【摘要】：油菜作為我國西北干旱半干旱地區(qū)重要的經(jīng)濟(jì)作物,其品質(zhì)和產(chǎn)量對本地區(qū)農(nóng)業(yè)和經(jīng)濟(jì)發(fā)展產(chǎn)生重要的影響。而油菜葉片的葉綠素含量、花青素含量以及葉片全氮含量等生理生化參數(shù)能夠準(zhǔn)確地反映油菜的生長狀態(tài),并指示最終的籽粒產(chǎn)量,從而為田間管理、施肥等提供依據(jù)。對高光譜數(shù)據(jù)以及油菜生理生化參量之間的相關(guān)關(guān)系進(jìn)行研究,通過數(shù)理統(tǒng)計方法建立二者之間的模型,能夠?qū)崿F(xiàn)對油菜長勢信息的預(yù)測。本研究以油菜為對象,通過田間試驗,獲取了油菜不同生育期的地面非成像光譜數(shù)據(jù)、地面成像光譜數(shù)據(jù)以及低空無人機高光譜影像,并測定了相應(yīng)生育期的油菜冠層葉綠素含量(SPAD)、花青素含量(ANTH)和葉片氮含量(LNC)。在分析油菜冠層高光譜特征以及生理生化參量的相關(guān)關(guān)系的基礎(chǔ)上選擇多種建模方法構(gòu)建了油菜不同生育期的葉綠素、花青素以及全生育期葉片全氮含量估算模型,并應(yīng)用無人機高光譜影像生成油菜蕾薹期生理生化參量空間分布圖。主要結(jié)論如下:(1)對油菜生理生化參量、冠層光譜及其一階導(dǎo)數(shù)光譜在不同生育期內(nèi)的變化規(guī)律進(jìn)行分析,結(jié)果表明:從苗期到成熟期,油菜葉綠素含量呈現(xiàn)出先上升后下降的趨勢,花青素與葉綠素呈現(xiàn)出相反的變化趨勢,蕾薹期為整個生育期的最低點,至成熟期達(dá)到極值,葉片全氮含量隨著生育期的推進(jìn)逐步降低。通過SVC HR-1024i(以下簡稱SVC)地物光譜儀及SOC710便攜式可見/近紅外光譜儀(SOC)獲取油菜冠層光譜及一階導(dǎo)數(shù)光譜在整個生育期內(nèi)呈現(xiàn)出相似的變化規(guī)律,苗期到蕾薹期之間,可見光波段反射率逐漸降低,而近紅外波段反射率逐漸升高,蕾薹期后與之相反;一階導(dǎo)數(shù)光譜均表現(xiàn)出“雙峰”的特征,且二者均是從苗期到蕾薹期紅邊位置“紅移”,而蕾薹期后紅邊位置“藍(lán)移”。(2)對油菜不同生育期葉綠素含量與油菜光譜反射率之間的關(guān)系進(jìn)行了研究,結(jié)果表明:不同生育期油菜冠層光譜及一階導(dǎo)數(shù)光譜與SPAD之間相關(guān)性呈現(xiàn)出相似的變化規(guī)律,通過提取油菜基于原始光譜及一階導(dǎo)數(shù)光譜的特征波段構(gòu)建了SPAD單因素估算模型,選擇各生育期內(nèi)與油菜SPAD相關(guān)性較好的八種光譜參數(shù)分別基于最小二乘算法、偏最小二乘算法、多元逐步回歸算法以及隨機森林算法構(gòu)建了SPAD估算模型,結(jié)果表明基于隨機森林算法構(gòu)建的油菜SPAD模型精度要明顯優(yōu)于其他模型。(3)通過對油菜不同生育期花青素含量與光譜反射率以及高光譜參數(shù)之間的相關(guān)性分析,確定了反演油菜ANTH的特征波段及最優(yōu)光譜參數(shù),建模結(jié)果表明:基于一階導(dǎo)數(shù)光譜特征波段構(gòu)建的模型明顯優(yōu)于原始光譜特征波段;基于多元逐步回歸算法和偏最小二乘算法構(gòu)建的油菜ANTH多光譜參數(shù)回歸模型精度優(yōu)于基于最小二乘算法構(gòu)建的ANTH單光譜參數(shù)模型,而將一階微分特征波段及相關(guān)性較好的八種光譜參數(shù)作為自變量構(gòu)建的隨機森林算法大大提高對油菜冠層花青素的反演精度,是進(jìn)行油菜ANTH估算的最優(yōu)模型。(4)研究了不同氮素水平下的油菜冠層光譜特征與油菜LNC之間的相關(guān)關(guān)系,基于特征波段和高光譜參數(shù)構(gòu)建了油菜全生育期的LNC估算模型,結(jié)果表明:隨著LNC水平的上升,在可見光波段,油菜冠層反射率逐漸降低,而在近紅外波段反射率逐漸升高,紅邊位置隨著LNC的升高出現(xiàn)“紅移”的現(xiàn)象�；贚NC的特征波段構(gòu)建了油菜LNC單因素估算模型;對18種高光譜參數(shù)與LNC的相關(guān)性進(jìn)行了分析,發(fā)現(xiàn)基于NDNI構(gòu)建的多項式模型為油菜LNC最優(yōu)單因素估算模型;分別采用偏最小二乘算法、多元逐步回歸算法和隨機森林算法構(gòu)建了基于光譜參數(shù)的油菜LNC多元估算模型,結(jié)果表明基于隨機森林算法的模型精度最優(yōu)。(5)運用訓(xùn)練得到油菜理化參量隨機森林估算模型,基于UHD185機載成像光譜儀獲取的高光譜影像對油菜蕾薹期的SPAD、ANTH以及LNC進(jìn)行了區(qū)域范圍內(nèi)的大田反演,得到了蕾薹期油菜理化參量空間分布圖。結(jié)果表明,基于隨機森林構(gòu)建的模型可精確估測油菜理化參量在空間上的分布狀況,其反演結(jié)果符合實際情況,具有較高的精度和可信度。
【圖文】：

