本文關(guān)鍵詞： 冬小麥 高光譜遙感 無(wú)人機(jī) 農(nóng)學(xué)參數(shù) 偏最小二乘 支持向量機(jī)　出處：《西北農(nóng)林科技大學(xué)》2017年博士論文　論文類(lèi)型：學(xué)位論文

【摘要】：冬小麥?zhǔn)俏鞅钡貐^(qū)重要的糧食作物,該地區(qū)有限的自然資源和脆弱的生態(tài)環(huán)境迫使農(nóng)業(yè)必須向精細(xì)、高效的方向發(fā)展,以最小的資源投入獲取最高經(jīng)濟(jì)效益,同時(shí)兼顧生態(tài)環(huán)境的保護(hù)。使用定量遙感技術(shù)精確獲取農(nóng)田環(huán)境信息和農(nóng)作物長(zhǎng)勢(shì)信息是實(shí)現(xiàn)這一目的的重要環(huán)節(jié)。本研究以西北地區(qū)冬小麥為研究對(duì)象,在2014-2016年進(jìn)行冬小麥的小區(qū)和大田實(shí)驗(yàn),使用成像光譜儀和非成像光譜儀在葉片、近地冠層、低空大田等不同尺度獲取冬小麥高光譜影像和反射光譜數(shù)據(jù),結(jié)合地面實(shí)測(cè)葉綠素、花青素、葉面積指數(shù)和氮、磷、鉀含量等多項(xiàng)農(nóng)學(xué)參數(shù),分析各項(xiàng)農(nóng)學(xué)參數(shù)的光譜特征,提取冬小麥各項(xiàng)農(nóng)學(xué)參數(shù)的特征光譜和敏感光譜參數(shù),綜合使用最小二乘回歸、偏最小二乘回歸、支持向量機(jī)回歸等方法,建立各種農(nóng)學(xué)參數(shù)的估算模型,并應(yīng)用模型對(duì)高光譜影像進(jìn)行反演,得到冬小麥葉片、植株和冠層等不同尺度農(nóng)學(xué)參數(shù)的空間分布圖,取得了較高的精度,能夠?yàn)閰^(qū)域農(nóng)業(yè)生產(chǎn)提供科學(xué)決策的依據(jù)。研究得到的主要結(jié)論和取得的主要成果如下:(1)冬小麥的農(nóng)學(xué)參數(shù)和光譜特征隨著植株的生長(zhǎng)發(fā)育推進(jìn)而發(fā)生變化。從返青期到蠟熟期期,葉綠素含量和LAI先升高后降低;花青素含量先降低后升高,氮、磷含量在持續(xù)降低;鉀含量在蠟熟期之前持續(xù)降低,到蠟熟期含量升高。在可見(jiàn)光區(qū)域,葉片和冠層光譜反射率在返青期和灌漿期較高,拔節(jié)期、抽穗期和開(kāi)花期較低;在近紅外區(qū)域,葉片反射率從返青期到灌漿期變化不明顯,冠層反射率從返青期到灌漿期逐漸升高;蠟熟期冬小麥葉片和冠層光譜失去植被特征。(2)冬小麥葉片和冠層對(duì)葉綠素含量變化的響應(yīng)主要在350~800nm。在350~680nm范圍,隨著葉綠素含量的增加,反射率降低,光譜吸收程度加大,紅邊位置向長(zhǎng)波方向移動(dòng),紅邊幅值升高。葉片和冠層的SPAD值與光譜反射率在350~700nm范圍表現(xiàn)為顯著負(fù)相關(guān),在750~1000nm范圍表現(xiàn)為弱的正相關(guān);與一階導(dǎo)數(shù)光譜在710~760nm范圍內(nèi)表現(xiàn)為顯著正相關(guān),在670~690nm范圍表現(xiàn)為強(qiáng)負(fù)相關(guān);與連續(xù)統(tǒng)去除光譜在350~750nm范圍表現(xiàn)為顯著負(fù)相關(guān),其他波段基本不相關(guān)。冬小麥葉片和冠層SPAD值估算模型中,使用敏感光譜參數(shù)為自變量的SVR回歸模型精度最高。E_GNDVI、MRENDVI和(SDr-SDb)/(SDr+SDb)三個(gè)光譜參數(shù)是冬小麥葉片和冠層共有的葉綠素高度敏感光譜參數(shù)。(3)冬小麥葉片和冠層對(duì)花青素含量變化的響應(yīng)主要在350~800nm。在350~680nm隨著花青素含量的增加,光譜反射率升高,光譜吸收程度減弱,紅邊位置向短波長(zhǎng)方向移動(dòng)。葉片和冠層的Anth值與光譜反射率在525~700nm范圍表現(xiàn)為顯著正相關(guān),在730~1000nm范圍表現(xiàn)為弱負(fù)相關(guān);與一階導(dǎo)數(shù)光譜在480~550nm、670~690nm兩處表現(xiàn)為顯著正相關(guān),在710~760nm表現(xiàn)為顯著負(fù)相關(guān);與連續(xù)統(tǒng)去除光譜在500~650nm、680~750nm兩處表現(xiàn)為顯著正相關(guān),在750~1000nm葉片和冠層的Anth值與連續(xù)統(tǒng)去除光譜基本不相關(guān)。