【摘要】：為篩選出冬小麥水分監(jiān)測最佳的光譜參數(shù),構(gòu)建精準普適的冬小麥水分監(jiān)測模型,為冬小麥水分監(jiān)測和精確灌溉提供技術支撐,本研究以冬小麥為材料,設置四個水分處理W1(0 mm)、W2(30 mm)、W3(60 mm)、W4(90 mm),利用高光譜成像儀,分析了冬小麥在不同生育時期的冠層光譜反射特征和光譜圖像特征,構(gòu)建植株含水量、葉片相對含水量、土壤含水量、葉片水勢和土壤水勢的擬合模型,并對模型進行檢驗,具體結(jié)果如下:1.冬小麥植株含水量監(jiān)測模型模型擬合結(jié)果表明,各生育時期圖像參數(shù)運算值擬合模型的決定系數(shù)均大于植被指數(shù),基于組合光譜參數(shù)建立的模型監(jiān)測全生育期植株含水量效果均優(yōu)于單一光譜參數(shù),以組合圖像參數(shù)運算值GSAO_(green)(灰度抗大氣運算值)和GNO(灰度歸一化運算值)構(gòu)建的模型為冬小麥全生育期植株含水量最佳監(jiān)測模型,模型為y=-1.04×GSAO_(green)+0.07×GNO+0.75,決定系數(shù)為0.831,預測模型的MRE和RMSE分別為2.27%和2.1%。該研究可為冬小麥水分的精確監(jiān)測提供技術參考。2.冬小麥葉片相對含水量監(jiān)測模型模型擬合結(jié)果表明,拔節(jié)期、抽穗期、開花期、灌漿前期和灌漿后期基于圖像參數(shù)運算值構(gòu)建的葉片相對含水量監(jiān)測模型的精度均高于植被指數(shù),圖像參數(shù)運算值為GWC(灰度水分運算值)和GSAO_(green),并且基于組合圖像參數(shù)運算值GWC和GSAO_(green)建立的模型的監(jiān)測效果優(yōu)于植被指數(shù)建立的模型,為冬小麥全生育期葉片相對含水量最佳監(jiān)測模型,模型為y=0.56×GWC-0.87×GSAO_(green)+0.16,決定系數(shù)為0.836,預測模型的MRE和RMSE分別為4.22%和4.6%。該研究可為冬小麥水分的精確監(jiān)測提供技術參考。3.冬小麥農(nóng)田土壤含水量監(jiān)測模型模型擬合結(jié)果表明,0-20 cm土層為反演冬小麥農(nóng)田土壤含水量的最佳深度,基于組合圖像參數(shù)運算值GREO2(灰度紅邊運算值2)和mGSRO705(灰度改進紅邊比值運算值)建立的監(jiān)測模型為反演全生育期冬小麥農(nóng)田土壤含水量的最佳監(jiān)測模型,并通過獨立數(shù)據(jù)的檢驗。模型為y=-0.30×GREO2+0.51×mGSRO705-0.04,模型決定系數(shù)為0.815,MRE和RMSE分別為13.52%和1.6%。該研究結(jié)果表明,利用此方法進行土壤含水量的監(jiān)測是可行的,為提高農(nóng)田土壤含水量遙感監(jiān)測提供了一定理論依據(jù)和技術支持。4.冬小麥葉片水勢監(jiān)測模型模型擬合結(jié)果表明,不同生育時期,圖像參數(shù)運算值構(gòu)建擬合模型的擬合效果均高于植被指數(shù),且基于圖像參數(shù)運算值構(gòu)建的全生育時期葉片水勢擬合模型的擬合精度也高于植被指數(shù),以組合圖像參數(shù)運算值GSOSA(灰度優(yōu)化土壤調(diào)整運算值)和GEO2(灰度增強型運算值2)建立的模型監(jiān)測冬小麥全生育時期葉片水勢效果最佳,模型的決定系數(shù)較高,MRE和RMSE較小。建立的監(jiān)測模型為y=1.62×GSOSA+2.66×GEO2-4.84,決定系數(shù)為0.849,RMSE=21.0%,MRE=-8.02%。5.冬小麥農(nóng)田土壤水勢監(jiān)測模型模型擬合結(jié)果表明,不同土層建立的最佳監(jiān)測模型的監(jiān)測效果均隨著土層加深而降低,0-20 cm土層為冬小麥農(nóng)田土壤水勢最佳監(jiān)測土層,基于組合圖像參數(shù)運算值GREO1(灰度紅邊運算值1)和GREO2建立的模型為冬小麥農(nóng)田全生育期土壤水勢最佳監(jiān)測模型,模型的決定系數(shù)較高,并通過獨立數(shù)據(jù)的檢驗。監(jiān)測模型為y=-0.75×GREO2+2.80×GREO1-4.79,決定系數(shù)為0.800,MRE和RMSE分別為-15.67%和13.9%。
【學位授予單位】：山東農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：S512.11
【圖文】：

