本文關(guān)鍵詞： 植被指數(shù) 紋理特征 隨機(jī)森林 水稻估產(chǎn)　出處：《武漢大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：水稻是中國(guó)最主要的糧食作物,及時(shí)了解、準(zhǔn)確掌握水稻種植面積、產(chǎn)量等對(duì)各級(jí)政府制定農(nóng)業(yè)生產(chǎn)和農(nóng)村政策、確保我國(guó)乃至世界糧食安全具有重要的意義。隨著高光譜遙感技術(shù)和無(wú)人機(jī)遙感的發(fā)展與應(yīng)用,對(duì)水稻估產(chǎn)的速度與精度都提出了更高的要求。本文利用水稻冠層尺度上的高光譜數(shù)據(jù)和低空無(wú)人機(jī)平臺(tái)上獲取的影像數(shù)據(jù),對(duì)水稻產(chǎn)量反演的方法展開了相應(yīng)的研究。本文通過(guò)觀測(cè)武穴梅川鎮(zhèn)實(shí)驗(yàn)區(qū)內(nèi)的水稻,利用地面高光譜數(shù)據(jù)和無(wú)人機(jī)平臺(tái)多光譜數(shù)據(jù),提取植被指數(shù)、端元豐度和紋理特征等信息,使用逐步線性回歸、BP神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林算法進(jìn)行水稻估產(chǎn)研究,并對(duì)不同方法得到的不同模型精度進(jìn)行了分析。主要研究?jī)?nèi)容如下:(1)針對(duì)高光譜數(shù)據(jù)和無(wú)人機(jī)多光譜影像各自的特點(diǎn),利用敏感性分析和相關(guān)性分析,分別提取了2種地面高光譜植被指數(shù)、4種無(wú)人機(jī)多光譜植被指數(shù)、5種端元豐度和4種紋理特征等因子。結(jié)果表明:地面高光譜植被指數(shù)中與水稻產(chǎn)量相關(guān)性最高的指數(shù)為孕穗期DVI(431,665)和乳熟期DVI(892,1087)相關(guān)系數(shù)值分別為0.77和0.76;從不同生育期無(wú)人機(jī)多光譜影像獲取的植被指數(shù)、端元豐度和紋理特征3類參數(shù)中與水稻產(chǎn)量相關(guān)性最高的是抽穗期NDVI指數(shù)和孕穗期CIrededge指數(shù),相關(guān)系數(shù)分別為0.795和0.781;端元豐度中與水稻產(chǎn)量相關(guān)性最高的是抽穗期葉片豐度和稻穗豐度,分別為0.695和-0.696;紋理特征與水稻產(chǎn)量相關(guān)性最低。(2)利用篩選出的特征因子,采用"留一法"交叉驗(yàn)證的方式分別使用逐步線性回歸、BP神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林算法進(jìn)行建模。結(jié)果表明:當(dāng)利用地面高光譜孕穗期DVI和乳熟期DVI作為自變量時(shí),得到的水稻估產(chǎn)模型R2依次為0.633、0.575 和 0.440,對(duì)應(yīng)的 RMSE 分別為 24.546 kg/畝、27.710 kg/畝和 29.704 kg/畝;當(dāng)輸入變量為無(wú)人機(jī)植被指數(shù)、端元豐度和紋理特征時(shí),不論是用逐步線性回歸、還是BP神經(jīng)網(wǎng)絡(luò)或者隨機(jī)森林算法,植被指數(shù)的表現(xiàn)都比端元豐度和紋理特征要好,再次表現(xiàn)出了植被指數(shù)的強(qiáng)大,3種研究方法中建模效果最好的均為以植被指數(shù)作為自變量的模型,R2分別是0.615、0.599和0.405,RMSE分別為 25.131 kg/畝、26.377 kg/畝和 30.628 kg/畝。(3)綜合地面和低空無(wú)人機(jī)數(shù)據(jù)中獲取的多種特征,利用主成分分析法進(jìn)行主成分提取,通過(guò)逐步線性回歸得到的多平臺(tái)綜合估產(chǎn)模型相對(duì)于地面或無(wú)人機(jī)平臺(tái)的最優(yōu)模型來(lái)說(shuō),效果有一定提高,利用交叉驗(yàn)證的方法進(jìn)行建模時(shí),平均R2達(dá)到 0.661,平均 RMSE 為 23.568 kg/畝。
[Abstract]:Rice is the most important food crop in China. Timely understanding and accurate understanding of rice planting area, yield and other government at all levels to formulate agricultural production and rural policies. With the development and application of hyperspectral remote sensing technology and UAV remote sensing technology, it is of great significance to ensure food security in China and the world. Higher requirements for the speed and accuracy of rice yield estimation are put forward. In this paper, the hyperspectral data on the rice canopy scale and the image data obtained on the low altitude UAV platform are used. Based on the observation of rice in the experimental area of Meichuan Town in Wuxuan, the vegetation index is extracted by using the ground hyperspectral data and the multi-spectral data of UAV platform. The yield estimation of rice was studied by stepwise linear regression BP neural network and stochastic forest algorithm. The main research contents are as follows: (1) according to the characteristics of hyperspectral data and UAV multi-spectral images, sensitivity analysis and correlation analysis are used. Two kinds of ground hyperspectral vegetation index and four kinds of UAV multi-spectral vegetation index were extracted. The results showed that the highest correlation between surface hyperspectral vegetation index and rice yield was DVI(431 at booting stage. The correlation coefficient of 665) and milk stage DVI892 (1087) were 0.77 and 0.76, respectively. Vegetation index obtained from multi-spectral images of UAV at different growth stages. The NDVI index at heading stage and CIrededge index at booting stage were the highest among the three kinds of parameters, the correlation coefficients were 0.795 and 0.781respectively. Leaf abundance and panicle abundance at heading stage were the highest correlation between end element abundance and rice yield, which were 0.695 and -0.696, respectively. Texture features have the lowest correlation with rice yield. BP neural network and stochastic forest algorithm were used to model the model. The results showed that when the ground hyperspectral booting stage DVI and milk-ripening stage DVI were used as independent variables. The rice yield estimation model R2 was 0.633C 0.575 and 0.440 respectively, and the corresponding RMSE was 24.546 kg / mu. 27.710 kg / mu and 29.704 kg / mu; When the input variables are UAV vegetation index, Duan Yuan Feng degree and texture feature, whether by stepwise linear regression, BP neural network or stochastic forest algorithm. The performance of vegetation index is better than Duanyuanfeng degree and texture feature. Again, the model with vegetation index as independent variable is the best modeling method among the three research methods of vegetation index. The RMSE of RMSE was 25.131 kg / mu, respectively. 26.377 kg / mu and 30.628 kg / mu. Compared with the optimal model of the ground or UAV platform, the multi-platform comprehensive yield estimation model obtained by stepwise linear regression is more effective than the optimal model of the ground or UAV platform, when the cross-validation method is used to model the model. The average R2 was 0.661 and the average RMSE was 23.568 kg / mu.
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：S511;TP79

