基于多角度高光谱与小波变换的冬小麦LAI监测

doi:10.16035/j.issn.1001-7283.2026.04.032

摘要/Abstract

摘要：

高光谱遥感的快速发展为实时精确监测作物长势提供了技术支撑。垂直观测角度对植被冠层结构的提取存在局限性，多角度遥感具有探测植株冠层结构及中下层信息的技术优势，为冬小麦长势的精准监测提供了可能。连续小波变换拥有细致丰富的尺度空间，与多角度高光谱数据结合使用可以获取到更丰富的作物冠层结构特征信息。以干旱胁迫下的冬小麦为研究对象，分析冬小麦多角度冠层高光谱的反射特性，确定了连续小波变换最佳分解尺度。基于原始光谱及最佳分解尺度的小波能量系数，采用BP神经网络（BPNN）和随机森林（RF）构建了冬小麦叶面积指数（LAI）的监测模型。结果表明，在所有观测角度中，后向散射观测的冠层光谱反射率高于前向散射和垂直主平面观测值，且观测角度为后向散射30°时冬小麦冠层光谱反射率最高；多角度冠层光谱经过对称小波（sym8）分解后，所有角度光谱数据与冬小麦LAI的相关性均有提升；观测角度为后向散射30°、分解尺度为10时，经连续小波变换的RF模型表现最佳（决定系数=0.790，均方根误差=0.913，相对百分比误差=2.184）。

关键词: 多角度冠层光谱特性, 冬小麦, 叶面积指数, 连续小波变换

Abstract:

The rapid development of hyperspectral remote sensing provides technical support for real-time and accurate monitoring of crop growth. Vertical observation angles have limitations in extracting vegetation canopy structure, while multi-angle remote sensing possesses technical advantages in detecting plant canopy structure and information from the middle and lower layers, which provides the possibility for precise monitoring of winter wheat growth. Continuous wavelet transform possesses a detailed and rich scale space, and its combination with multi-angle hyperspectral data allows for obtaining richer characteristic information of crop canopy structure. Taking winter wheat under drought stress as the research object, this study analyzed the multi-angle canopy hyperspectral reflectance characteristics of winter wheat and determined the optimal decomposition scale of the continuous wavelet transform. Based on the original spectra and the wavelet energy coefficients of the optimal decomposition scale, monitoring models for the winter wheat leaf area index (LAI) were constructed using BP neural networks (BPNN) and random forests (RF). The results showed that among all observation angles, the canopy spectral reflectance from backward scattering observations was higher than that from forward scattering and vertical main plane observations, and the canopy spectral reflectance of winter wheat was highest at a backward scattering angle of 30°. After sym8 wavelet decomposition of multi-angle canopy spectra, the correlations between spectral data from all angles and winter wheat LAI were improved. When the observation angle was 30° backward scattering and the decomposition scale was 10, the RF model based on continuous wavelet transform performed best (coefficient of determination=0.790, root mean square error=0.913, relative percent difference=2.184).

Key words: Multi-angle canopy spectral characteristics, Winter wheat, Leaf area index, Continuous wavelet transform

白燕, 及嘉兴, 闫晓斌, 白娟, 乔星星, 赵钰, 王超, 冯美臣, 肖璐洁, 宋晓彦, 张美俊, 杨武德, 李广信. 基于多角度高光谱与小波变换的冬小麦LAI监测[J]. 作物杂志, 2026 (4): 270–277

Bai Yan, Ji Jiaxing, Yan Xiaobin, Bai Juan, Qiao Xingxing, Zhao Yu, Wang Chao, Feng Meichen, Xiao Lujie, Song Xiaoyan, Zhang Meijun, Yang Wude, Li Guangxin. Monitoring Winter Wheat LAI Based on Multi-Angle Hyperspectral Data and Wavelet Transform[J]. Crops, 2026(4): 270–277