第二章 材料與方法 第二章 材料與方法1 研究區(qū)概況本試驗研究區(qū)位于陜西省咸陽市乾縣梁山鎮(zhèn)齊南村（E108°7′6″，，N34°38′33″）地處關(guān)中平原與陜北黃土高原的過度地帶，全境地勢西北高東南低，地貌類型有地、黃土高原、山地和丘陵等。齊南村位于乾縣西北部，屬黃土臺塬溝壑區(qū)，溫旱大陸性季風(fēng)性氣候，年平均氣溫 12.7℃，年平均降雨量 635.1mm，全年降雨分，主要集中在 6-9 月，耕作制度基本為一年一熟，種植冬小麥、油菜、玉米等農(nóng)作地區(qū)內(nèi)主要的氣候災(zāi)害為干旱，土壤以j土為主，年平均日照時數(shù) 2163.8 小時，輻射量約 114.86 千卡/平方厘米。

采樣點布置：每個油菜小區(qū)設(shè)置 4 個采樣點，按照東、西、南、北四個方點并充分考慮到小區(qū)內(nèi)長勢的均一性，選擇樣點時施用差分 GPS 對樣點的經(jīng)進(jìn)行標(biāo)記，以便后續(xù)測量以及與無人機高光譜影像進(jìn)行對應(yīng)。采樣時間：根據(jù)油菜生長的自然規(guī)律，于關(guān)鍵生育期內(nèi)對其進(jìn)行高光譜數(shù)人機影像獲取及田間觀測采樣，觀測時間分別為：苗期（2016 年 3 月 25 日），較小，主莖不伸長或略有伸長，莖部著生的葉片節(jié)距很短，整個植株呈蓮座狀（2016 年 4 月 12 日），揭開主莖頂端 1~2 片小葉后可見明顯花蕾；開花期（月 3 日），油菜從開始開花至開花結(jié)束這一段時間為開花期，可分為初花期、終花期，本次實驗選擇油菜盛花期進(jìn)行田間觀測及采樣；成熟期（2016 年 5 月即角果成熟期，油菜角果伸長膨大，籽粒充實。各生育期觀測內(nèi)容包括：1）油化參數(shù)：SPAD、花青素含量及葉片氮素含量。2）高光譜數(shù)據(jù)測定：各生育期光譜、地面 SOC 高光譜影像以及無人機高光譜影像。油菜各生育期長勢狀況示：
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：S565.4

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李嵐?jié)?馬驛;魏全全;汪善勤;任濤;李小坤;叢日環(huán);王振;王少華;魯劍巍;;基于高光譜的冬油菜植株氮素積累量監(jiān)測模型[J];農(nóng)業(yè)工程學(xué)報;2015年20期

2 李粉玲;王力;劉京;常慶瑞;;基于高分一號衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD值遙感估算[J];農(nóng)業(yè)機械學(xué)報;2015年09期

3 劉秀英;申健;常慶瑞;嚴(yán)林;高雨茜;謝飛;;基于可見/近紅外光譜的牡丹葉片花青素含量預(yù)測[J];農(nóng)業(yè)機械學(xué)報;2015年09期

4 黃汝根;劉振華;胡月明;肖北生;;基于“高分一號”遙感影像反演華南地區(qū)亞熱帶典型作物冠層SPAD[J];華南農(nóng)業(yè)大學(xué)學(xué)報;2015年04期

5 賈玉秋;李冰;程永政;劉婷;郭燕;武喜紅;王來剛;;基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J];農(nóng)業(yè)工程學(xué)報;2015年09期

6 孫雪蓮;舒清態(tài);歐光龍;胥輝;;基于隨機森林回歸模型的思茅松人工林生物量遙感估測[J];林業(yè)資源管理;2015年01期

7 王麗愛;馬昌;周旭東;訾妍;朱新開;郭文善;;基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J];農(nóng)業(yè)機械學(xué)報;2015年01期

8 王仁紅;宋曉宇;李振海;楊貴軍;郭文善;譚昌偉;陳立平;;基于高光譜的冬小麥氮素營養(yǎng)指數(shù)估測[J];農(nóng)業(yè)工程學(xué)報;2014年19期

9 畢景芝;劉湘南;趙冬;;基于粗糙集約簡的水稻葉片葉綠素含量高光譜反演[J];應(yīng)用科學(xué)學(xué)報;2014年04期

10 宮兆寧;趙雅莉;趙文吉;林川;崔天翔;;基于光譜指數(shù)的植物葉片葉綠素含量的估算模型[J];生態(tài)學(xué)報;2014年20期

相關(guān)博士學(xué)位論文 前4條

1 田明璐;西北地區(qū)冬小麥生長狀況高光譜遙感監(jiān)測研究[D];西北農(nóng)林科技大學(xué);2017年

2 李粉玲;關(guān)中地區(qū)冬小麥葉片氮素高光譜數(shù)據(jù)與衛(wèi)星影像定量估算研究[D];西北農(nóng)林科技大學(xué);2016年

3 秦占飛;西北地區(qū)水稻長勢遙感監(jiān)測研究[D];西北農(nóng)林科技大學(xué);2016年

4 潘家志;基于光譜和多光譜數(shù)字圖像的作物與雜草識別方法研究[D];浙江大學(xué);2007年

本文編號：2696038