地上生物量是表征冬小麦苗期长势的重要参数之一, 对于监测冬小麦苗期长势, 预测产量具有重要的实际意义。 目前, 通过计算光谱指数进行生物量估算是冬小麦苗期地上生物量无损测量的主要方法, 但该方法需要一定的平台支撑, 在便捷性方面存在一定的不足。 为此, 利用可见光图像数据获取方便、 准确率高的特点, 基于冬小麦苗期冠层可见光图像数据开展冬小麦苗期地上生物量估算研究。 采用数码相机, 采集冬小麦苗期冠层可见光图像并利用Canopeo进行冬小麦冠层与背景的分割。 在获取冠层分割图像后, 提取了CC(canopy cover)、 ExG(excessg reen)、 ExR(excess red)、 ExGR(ExG-ExR)、 NGRDI(normalized green-red difference index)、 GLI(green leaf index)、 RGRI(red-green ratio index)和RGBVI(RGB vegetation index)共8个可见光图像特征。 利用相关性分析进行特征优选, 选择与冬小麦苗期地上生物量实测数据相关性较高的图像特征构建估算模型。 利用优选的图像特征, 分别构建偏最小二乘回归(PLSR)、 BP神经网络(BPNN)、 支持向量机回归(SVR)和随机森林(RF)模型, 开展冬小麦苗期地上生物量估算研究, 并定量分析特征数量和播种密度对估算模型准确率的影响。 结果表明, ExR, GLI和RGBVI与生物量实测数据相关性较低, 因此, 将这3个特征剔除。 CC, ExG, ExGR, NGRDI和RGRI与生物量实测数据的相关性较高, 其中CC, ExG和ExGR与生物量实测数据呈正相关, 而NGRDI和RGRI与生物量实测数据呈负相关。 利用优选的图像特征构建估算模型, 研究结果表明, 基于优选的5个图像特征, PLSR的估算准确率最高, 模型R2为0.801 5, RMSE为0.0788 kg·m-2, 表明PLSR能够实现冬小麦苗期地上生物量的准确估算。 特征数量是影响估算模型准确率的因素之一, 随着特征数量的减少, 模型估算的准确率逐步下降。 利用不同播种密度数据集对估算模型进行测试, 结果表明, PLSR在不同的播种密度数据集上均取得了最高的估算准确率, 模型R2分别为0.897, 0.827 9和0.788 6, RMSE分别为0.062, 0.072和0.079 1 kg·m-2, 表明PLSR估算的冬小麦苗期地上生物量数据与实测生物量数据之间具有良好的相关关系。 随着播种密度的增加, 所有估算模型的准确率均出现下降, 而PLSR的准确率下降程度最小。 由此可见, 基于可见光图像数据, 能够实现冬小麦苗期地上生物量的准确估算, 为冬小麦苗期田间管理提供参考。

针对当前作物叶面积指数遥感反演过程中, 在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。 以冬小麦为研究对象, 选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数, 分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。 在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5, RMSE=0.320 9。 改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI, 得到的LAI反演值和真实值之间的相关系数r=0.728 7, 均方根误差RMSE=0.297 1; 比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前), 得到的LAI反演值和真实值之间的R2=0.654 6, RMSE=0.306 1; NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI, 得到的LAI反演值和真实值之间的R2=0.679 4, 均方根误差RMSE=0.316 4。 研究表明: 在冬小麦的不同生育时期, 根据地表作物覆盖度的变化和反射率的变化, 选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。 说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。