图/表 8

图1

表1

图2

图3

图4

表2

表3

图5

参考文献 30

[1]	路辉丽, 彭星星, 尹豪, 等. 河南省小麦生产现状及优质小麦发展对策研究. 粮油食品科技, 2024, 32(1):185-192.
[2]	范军亮, 王涵, 廖振棋, 等. 基于纹理-颜色特征与植被指数融合的冬小麦LAI估测. 农业机械学报, 2023, 54(7):347-359.
[3]	李晓, 吴亚鹏, 贺利, 等. 基于近地高光谱遥感的小麦叶片生长参数动态模型研究. 河南农业大学学报, 2022, 56(2):199-208,227.
[4]	樊泽华, 郭建彪, 孙清博, 等. 基于特征波段选择的冬小麦叶面积指数高光谱遥感估测模型研究. 麦类作物学报, 2024, 44(9):1206-1214.
[5]	唐子竣, 向友珍, 王辛, 等. 基于不同分析模型的大豆叶片SPAD值和LAI光谱估算比较. 大豆科学, 2023, 42(1):55-63.
[6]	Li T S, Zhu Z, Cui J, et al. Monitoring of leaf nitrogen content of winter wheat using multi-angle hyperspectral data. International Journal of Remote Sensing, 2021, 42(12):4676-4696.
[7]	Song X, Xu D Y, He L, et al. Using multi-angle hyperspectral data to monitor canopy leaf nitrogen content of wheat. Precision Agriculture, 2016, 17(6):721-736. doi: 10.1007/s11119-016-9445-x
[8]	Inoue Y, Penuelas J, Miyata A, et al. Normalized difference spectral indices for estimating photosynthetic efficiency and capacity at a canopy scale derived from hyperspectral and CO₂ flux measurements in rice. Remote Sensing of Environment, 2008, 112(1):156-172. doi: 10.1016/j.rse.2007.04.011
[9]	Zhao R M, An L L, Song D, et al. Detection of chlorophyll fluorescence parameters of potato leaves based on continuous wavelet transform and spectral analysis. Molecular and Biomolecular Spectroscopy, 2021, 259(1):119768. doi: 10.1016/j.saa.2021.119768
[10]	张竞成, 刘鹏, 王斌, 等. 基于连续小波分析的植物理化参数反演中光谱分辨率影响分析. 红外与毫米波学报, 2018, 37(6):753-760.
[11]	张楠楠, 张晓, 王城坤, 等. 基于高光谱和连续投影算法的棉花叶面积指数估测. 农业机械学报, 2022, 53(增1):257-262.
[12]	王延仓, 张萧誉, 金永涛, 等. 基于连续小波变换定量反演冬小麦叶片含水量研究. 麦类作物学报, 2020, 40(4):503-509.
[13]	侯蒙京, 殷建鹏, 葛静, 等. 基于随机森林的高寒湿地地区土地覆盖遥感分类方法. 农业机械学报, 2020, 51(7):220-227.
[14]	成睿, 孟广源, 殷瑶, 等. 神经网络BPNN模型机器学习方法应用于电化学去除氨氮过程的预测与优化. 华东理工大学学报(自然科学版), 2023, 49(2):202-210.
[15]	刘匣, 丁奠元, 张浩杰, 等. 覆膜条件下对AquaCrop模型冬小麦生长动态和土壤水分模拟效果的评价分析. 中国农业科学, 2017, 50(10):1841-1854.
[16]	李云梅, 王人潮, 王秀珍, 等. 水稻冠层二向反射率的动态变化. 浙江大学学报, 2001, 27(1):37-42.
[17]	He L, Song X, Feng W, et al. Improved remote sensing of leaf nitrogen concentration in winter wheat using multi-angular hyperspectral data. Remote Sensing of Environment, 2016,174:122-133.
[18]	Hasegawa K, Matsuyama H, Tsuzuki H, et al. Improving the estimation of leaf area index by using remotely sensed NDVI with BRDF signatures. Remote Sensing of Environment, 2010, 114(3):514-519. doi: 10.1016/j.rse.2009.10.005
[19]	Wang Z J, Wang J H, Liu L Y, et al. Estimation of nitrogen status in middle and bottom layers of winter wheat canopy by using ground‐measured canopy reflectance. Communications in Soil Science and Plant Analysis, 2005, 36(17/18):2289-2302. doi: 10.1080/00103620500250650
[20]	阎广建, 姜海兰, 闫凯, 等. 多角度光学定量遥感. 遥感学报, 2021, 25(1):83-108.
[21]	宋晓. 小麦冠层反射光谱的角度效应及植株氮素监测研究. 郑州:河南农业大学, 2016.
[22]	Pocewicz A, Vierling L A, Lentile L B, et al. View angle effects on relationships between MISR vegetation indices and leaf area index in a recently burned ponderosa pine forest. Remote Sensing of Environment, 2007, 107(1/2):322-333. doi: 10.1016/j.rse.2006.06.019
[23]	白兰东, 苟叶培, 邵文文, 等. 基于多角度遥感的植被指数与叶面积指数的线性关系研究. 测绘工程, 2016, 25(1):1-4,9.
[24]	He L, Zhang H Y, Zhang Y S, et al. Estimating canopy leaf nitrogen concentration in winter wheat based on multi-angular hyperspectral remote sensing. European Journal of Agronomy, 2016,73:170-185.
[25]	梁栋, 杨勤英, 黄文江, 等. 基于小波变换与支持向量机回归的冬小麦叶面积指数估算. 红外与激光工程, 2015, 44(1):335-340.
[26]	李铠, 常庆瑞, 陈倩, 等. 基于连续小波变换耦合CARS算法的冬小麦冠层叶片含水量估算. 麦类作物学报, 2023, 43(2):251-258.
[27]	张佳伟, 王仲林, 谭先明, 等. 基于小波变换的带状套作玉米叶面积指数光谱估测. 四川农业大学学报, 2021, 39(2):149-156.
[28]	Breiman L. Random forests. Machine Learning, 2001,45:5-32.
[29]	牛硕, 李艳玲, 杨阳, 等. 基于机器学习方法的小麦镉富集因子预测. 环境科学, 2023, 44(6):3619-3626.
[30]	高宏元, 侯蒙京, 葛静, 等. 基于随机森林的高寒草地地上生物量高光谱估算. 草地学报, 2021, 29(8):1757-1768. doi: 10.11733/j.issn.1007-0435.2021.08.019