光譜反射率初步轉(zhuǎn)化示意圖

圖 4 平均光譜反射率提取示意圖Fig. 4 The schematic of mean spectral reflectance extraction of spectral reflectance.4.2 灰度圖像的提取在 ENVI 軟件中打開已經(jīng)進行初步轉(zhuǎn)化反射率后的光譜圖片，提取單波段的光像，在 Photoshop 中提取圖像灰度值。下圖為示例為抽穗期 W3 水分處理冬小麥 m 波段下灰度值提取示例（圖 5）。圖 5 光譜圖像灰度值提取示例Fig. 5 Example of gray scale extraction of spectral image

圖 4 平均光譜反射率提取示意圖Fig. 4 The schematic of mean spectral reflectance extraction of spectral reflectance2.4.2 灰度圖像的提取在 ENVI 軟件中打開已經(jīng)進行初步轉(zhuǎn)化反射率后的光譜圖片，提取單波段的光譜圖像，在 Photoshop 中提取圖像灰度值。下圖為示例為抽穗期 W3 水分處理冬小麥 81nm 波段下灰度值提取示例（圖 5）。

【參考文獻】

相關期刊論文 前10條

1 姜雪芹;葉勤;林怡;李西燦;;基于諧波分析和高光譜遙感的土壤含水量反演研究[J];光學學報;2017年10期

2 陳思媛;李姝彥;陳春紅;孔佳瑩;王倩;馬思遠;方正;;光譜技術發(fā)展現(xiàn)狀及趨勢[J];應用化工;2017年12期

3 陳智芳;宋妮;王景雷;孫景生;;基于高光譜遙感的冬小麥葉水勢估算模型[J];中國農(nóng)業(yè)科學;2017年05期

4 李瑞;劉濤;武威;陳雯;姚照勝;孫成明;;農(nóng)業(yè)圖像監(jiān)測技術的應用與展望[J];中國農(nóng)機化學報;2016年12期

5 童紹玉;周振宇;彭海英;;中國水資源短缺的空間格局及缺水類型[J];生態(tài)經(jīng)濟;2016年07期

6 婁徑;徐建輝;周燕林;王俊;;干旱區(qū)土壤含水量光譜特征分析與反演[J];安徽農(nóng)業(yè)科學;2016年13期

7 林毅;李倩;王宏博;紀瑞鵬;馮銳;趙梓淇;張凱;李嵐;魏楠;張玉書;;干旱條件下春玉米高光譜特征及土壤含水量反演[J];生態(tài)學雜志;2016年05期

8 向紅英;牛建龍;彭杰;王家強;柳維揚;遲春明;支金虎;;棉田土壤水分的高光譜定量遙感模型[J];土壤通報;2016年02期

9 邵興鈺;;水資源狀況與水資源安全問題分析[J];農(nóng)業(yè)科技與信息;2015年24期

10 高林;李長春;王寶山;楊貴軍;王磊;付奎;;基于多源遙感數(shù)據(jù)的大豆葉面積指數(shù)估測精度對比[J];應用生態(tài)學報;2016年01期

相關碩士學位論文 前5條

1 賈雯晴;基于高光譜的小麥水分狀況監(jiān)測研究[D];南京農(nóng)業(yè)大學;2013年

2 柴金伶;基于植氣溫差的小麥水分狀況監(jiān)測研究[D];南京農(nóng)業(yè)大學;2011年

3 肖武;基于近紅外光譜和機器視覺的土壤含水率快速檢測方法研究[D];華中農(nóng)業(yè)大學;2009年

4 于常樂;基于圖像處理的葉片含水量的無損檢測研究[D];吉林大學;2007年

5 霍曉靜;作物水脅迫聲發(fā)射監(jiān)測系統(tǒng)的研究及應用[D];河北農(nóng)業(yè)大學;2002年

本文編號：2776210