本文選題：小麥 + 苗情診斷參數(shù)　； 參考：《揚州大學(xué)》2016年博士論文

【摘要】：小麥?zhǔn)俏覈彩墙K省的主要糧食作物之一。在目前小麥栽培與管理的實際過程中,相對于采用技術(shù)人員定點調(diào)查等傳統(tǒng)的小麥生長生產(chǎn)監(jiān)測方法,遙感技術(shù)能及時、快捷并無破壞地監(jiān)測預(yù)報大面積的小麥生長狀態(tài),但是,遙感監(jiān)測預(yù)報精度還不能完全滿足實際生產(chǎn)管理需要,為此,前人已進行了相關(guān)的研究,其中利用遙感數(shù)據(jù)構(gòu)建經(jīng)驗統(tǒng)計模型定量反演能夠反映小麥生長狀態(tài)的一些苗情關(guān)鍵參數(shù)的研究得到了廣泛開展,在此方向的研究顯示,構(gòu)建統(tǒng)計模型所需的算法對遙感監(jiān)測精度有很重要的影響。然而,現(xiàn)階段與建模算法相關(guān)的國內(nèi)外文獻數(shù)量不多,且其中多數(shù)文獻局限于研究使用相關(guān)算法遙感監(jiān)測某一個農(nóng)學(xué)參數(shù),或只是針對小麥某一個生育期展開使用相關(guān)算法遙感監(jiān)測其農(nóng)學(xué)參數(shù)的研究,而針對小麥主要生育期的多個苗情診斷關(guān)鍵參數(shù),系統(tǒng)分析、評價并比較基于不同算法構(gòu)建遙感監(jiān)測模型的實用性和預(yù)測性研究卻少有涉及。鑒于如上所述,為提高小麥生長狀態(tài)的遙感監(jiān)測精度,進而指導(dǎo)大面積小麥田間生產(chǎn),最終實現(xiàn)高產(chǎn)、高效、安全、低耗、優(yōu)質(zhì)生產(chǎn),本研究以江蘇省的泰興、姜堰、興化和儀征地區(qū)2010（-2）013年稻茬小麥為研究對象,圍繞小麥拔節(jié)、孕穗和開花期的葉面積指數(shù)(LAI)、生物量、葉片氮含量(LNC)和葉片SPAD值等苗情診斷關(guān)鍵參數(shù),以各生育期相應(yīng)的環(huán)境衛(wèi)星HJ-CCD遙感信息為支撐,比較基于不同多元回歸算法構(gòu)建的遙感監(jiān)測模型的可行性及預(yù)測性,旨在為提高大田尺度下的小麥苗情診斷關(guān)鍵參數(shù)遙感監(jiān)測預(yù)報精度提供技術(shù)和方法。本研究的主要內(nèi)容和結(jié)果如下：(1)分析主要生育期小麥苗情診斷關(guān)鍵參數(shù)與遙感變量間的相關(guān)性,以0.01水平下顯著相關(guān)為依據(jù),結(jié)果表明在拔節(jié)和開花期分別選用NRI、RVI、NDVI、GNDVI、SIPI、SAVI、 OSAVI和PSRI共8種植被指數(shù),孕穗期選用NDVI、GNDVI、SIPI、SAVI、OSAVI和IPSRI這6種植被指數(shù),監(jiān)測小麥葉面積指數(shù)是可行的；遙感監(jiān)測小麥拔節(jié)、孕穗和開花期的地上干生物量時,各期均可選用NDVI、SAVI、OSAVI、NRI、GNDVI、SIPI、PSRI、RVI、 CRI、EVI、MSR、NLI、RDVI、TVI、和MTVI2這15個植被指數(shù)作為敏感遙感變量；遙感監(jiān)測小麥葉片氮含量時,拔節(jié)期選用NDVI、GNDVI、SIPI、RVI、SAVI、OSAVI、MSAVI和EVI這8種植被指數(shù),孕穗期選用NRI、PSRI、NDVI、GNDVI、SIPI、RVI、SAVI、OSAVI、 MSAVI和EVI共10種指數(shù),開花期選用NDVI、NRI和PSRI這3種植被指數(shù),分別作為各生育期的敏感遙感變量；遙感監(jiān)測小麥葉片SPAD值時,拔節(jié)期選用NRI、RVI、 NDVI、GNDVI、 SIPI、SAVI、OSAVI和PSRI共8種植被指數(shù),孕穗期選用NDVI、NRI、RVI、SAVI和OSAVI這5種植被指數(shù),開花期選用RVI、NDVI、GNDVI、SIPI、SAVI、OSAVI和PSRI共7種植被指數(shù),分別作為各生育期的敏感遙感變量。(2)使用多種回歸算法構(gòu)建主要生育期小麥各苗情診斷關(guān)鍵參數(shù)的遙感監(jiān)測模型。