相关文章 15

[1]	柳东亮, 王雅群, 黄琴, 王鹏月, 张鸿雁, 房琴, 李瑞奇. 同化物积累与分配对冬小麦小花发育成粒的影响及密度调控效应[J]. 作物杂志, 2026, (3): 56–63
[2]	李青欣, 金秀良, 宋晓, 张珂珂, 郭腾飞, 黄绍敏, 岳克, 丁世杰, 黄明, 李友军. 有机肥部分替代氮肥对豫东冬小麦生长及土壤特性的影响[J]. 作物杂志, 2025, (6): 121–131
[3]	陈志豪, 王婷, 常旭虹, 王艳杰, 刘希伟, 杨玉双, 王玉娇, 王德梅, 赵广才. 黄淮冬麦区北片冬小麦产量和品质性状的综合分析[J]. 作物杂志, 2025, (6): 148–155
[4]	李加汇, 陈如雪, 白红波, 王永华. 不同株型冬小麦光合―灌浆协同特性及其对产量构成的影响[J]. 作物杂志, 2025, (5): 195–203
[5]	李杰, 张永强, 雷钧杰, 吕晓庆, 陈传信, 徐其江, 聂石辉, 徐文修, 常旭虹. 不同尿素类型及施用方式对滴灌冬小麦植株性状及产量构成的影响[J]. 作物杂志, 2025, (5): 266–271
[6]	贺云霞, 马建辉, 张黛静, 刘东华, 晁晓燕, 陈慧平, 李春喜. 不同氮肥增效剂对减少豫北麦田气态氮损失及其增产效果研究[J]. 作物杂志, 2025, (3): 108–115
[7]	李家豪, 贾永红, 连世昊, 刘跃, 于姗, 田文强, 王子骞, 张金汕, 石书兵. 调环酸钙和施磷量对冬小麦生长、干物质积累及产量的影响[J]. 作物杂志, 2025, (3): 165–171
[8]	杨丹丹, 韩雪, 孔欣欣, 赵国轩, 苏亚中, 赵鹏飞, 金建猛, 赵国建. 71份冬小麦苗期渗透胁迫抗性鉴定及相关农艺性状指标分析[J]. 作物杂志, 2025, (1): 243–249
[9]	刘阿康, 栗丽, 常旭虹, 王德梅, 王艳杰, 刘希伟, 杨玉双, 赵广才. 冬小麦秋播及冬前管理关键技术[J]. 作物杂志, 2024, (6): 254–256
[10]	王怀苹, 杨明达, 张素瑜, 李帅, 关小康, 王同朝. 不同节水灌溉方式对夏玉米生长、产量及水分利用的影响[J]. 作物杂志, 2024, (2): 206–212
[11]	刘哲文, 郭丹丹, 常旭虹, 王德梅, 杨玉双, 刘希伟, 王玉娇, 石书兵, 王艳杰, 赵广才. 氮肥追施时期和比例对强筋小麦籽粒灌浆及其生理机制的影响[J]. 作物杂志, 2024, (1): 174–179
[12]	杨梅, 杨卫君, 高文翠, 贾永红, 张金汕. 生物质炭与氮肥配施对灌区冬小麦干物质转运、农艺性状及产量的影响[J]. 作物杂志, 2023, (5): 138–144
[13]	罗四维, 石秀楠, 贾永红, 张金汕, 王凯, 李丹丹, 王润琪, 董艳雪, 石书兵. 滴灌的毛管间距和滴头间距对匀播冬小麦光合、干物质积累和产量形成的影响[J]. 作物杂志, 2023, (3): 230–237
[14]	李晶, 李鹏程, 贺永斌, 邢雅玲, 孟凡华, 周谦, 南铭. 16份俄罗斯冬小麦品种资源主要性状多元分析和综合评价[J]. 作物杂志, 2023, (3): 58–65
[15]	阚茗溪, 王艳杰, 于慧玲, 王德梅, 陶志强, 杨玉双, 王玉娇, 高甜甜, 曹祺, 赵广才, 常旭虹. 灌水对节水小麦“衡观35”产量、蛋白质含量及光合性能的影响[J]. 作物杂志, 2023, (1): 68–75