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張京愛;王興軍;胡青松;;基于紋理特征的穿梭分析系統(tǒng)動(dòng)物檢測(cè)算法[J];佳木斯大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

2 劉星明;劉則毅;劉曉利;李阿蒙;;基于體積和紋理特征的深度像匹配[J];深圳大學(xué)學(xué)報(bào)(理工版);2012年01期

3 陳錦源;高太長(zhǎng);劉磊;韓文宇;;基于小波變換與紋理特征分析的地基云圖識(shí)別[J];氣象水文海洋儀器;2014年01期

4 郭治成;;基于信號(hào)處理描述紋理特征方法[J];中國(guó)新技術(shù)新產(chǎn)品;2012年21期

5 魯文波;蔣偉康;潘思偉;向上;;基于近場(chǎng)聲全息聲像圖紋理特征的機(jī)械故障診斷方法[J];振動(dòng)工程學(xué)報(bào);2013年04期

6 魯文波;蔣偉康;侯俊劍;;基于波束形成聲像圖紋理特征的機(jī)械故障診斷方法[J];振動(dòng)工程學(xué)報(bào);2011年04期

7 孫勁光;尹達(dá);張華偉;;基于顏色和紋理特征的圖像檢索技術(shù)研究[J];河北工業(yè)大學(xué)學(xué)報(bào);2008年06期

8 張睿;張繼賢;李海濤;;基于角度紋理特征及剖面匹配的高分辨率遙感影像帶狀道路半自動(dòng)提取[J];遙感學(xué)報(bào);2008年02期

9 徐金明;羌培;張鵬飛;;粉質(zhì)黏土圖像的紋理特征分析[J];巖土力學(xué);2009年10期

10 張?jiān)?李靜;姜樹明;楊子江;張江州;;步態(tài)能量圖的局部紋理特征分析方法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2013年S1期

