逐步回归法的冬小麦抽穗期SPAD值反演模型模拟及预测值与实测值的关系

比较每个生长期筛选出的最优模型可以看出，抽穗期构建的逐步回归模型的R2adj最高、RMSE最小，故冬小麦抽穗期建立的逐步回归模型精度优于其他模型，可作为冬小麦SPAD值反演的最佳模型（图4a）。为验证模型的可靠性，采用验证数据集（30%的样本数据，20个样本）进行验证，结果如图4....

本文编号：4056150