生物量(Aboveground Biomass,AGB)是表征作物长势状况的重要参数,快速精准地估算AGB对指导农田精准管理和挖掘生产潜力具有重要意义,而且AGB的估算也能够为粮食安全问题提供重要的数据参考。文中通过设置不同的水氮处理,采用无人机搭载多光谱成像光谱仪获取冬小麦关键生育期影像,提取数字表面模型,采用BP(Back Propagation)神经网络回归方法建立和改进了基于无人机影像提取株高(Height from Digital Surface Model,H_(dsm))的AGB估算模型。结果表明:H_(dsm)与实测株高(H)和AGB相关性较高,直接利用H_(dsm)构建的AGB估算模型R^(2)、RMSE(Root Mean Square Error)和RPD(Residual predictive deviation)分别为0.58、4528.23kg·hm^(-2)和1.25,估算平均值较实测值平均值小,且估算值较为分散。改进的基于比值的AGB估算模型R^(2)、RMSE和RPD分别为0.88、2291.90kg·hm^(-2)和2.75,估算平均值与实测平均值较为相近,模型较直接用H_(dsm)进行AGB估算,精度提高了51.72%。而且,改进的AGB估算模型在不同水处理和不同年份情景下表现出了较强迁移估算能力。数据特征的差异是导致AGB估算模型迁移估算能力不同的关键因子,文中为模型构建和迁移估算作物长势参数时提供了一种前置条件,如果不同的数据集具有相似的直方图特征,模型在新的情景下具有较强的迁移估算能力。
利用野外实时快速获取的土壤光谱进行土壤有机质(SOM)预测与制图是精确农业与土壤遥感制图的必然需要,利用ASD FieldSpec Pro FR野外型光谱仪实时快速获取的光谱数据,去除噪声较大的边缘波段后,进行倒数的对数转换(Log(1/R))为吸收光谱。在分析吸收光谱和光谱指数与SOM关系的基础上,采用偏最小二乘回归法进行SOM的建模预测并借助地统计学方法进行SOM空间变异制图研究。结果表明,建模效果好的指标分别为特征波段(R2=0.91,RPD=3.28),归一化光谱指数(R2=0.90,RPD=3.08),特征波段与3个光谱指数组合(R2=0.87,RPD=2.67),全波段(R2=0.95,RPD=4.36)。光谱指标的克里格制图与实测SOM制图表现出相同的空间变异趋势,不同的指标均达到了较好的预测效果。