分別針對每個生育期(拔節(jié)、孕穗和開花期)的LAI、生物量、LNC和SPAD各長勢參數(shù),以2010（-2）012年小麥數(shù)據(jù)為訓(xùn)練集,將篩選的敏感遙感變量作為輸入變量,以長勢參數(shù)為輸出變量,分別采用傳統(tǒng)多元線性(ML, Multiple Linear)、偏最小二乘(PLS, Partial Least Squares)、人工神經(jīng)網(wǎng)絡(luò)(ANN, Artificial Neural Networks)、單核支持向量回歸(SK-SVR, Single-Kernel Support Vector Regression)、雙核支持向量回歸(DK-SVR, Double-Kernel Support Vector Regression)和隨機森林回歸(RF, Random Forest)共6種回歸算法建立每個生育期各長勢參數(shù)的遙感反演多因子模型。利用獨立于建模集的2013年小麥實測數(shù)據(jù),結(jié)合決定系數(shù)R~2和均方根誤差RMSE這兩個評價指標(biāo)及實測值與模型預(yù)測值之間的1：1關(guān)系圖,系統(tǒng)性地評價并比較了所建模型的實用性及預(yù)測性,進而通過對各生育期模型性能比較確定最佳模型。(3)明確了遙感監(jiān)測小麥主要生育期葉面積指數(shù)(LAI)的各模型性能。研究結(jié)果表明,監(jiān)測拔節(jié)、孕穗和開花期小麥LAI的最佳模型均為DK-SVR模型,3個生育期模型估測值與實測值之間的決定系數(shù)R~2和均方根誤差RMSE依次為：0.76和0.29,0.80和0.47,0.67和0.55,且各生育期的模型預(yù)測值與實測值擬合良好,同時,基于ML和ANN的模型監(jiān)測這3個生育期LAI的效果最差；拔節(jié)期其余3個模型性能由高到低依次為SK-SVR模型(R~2=0.71,RMSE=0.43)、PLS模型(R~2=0.65, RMSE=0.40)和RF模型(R~2=0.49,RMSE=1.41);孕穗期其余3個模型性能由高到低依次為SK-SVR模型(R~2=0.78,RMSE=0.58)、PLS模型(R~2=0.75, RMSE=0.74)和RF模型(R~2=0.32, RMSE=1.13);開花期其余3個模型性能由高到低依次為RF模型(R~2=0.52, RMSE=0.57). PLS模型(R~2=0.45, RMSE=0.64)和SK-SVR模型(R~2=0.33, RMSE=0.84)。(4)明確了遙感監(jiān)測小麥主要生育期地上干生物量的各模型性能。研究結(jié)果顯示,在小麥拔節(jié)、孕穗和開花各期的6個模型中,RF模型均表現(xiàn)出最佳的預(yù)測能力,3個生育期RF預(yù)測值與實測值間的決定系數(shù)R~2和均方根誤差RMSE依次為：0.53和477 kg.hm'2,0.72和1126 kg.hm（-2）,0.79和1808 kg.hm（-2）。拔節(jié)期次優(yōu)模型為DK-SVR模型(R~2=0.50,RMSE=505.5 kg.hm（-2）)和SK-SVR模型(R~2=0.47, RMSE=509.5kg.hm"2),而基于ML. PLS和ANN的模型監(jiān)測該生育期生物量的效果最差；在孕穗期和開花期,基于ANN的模型監(jiān)測小麥生物量的效果最差,其余4個模型性能由高到低依次為DK-SVR模型(孕穗期R~2=0.67,RMSE=1389.2 kg.hm（-2）;開花期R~2=0.65, RMSE=2058.1 kg.hm（-2）)、SK-SVR模型(孕穗期R~2=0.51, RMSE=1422.3 kg.hm（-2）;開花期R~2=0.62, RMSE=2174.2kg.hm（-2）)、ML模型(孕穗期R~2=0.53, RMSE=1461.5 kg.hm（-2）;開花期R~2=0.49, RMSE=2454.4kg.hm（-2）)和PLS模型(孕穗期R~2=0.48, RMSE=1521.7kg.hm（-2）;開花期R~2=0.49, RMSE=2803.6kg.hm（-2）)。(5)研究表明了遙感監(jiān)測小麥主要生育期葉片SPAD值的各模型性能。綜合考慮模型預(yù)測值與實測值之間的一致性,并且同時考慮二者之間的決定系數(shù)R~2和均方根誤差RMSE,結(jié)果顯示,基于ML的模型監(jiān)測小麥拔節(jié)、孕穗和開花期的葉片SPAD值時效果最差；在小麥拔節(jié)期,確定DK-SVR模型為最佳模型,預(yù)測值與實測值間的R~2和IRMSE為：0.65和1.58,其它4個模型按性能由高到低依次為：RF模型(R~2=0.55, RMSE=2.11)、SK-SVR模型(R~2=0.57,RMSE=2.31)、ANN模型(R~2=0.43, RMSE=3.06)和PLS模型(R~2=0.40,RMSE=3.42);在孕穗期,確定RF為最優(yōu)模型(R~2=0.72, RMSE=2.2),其余4個性能由高到低的模型為：DK-SVR模型(R~2=0.57, RMSE=2.10)、SK-SVR(R~2=0.52, RMSE=2.30)、 PLS模型(R~2=0.47, RMSE=5.76)和ANN模型(R~2=0.43, RMSE=2.80);在開花期,確定RF為最優(yōu)模型(R~2=0.60, RMSE=3.16),同時結(jié)果顯示,基于PLS的模型預(yù)測效果不好,其余3個模型為：DK-SVR模型(R~2=0.52, RMSE=3.03)、SK-SVR (R~2=0.48, RMSE=3.07)和ANN模型(R~2=0.46, RMSE=3.20).