相關(guān)會(huì)議論文 前10條

1 田學(xué)東;郭寶蘭;;基于紋理特征的版式識(shí)別研究[A];輝煌二十年——中國(guó)中文信息學(xué)會(huì)二十周年學(xué)術(shù)會(huì)議論文集[C];2001年

2 殷積東;劉博;王少輝;;基于粗糙集理論和關(guān)聯(lián)規(guī)則的腐蝕區(qū)域紋理特征檢測(cè)算法研究[A];圖像圖形技術(shù)研究與應(yīng)用(2010)[C];2010年

3 秦鐘;;基于紋理特征的車輛分割方法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

4 王建新;周晨波;于文英;;利用紋理特征分析激光散斑圖像[A];第十一屆全國(guó)光學(xué)測(cè)試學(xué)術(shù)討論會(huì)論文（摘要集）[C];2006年

5 王宇生;陳純;;一種用于圖像檢索的紋理特征[A];中國(guó)圖象圖形學(xué)會(huì)第十屆全國(guó)圖像圖形學(xué)術(shù)會(huì)議（CIG’2001）和第一屆全國(guó)虛擬現(xiàn)實(shí)技術(shù)研討會(huì)（CVR’2001）論文集[C];2001年

6 龔紅菊;姬長(zhǎng)英;;基于紋理特征的麥穗產(chǎn)量測(cè)量方法研究[A];2007年中國(guó)農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文摘要集[C];2007年

7 常哲;侯榆青;程濤;李明俐;劉黎寧;;綜合顏色和紋理特征的圖像檢索[A];全國(guó)第三屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)交流會(huì)�？痆C];2009年

8 趙銀娣;蔡燕;;紋理特征在高空間分辨率遙感影像分類中的應(yīng)用探討[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

9 秦健;李濤;;基于Contourlet變換提取云的旋轉(zhuǎn)不變紋理特征[A];2009第五屆蘇皖兩省大氣探測(cè)、環(huán)境遙感與電子技術(shù)學(xué)術(shù)研討會(huì)專輯[C];2009年

10 張樹恒;陽(yáng)維;廖廣姍;王蓮蕓;張素;;基于形狀和紋理特征的致敏花粉顯微圖像識(shí)別[A];中華醫(yī)學(xué)會(huì)2010年全國(guó)變態(tài)反應(yīng)學(xué)術(shù)會(huì)議暨中歐變態(tài)反應(yīng)高峰論壇參會(huì)指南/論文匯編[C];2010年

相關(guān)博士學(xué)位論文 前4條

1 陳曉穎;典型地基云圖云狀的識(shí)別方法研究[D];東南大學(xué);2015年

2 夏瑜;基于結(jié)構(gòu)的紋理特征及應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

3 周前進(jìn);基于紋理特征的打印文檔機(jī)源認(rèn)證技術(shù)研究[D];武漢大學(xué);2015年

4 李伯宇;圖像紋理分析及分類方法研究[D];復(fù)旦大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 李強(qiáng);基于顏色與紋理特征的圖像檢索技術(shù)研究[D];河北大學(xué);2015年

2 田甜;面向?qū)ο蟮纳种脖活愋托畔⑻崛〖夹g(shù)[D];東北林業(yè)大學(xué);2015年

3 崔巍;基于紋理特征的地表覆蓋分類算法研究[D];南京理工大學(xué);2015年

4 宋歌聲;利用超聲圖像紋理特征鑒別甲狀腺結(jié)節(jié)良惡性的研究[D];山東大學(xué);2015年

5 廖聲揚(yáng);數(shù)字視頻復(fù)制—粘貼篡改被動(dòng)取證研究[D];福建師范大學(xué);2015年

6 牧其爾;基于紋理特征的人工梭梭林生物量遙感估測(cè)研究[D];內(nèi)蒙古師范大學(xué);2015年

7 張瑞英;基于多源遙感數(shù)據(jù)的森林郁閉度估測(cè)方法研究[D];內(nèi)蒙古師范大學(xué);2015年

8 黃源;基于區(qū)域語(yǔ)義模板的刑偵圖像檢索算法研究[D];西安郵電大學(xué);2015年

9 趙玉丹;基于LBP的圖像紋理特征的提取及應(yīng)用[D];西安郵電大學(xué);2015年

10 林婉晴;城市不透水面信息提取方法及應(yīng)用研究[D];福建師范大學(xué);2015年

，

本文編號(hào)：1454281