為通過(guò)構(gòu)建高精度SPAD遙感估算模型,實(shí)現(xiàn)對(duì)水稻葉片葉綠素含量進(jìn)行實(shí)時(shí)無(wú)損的監(jiān)測(cè),以東北地區(qū)多時(shí)期不同施氮水平下水稻葉片光譜反射率為研究對(duì)象,采用回歸模型與BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建不同輸入量的SPAD高光譜估算模型,通過(guò)模型精度評(píng)價(jià)指標(biāo)決定系數(shù)R~2、均方根誤差RMSE,確定最優(yōu)輸入量和最優(yōu)模型。結(jié)果表明:1)不同品種水稻成熟時(shí)期不同導(dǎo)致在孕穗期和抽穗期之間光譜反射率出現(xiàn)差異;2)回歸模型中以DVI（D755,D930）為變量建立多項(xiàng)式模型估算精度最高;3)與回歸模型相比,不同波長(zhǎng)處單波段反射率作為輸入量的BP神經(jīng)網(wǎng)絡(luò)模型估算精度顯著提高,R~2為0.98。BP神經(jīng)網(wǎng)絡(luò)模型在隱藏節(jié)點(diǎn)數(shù)為7時(shí)估算精度達(dá)到穩(wěn)定,在可見(jiàn)光和近紅外處經(jīng)過(guò)不同波段反射率作為輸入量的嘗試說(shuō)明神經(jīng)網(wǎng)絡(luò)模型較為穩(wěn)定,可以用來(lái)反演葉綠素相對(duì)含量。 

【文章頁(yè)數(shù)】：10 頁(yè)

【文章目錄】：
1 材料與方法
    1.1 試驗(yàn)設(shè)計(jì)
    1.2 數(shù)據(jù)采集與處理
    1.3 特征參數(shù)選擇
    1.4 模型構(gòu)建與精度驗(yàn)證
2 結(jié)果與分析
    2.1 葉片反射光譜特征分析
    2.2 相關(guān)性分析
        2.2.1 反射率各波段相關(guān)性分析
        2.2.2 紅邊參數(shù)與植被指數(shù)相關(guān)性分析
3 SPAD高光譜預(yù)測(cè)模型
    3.1 基于一階微分單一波段的SPAD估算模型
    3.2 基于植被指數(shù)的SPAD估算模型
    3.3 水稻葉片SPAD神經(jīng)網(wǎng)絡(luò)模型
4 討 論
5 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)碼相機(jī)的玉米冠層SPAD遙感估算[J]. 賀英,鄧?yán)?毛智慧,孫杰.  中國(guó)農(nóng)業(yè)科學(xué). 2018(15)
[2]基于隨機(jī)森林算法的冬小麥葉面積指數(shù)遙感反演研究[J]. 張春蘭,楊貴軍,李賀麗,湯伏全,劉暢,張麗妍.  中國(guó)農(nóng)業(yè)科學(xué). 2018(05)
[3]基于高光譜和BP神經(jīng)網(wǎng)絡(luò)的玉米葉片SPAD值遙感估算[J]. 李媛媛,常慶瑞,劉秀英,嚴(yán)林,羅丹,王爍.  農(nóng)業(yè)工程學(xué)報(bào). 2016(16)
[4]基于時(shí)間序列高光譜遙感影像的田塊尺度作物產(chǎn)量預(yù)測(cè)[J]. 劉煥軍,康苒,Susan Ustin,張新樂(lè),付強(qiáng),盛磊,孫天一.  光譜學(xué)與光譜分析. 2016(08)
[5]基于紅邊參數(shù)的冬小麥SPAD高光譜遙感監(jiān)測(cè)[J]. 姚付啟,蔡煥杰,李亞龍,羅文兵.  中國(guó)農(nóng)村水利水電. 2015(03)
[6]農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J]. 趙春江.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2014(12)
[7]整個(gè)生育期玉米葉片SPAD高光譜預(yù)測(cè)模型研究[J]. 陳志強(qiáng),王磊,白由路,楊俐蘋,盧艷麗,王賀,王志勇.  光譜學(xué)與光譜分析. 2013(10)
[8]冬小麥葉面積指數(shù)高光譜遙感反演方法對(duì)比[J]. 夏天,吳文斌,周清波,周勇.  農(nóng)業(yè)工程學(xué)報(bào). 2013(03)
[9]基于導(dǎo)數(shù)光譜的小麥冠層葉片含水量反演[J]. 梁亮,張連蓬,林卉,李春梅,楊敏華.  中國(guó)農(nóng)業(yè)科學(xué). 2013(01)
[10]人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J]. 毛健,趙紅東,姚婧婧.  電子設(shè)計(jì)工程. 2011(24)



本文編號(hào)：3700241