葉綠素含量和葉面積指數(shù)是表征作物氮營養(yǎng)狀況和長勢的重要生理化參量。傳統(tǒng)的方法測定作物生理化信息存在耗時長、難以在大田尺度上進行的缺陷。面對與日俱增的人口壓力、糧食壓力、環(huán)境壓力,實現(xiàn)田間精準化管理,對于解決環(huán)境問題和糧食優(yōu)產(chǎn)問題極具現(xiàn)實意義。隨著低空遙感技術(shù)研究的不斷深入,使實時快速、精確無損監(jiān)測作物營養(yǎng)狀況和長勢情況成為可能。本文旨在研究利用微小型無人機遙感平臺獲取大田水稻作物氮素營養(yǎng)和長勢信息以替代傳統(tǒng)人工采集信息方法的可行性,進而為農(nóng)作物生產(chǎn)、管理、監(jiān)測提供技術(shù)支持。于2016年8月8號-20號之間,在方正縣水稻種植基地進行了固定翼無人機飛行試驗,獲取了四個粳稻種植園區(qū)的高清數(shù)碼影像和多光譜影像,并在德善水稻種植園區(qū)內(nèi)進行地面實測相對葉綠素值(SPAD)和葉面積指數(shù)(LAI)數(shù)據(jù)采集工作。通過分析影像特征值與地面樣本區(qū)域?qū)崪y值的關(guān)系,構(gòu)建了東北優(yōu)質(zhì)粳稻冠層葉綠素SPAD和LAI值的反演模型。主要的研究內(nèi)容如下:(1)東北粳稻冠層氮素分級。為初步了解研究區(qū)內(nèi)粳稻長勢情況,基于植被覆蓋指數(shù)(NDVI)對方正水稻研究院周邊地塊進行估測氮素分級(N0-N5),利用聚類分類(ISODATA)和支持向量機分類(SVM)對獲取到的真彩色影像、多光譜影像和HSV影像進行氮素分級,分類效果最好的是基于RGB影像的SVM分類,分類精度為92.60%,Kappa系數(shù)為0.8811。結(jié)果表明,基于無人機低空遙感影像進行冠層氮素情況分類,可精確獲取粳稻的氮營養(yǎng)情況。(2)大田粳稻葉綠素含量反演模型的構(gòu)建。首先構(gòu)建了6種光譜光譜指數(shù),通過構(gòu)建經(jīng)驗?zāi)Ｐ蛯庾V指數(shù)和實測粳稻SPAD值進行相關(guān)性分析,篩選出可敏感表示葉綠素含量變化的類紅邊位置指數(shù)(s-REP)。基于最小二乘支持向量機算法(LS-SVR)構(gòu)建了大田粳稻的葉綠素SPAD值反演模型,模型決定系數(shù)R2和預測決定系數(shù)P-R2分別為0.8976和0.8327,利用此模型對德善水稻種植園區(qū)進行葉綠素遙感填圖,其擬合模型的R2和模型均方根誤差(RMSE)分別為0.802和3.907。結(jié)果表明,基于光譜指數(shù)s-REP的LS-SVR模型可用于快速獲取大田粳稻葉綠素含量信息。(3)大田粳稻LAI值反演模型的構(gòu)建。通過構(gòu)建經(jīng)驗?zāi)Ｐ?分析所構(gòu)建的6種光譜指數(shù)與大田粳稻冠層LAI的相關(guān)性,篩選出NDVI指數(shù)適用于大田粳稻抽穗~灌漿期的LAI反演,并由此構(gòu)建大田粳稻冠層LAI的LS_SVR估測模型,其模型決定系數(shù)R2和預測決定系數(shù)P-R2分別為0.6327和0.6014,RMSE分別為0.5855和0.7719。利用NDVI反演模型實現(xiàn)了德善水稻種植園區(qū)的粳稻抽穗~灌漿期的LAI反演填圖,其擬合模型的R2和RMSE分別為0.5868和0.7803,較為精確的實現(xiàn)了水稻LAI的估測。
【學位單位】：東北農(nóng)業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：S511
【部分圖文】：

東北農(nóng)業(yè)大學工學碩士學位論文1.5 本章小結(jié)首先，本章闡述了利用無人機遙感技術(shù)進行東北地區(qū)粳稻大田葉綠素含量和 LAI 值信息反演研究的目的與意義。然后，分析了無人機遙感、葉綠素含量測定、葉綠素含量反演及 LAI 值反演的研究現(xiàn)狀。最后，給出了本文的具體研究內(nèi)容、全文的技術(shù)路線以及全文的章節(jié)安排。