冬小麥葉片和冠層Anth值估算模型中,使用敏感光譜參數(shù)為自變量的SVR回歸模型精度最高。E_GNDVI、SDr/SDb、MRENDVI和(SDr-SDb)/(SDr+SDb)是冬小麥葉片和冠層共有的花青素高度敏感光譜參數(shù)。(4)隨著冬小麥LAI增大,冠層光譜在350~680nm反射率降低,在680~750nm紅邊范圍表現(xiàn)紅邊幅值升高、紅外位置“紅移”,在750~1150nm反射率升高。冬小麥LAI與冠層光譜反射率在350~750nm和1400~2500nm范圍顯著負(fù)相關(guān),在760~1300nm范圍顯著正相關(guān);與一階導(dǎo)數(shù)光譜在多個(gè)較窄的波段范圍內(nèi)顯著相關(guān);與連續(xù)統(tǒng)去除光譜在250~750nm和950~2450nm顯著負(fù)相關(guān)。冬小麥LAI估算模型中,使用敏感光譜參數(shù)為自變量的SVR回歸模型精度最高,任意波段光譜反射率兩兩組合構(gòu)建的光譜指數(shù)DSI(776,801)、RSI(776,801)和NDSI(776,801)是冬小麥LAI的最優(yōu)敏感光譜指數(shù)。(5)冬小麥N、P、K含量與各類(lèi)型光譜相關(guān)性變化規(guī)律一致:與光譜反射率在350~720nm和1350~2500nm顯著負(fù)相關(guān),在750~1150nm顯著正相關(guān);與一階導(dǎo)數(shù)光譜相關(guān)性隨波段變化較大,但相關(guān)系數(shù)較高;與連續(xù)統(tǒng)去除光譜在350~750nm、1300~1850nm和1950~2250nm顯著負(fù)相關(guān)。冬小麥N、P、K含量與多種光譜參數(shù)之間極顯著相關(guān)。通過(guò)波段組合尋優(yōu)得到三個(gè)分別與N、P、K含量高度敏感的光譜指數(shù):DSI(819,776)、DSI(918,790)和DSI(900,796),相關(guān)系數(shù)達(dá)到0.75以上。以多個(gè)光譜參數(shù)為自變量的SVR模型估算N、P、K含量精度最高。(6)SOC與SVC獲取的同種目標(biāo)物的光譜反射率基本一致;SOC影像光譜在750~1000nm與SVC光譜相比噪聲較大;在900~1000nm兩種儀器差異明顯,SOC光譜波動(dòng)劇烈,反射率隨波長(zhǎng)的增加明顯降低。SOC高光譜影像在400~900nm可以準(zhǔn)確反映地物光譜信息。冬小麥葉片不同部位的光譜特征不同,在400~700nm葉片中間部分反射率較低,底部和頂端反射率較高;在750~900nm葉片中間部分反射率較高,底部和頂端反射率較低。冬小麥植株不同組分和不同層位葉片光譜特征不同,在400~700nm穗部和莖稈反射率較高,葉片反射率較低;而對(duì)于不同層位的葉片,下層葉片反射率高于中、上兩層葉片;在750~900nm范圍,莖稈反射率較低,其他部位反射率差異不明顯。使用模型對(duì)SOC高光譜影像進(jìn)行反演得到的葉片和植株SPAD值和Anth值分布圖上,經(jīng)檢驗(yàn)預(yù)測(cè)值范圍及其分布與實(shí)測(cè)情況一致。(7)UHD與SVC獲取的相同地物的光譜在450~850nm范圍具有高度的一致性,從光譜反射率提取的綠峰、紅谷、紅邊等特征光譜信息沒(méi)有顯著差異;在850~1000nm范圍UHD影像光譜噪聲急劇增大,信噪比降低。UHD高光譜影像上地物光譜信息在450~850nm范圍是準(zhǔn)確可靠的。從UHD影像上根據(jù)樣點(diǎn)對(duì)應(yīng)的位置提取冬小麥各農(nóng)學(xué)參數(shù)的敏感光譜參數(shù),使用PLSR建立基于UHD影像的冬小麥各類(lèi)農(nóng)學(xué)參數(shù)估算模型,并使用模型對(duì)UHD高光譜影像進(jìn)行反演,得到開(kāi)花期和灌漿期冬小麥冠層SPAD值、Anth值、LAI以及N、P、K含量的空間分布專(zhuān)題圖,經(jīng)檢驗(yàn)各農(nóng)學(xué)參數(shù)分布圖上各類(lèi)農(nóng)學(xué)參數(shù)的預(yù)測(cè)值及分布位置與實(shí)測(cè)值一致,具有較高的精度,可以為農(nóng)業(yè)生產(chǎn)提供參考依據(jù)。
[Abstract]:......
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：S512.11;S127
，

本文編號(hào)：1504828