(6)闡明了遙感監(jiān)測小麥主要生育期葉片氮含量(LNC)的各模型性能。結(jié)果表明,基于DK-SVR算法構(gòu)建的模型是分別遙感監(jiān)測小麥拔節(jié)、孕穗和開花各期LNC的最佳模型,各生育期的模型預(yù)測值與實測值之間顯示出良好的一致性,二者間的決定系數(shù)R~2和均方根誤差RMSE分別為：拔節(jié)期的R~2=0.73, RMSE=0.13,孕穗期的R~2=0.82, RMSE=0.21,開花期的R~2=0.75, RMSE=0.20; SK-SVR模型和PLS模型均為各生育期的次優(yōu)模型,3個生育期SK-SVR模型的R~2和RMSE依次為：0.61和0.16,0.77和0.29,0.72和0.21,同時,PLS模型的R~2和RMSE依次為：0.59和0.23,0.77和0.31,0.52和0.26；結(jié)果還表明,基于ML、ANN和RF的模型監(jiān)測這3個生育期LNC的效果最差。
[Abstract]:In the light of the above , the research on the application and predictability of remote sensing monitoring model based on remote sensing data has been carried out in order to improve the accuracy of remote sensing monitoring . The 6 vegetation indexes of GNDVI , SIPI , SAVI , OSA VI and IPSRI are feasible to monitor the leaf area index of wheat ;
On the ground dry biomass of wheat jointing , booting stage and flowering period of remote sensing monitoring , the 15 vegetation indexes of these 15 vegetation indices were selected as sensitive remote sensing variables .
When the nitrogen content of wheat leaves was monitored by remote sensing , 8 kinds of vegetation indexes were selected for the period of jointing , namely , the eight kinds of vegetation indexes , such as NRI , PSRI , SAVI , VVI , SIPI , RVI , SAVI , OSA VI , MSAVI and EVI , were selected during the booting stage , and the three vegetation indexes were selected as sensitive remote sensing variables for each growth period .
When the SPAD value of wheat leaf was monitored by remote sensing , eight kinds of vegetation indexes were selected from NRI , RVI , RVI , GNDVI , SIPI , SAVI , OSA VI and PSRI during the jointing period . The five kinds of vegetation indexes , RVI , NRI , RVI , SAVI and OSA VI were selected during booting stage , and seven vegetation indexes were selected as sensitive remote sensing variables for each growth period . (2)浣跨敤澶氱鍥炲綊綆楁硶鏋勫緩涓昏鐢熻偛鏈熷皬楹﹀悇鑻楁儏璇婃柇鍏抽敭鍙傛暟鐨勯仴鎰熺洃嫻嬫ā鍨，

本文編號：1884494