試驗數(shù)據(jù)采集與預處理2 試驗數(shù)據(jù)采集與預處理2.1 研究區(qū)概況試驗區(qū)位于黑龍江省中南部的方正縣，是東北優(yōu)質(zhì)大米的主要生產(chǎn)區(qū)之一。其地理坐為東經(jīng) 128°13′41″-129°33′20″、北緯 45°32′46″-46°09′00″，屬寒溫帶大陸性季風氣候，平年降水量為 579.7 毫米，太陽可照時數(shù)平均年為 4446 小時。其糧食作物種植面積達 73619頃，大田作物整個生育周期為 5—9 月，日照總時數(shù)達 1178 小時，日照百分率為 54%，均每天 8 小時。試驗區(qū)內(nèi)水稻品種多樣，水稻育秧期為每年 4 月上旬，插秧期為每年 5上旬，收割期為每年 9 月下旬至 10 月上旬。試驗區(qū)內(nèi)田地分塊整齊，地塊管理明確，大方便了遙感影像拼接和地面數(shù)據(jù)采集，同時各個園區(qū)內(nèi)物料資源豐富，為后期的農(nóng)情監(jiān)應(yīng)用研究提供了可靠的保障。

東北農(nóng)業(yè)大學工學碩士學位論文消除采樣代表性限制，本文以農(nóng)戶種植田塊作為采樣單元，采取單元(盡量避免同一農(nóng)戶選擇多塊樣區(qū))的方式進行采樣。設(shè)置 64 元采集 30 株水稻的葉綠素數(shù)據(jù)，取其平均值作為采樣單元葉綠素單元內(nèi)設(shè)置 100cm×100cm 的樣方，以樣方的葉面積指數(shù)作為采樣采樣時間為飛行試驗后的兩天內(nèi)。試驗所選飛行日期當天天氣晴，陽光直射地面，550 米高空處伴隨的飛行區(qū)域分別為：安樂水稻種植區(qū)、德善水稻種植區(qū)、利民水區(qū)。

【參考文獻】

相關(guān)期刊論文 前10條

1 辛明月;殷紅;陳龍;張美玲;任智勇;苗靜;;不同生育期水稻葉面積指數(shù)的高光譜遙感估算模型[J];中國農(nóng)業(yè)氣象;2015年06期

2 楊敏;林杰;顧哲衍;佟光臣;翁永兵;張金池;魯小珍;;基于Landsat 8 OLI多光譜影像數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)的葉面積指數(shù)反演[J];中國水土保持科學;2015年04期

3 姜海玲;楊杭;陳小平;王樹東;李雪軻;劉凱;岑奕;;利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究[J];光譜學與光譜分析;2015年04期

4 顧燕萍;趙文杰;吳占松;;最小二乘支持向量機魯棒回歸算法研究[J];清華大學學報(自然科學版);2015年04期

5 賀佳;劉冰鋒;李軍;;不同生育時期冬小麥葉面積指數(shù)高光譜遙感監(jiān)測模型[J];農(nóng)業(yè)工程學報;2014年24期

6 史舟;梁宗正;楊媛媛;郭燕;;農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J];農(nóng)業(yè)機械學報;2015年02期

7 李宗南;陳仲新;王利民;劉佳;周清波;;基于小型無人機遙感的玉米倒伏面積提取[J];農(nóng)業(yè)工程學報;2014年19期

8 劉劍君;賈世通;杜新武;鄧明俐;;無人機低空施藥技術(shù)發(fā)展現(xiàn)狀與趨勢[J];農(nóng)業(yè)工程;2014年05期

9 吳見;侯蘭功;王棟;;基于Hyperion影像的玉米冠層葉綠素含量估算[J];農(nóng)業(yè)工程學報;2014年06期

10 董梅;蘇建東;劉廣玉;楊舉田;陳秀齋;田雷;王梅勛;;面向?qū)ο蟮臒o人機遙感影像煙草種植面提取和監(jiān)測[J];測繪科學;2014年09期

相關(guān)博士學位論文 前3條

1 賈銀江;無人機遙感圖像拼接關(guān)鍵技術(shù)研究[D];東北農(nóng)業(yè)大學;2016年

2 王斌;基于無人機采集圖像的土壤濕度預測模型研究[D];中國石油大學;2009年

3 程遠航;無人機航空遙感圖像動態(tài)拼接技術(shù)的研究[D];東北大學;2009年

相關(guān)碩士學位論文 前1條

1 張學敏;基于支持向量數(shù)據(jù)描述的遙感圖像病害松樹識別研究[D];安徽大學;2014年

本文編號：2825832