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

数据集Data set	数量Number	全距Range	最大值Max.	最小值Min.	平均值Average	标准差SD	偏度系数Skewness	峰度Kurtosis
全体样本All set	230	8.067	9.867	1.800	5.800	2.026	-0.129	-1.209
校正集Calibration set	154	8.067	9.867	1.800	5.785	2.041	-0.129	-1.197
验证集Validation set	76	7.133	9.433	2.300	5.829	2.008	-0.129	-1.241

观测角度 Observation angle	分解尺度Decomposition scale
观测角度 Observation angle	1	2	3	4	5	6	7	8	9	10
0°, 0°	0.047	-0.076	-0.202	-0.345	-0.377	0.420	0.747	0.788	0.793	0.794
0°, 30°	0.106	0.102	0.121	-0.100	-0.230	-0.346	-0.617	-0.677	-0.682	-0.683
0°, 60°	0.093	0.102	0.134	0.059	-0.199	-0.218	-0.488	-0.636	-0.654	-0.656
90°, 30°	0.150	0.118	0.145	-0.050	-0.150	-0.156	0.346	-0.444	-0.460	-0.461
90°, 60°	0.110	0.092	0.106	-0.103	-0.242	-0.310	-0.568	-0.656	-0.662	-0.663
180°, 30°	0.102	0.103	0.135	-0.084	-0.168	-0.290	-0.554	-0.630	-0.636	-0.637
180°, 60°	0.087	0.088	0.170	0.118	0.148	0.183	0.401	-0.532	-0.557	-0.559

变量 Variable	观测角度 Observation angle		RF			BPNN
变量 Variable	观测角度 Observation angle	R²	RMSE	RPD	R²	RMSE	RPD
原始光谱Original spectrum	0°, 0°	0.647	1.225	1.684	0.608	1.249	1.597
	0°, 30°	0.655	1.172	1.702	0.619	1.230	1.621
	0°, 60°	0.639	1.239	1.665	0.576	1.343	1.536
	90°, 30°	0.477	1.491	1.383	0.406	1.590	1.297
	90°, 60°	0.633	1.249	1.652	0.569	1.355	1.522
	180°, 30°	0.550	1.379	1.490	0.527	1.418	1.454
	180°, 60°	0.591	1.320	1.563	0.533	1.404	1.463
小波能量系数 Wavelet energy coefficient	0°, 0°	0.731	1.069	1.930	0.708	1.078	1.851
小波能量系数 Wavelet energy coefficient	0°, 30°	0.790	0.913	2.184	0.737	1.024	1.948
	0°, 60°	0.751	0.994	2.006	0.690	1.149	1.795
	90°, 30°	0.679	1.168	1.766	0.628	1.258	1.640
	90°, 60°	0.727	1.078	1.913	0.676	1.175	1.756
	180°, 30°	0.693	1.106	1.804	0.675	1.176	1.754
	180°, 60°	0.687	1.115	1.789	0.652	1.217	1.695