论文部分内容阅读
民以食为天,食以稻为先。水稻作为我国三大主粮之一,占据着“可三日无肉,不可一餐无米”的重要地位。一季稻作区作为我国优质水稻主产区,主栽寒地水稻品种的增产增收是保障国家粮食安全的重要环节,也是维持我国社会稳定、经济繁荣的重要保障。但随着农业供给侧结构性改革的实施,国内水稻种植面积逐渐减少,这就要保证在有限的土地资源上增加水稻单产。精细农业作为增加农作物单产的关键措施,其应用与实施是保障水稻增产增收的核心关键,而作物表型信息的获取与解析是实施精细农业的前提保障。田间作物表型信息是农作物生长状态、健康状况的直观体现,是影响作物生产管理决策的重要因素。实时、高效、准确的获取大尺度农田作物表型信息可为农业信息化精准管理、水肥药精准施用提供参考,是发展现代化农业、推动精准农业实施的核心依据。无人机低空遥感作为一种新兴的技术手段,凭借其高时空分辨率、低成本、机动灵活、对复杂农田环境适应性强等优势,正逐渐成为最主要的农作物大面积无损检测手段之一,在精准农业应用中发挥巨大作用。本研究围绕无人机多光谱遥感获取作物表型信息的关键技术,以绥稻（SUI）和龙粳（LJ）两种典型圆粒和长粒寒地水稻品种为研究对象,结合图像和光谱预处理方法,提出了优选植被指数和纹理指数等多种数据挖掘方法和机器学习算法,选出对水稻表型信息最敏感的植被指数和特征波长,建立了寒地水稻叶绿素（SPAD）、叶面积指数（LAI）和籽粒产量的遥感定量模型,增加了预测模型的准确性和鲁棒性,为农作物表型信息获取以及精细农业的应用实施提供了理论基础和技术支撑,对我国一季稻作区寒地水稻生长信息及产量监测具有重要的指导意义。本研究主要内容如下:（1）基于无人机多光谱影像的寒地水稻移栽期秧苗识别基于两种非监督分类算法、六种监督分类算法以及三种植被指数分类方法对SUI和LJ两品种寒地水稻移栽期秧苗进行提取,阐述了非监督分类算法、监督分类算法以及植被指数分类方法对水田环境下两品种水稻秧苗提取的准确度和适应性。得出非监督分类算法中K-means分类算法对SUI的分类效果较好,总精度达到96.45%,Kappa系数为0.89。ISODATA分类算法对LJ的分类效果较好,总精度达到96.95%,Kappa系数为0.92。得出监督分类算法中最大似然监督分类算法对SUI和LJ两品种寒地水稻的分类效果最好,总精度分别达到98.03%和97.30%,Kappa系数分别为0.95和0.92。得出三种植被指数中Ex G植被指数对SUI和LJ的分类效果较好,总精度分别达到96.51%和96.39%,Kappa系数分别为0.95和0.92。综合不同分类方法,得出最大似然监督分类法对SUI和LJ两品种寒地水稻的分类效果最佳,为移栽期水田环境下寒地水稻提供最佳分类方法。（2）基于无人机多光谱影像的寒地水稻分蘖期叶面积指数估算探究了植被指数（VIs）、纹理指数（TIs）以及VIs-TIs融合的三种特征参数对SUI和LJ两品种寒地水稻LAI值的最佳估算模型。得出基于PLSR建立的VDVI-NGRDI-Ex G-EVI多植被指数组合模型对SUI和LJ验证集LAI值的决定系数R~2分别为0.64和0.60,与单植被指数估算水稻LAI值相比有较大提升。基于PLSR建立的RTI-NDTI-DTI多纹理指数组合模型对SUI和LJ验证集LAI值的决定系数R~2分别为0.64和0.66,建模精度优于多植被指数组合。基于PLSR建立的VDVI-NGRDI-Ex G-EVI-RTI-NDTI-DTI多纹理-植被指数组合模型对SUI和LJ两水稻品种LAI值验证集精度最高,模型对验证集估算的决定系数R~2分别为0.74和0.76。可见融合植被指数与纹理指数所建立的寒地水稻LAI值估算模型精度最高,与多植被指数以及多纹理指数所建立的模型相比,验证精度显著提升。所建立的基于植被指数与纹理指数融合的高精度寒地水稻LAI值估算模型较现有模型提高了12.1%。（3）基于无人机多光谱影像的寒地水稻分蘖期叶绿素SPAD值估算探究了分蘖期单植被指数与多植被指数组合对寒地水稻SPAD值最佳估算模型。得到单植被指数GCI与SUI和LJ两品种寒地水稻SPAD值相关性最高并呈正相关,并且对SUI和LJ两水稻品种LAI值验证集的决定系数R~2分别为0.57和0.59。得到基于SVR建立的CIRE-GCI-OSAVI-CCCI多植被指数组合对SUI和LJ两水稻品种LAI值验证集估算精度最高,模型决定系数R~2分别为0.77和0.79,与单植被指数相比估算精度有较大提升。所建立的基于CIRE-GCI-OSAVI-CCCI的高精度寒地水稻SPAD值估算模型较现有模型提高了15.2%。（4）基于时序的无人机遥感影像水稻籽粒产量预测方法研究探究了多生育期植被指数组合、分蘖期水稻生长参数以及融合多生育期植被指数和分蘖期水稻生长参数对SUI和LJ两品种寒地水稻籽粒产量的最佳预测模型,明确了水稻籽粒产量的最佳预测方法。得到了基于PLSR的四生育期植被指数组合的建模精度最高,其中Ex GPS-GCITS-NDVIJS-MTVI2MS对SUI籽粒产量验证集的决定系数R~2为0.72,Ex GPS-CCCITS-GCIJS-NDVI2MS对LJ籽粒产量验证集的决定系数R~2为0.74。探究了分蘖期SPAD(SPADTS)和LAI(LAITS)对SUI和LJ两品种寒地水稻籽粒产量的预测精度,得到基于LAITS所建立的SUI和LJ籽粒产量验证集模型的决定系数R~2均为0.53,SPADTS所建立的SUI和LJ籽粒产量验证集模型的决定系数R~2分别为0.62和0.60。得出SPADTS和LAITS对SUI和LJ两品种寒地水稻籽粒产量预测精度较低。融合多生育期植被指数和分蘖期水稻生长参数所建立的籽粒产量预测模型精度最高,其中基于PLSR建立的Ex GPS-CCCITS-GCIJS-NDVI2MS模型对SUI和LJ籽粒产量验证集决定系数R~2分别高达0.81和0.82,对寒地水稻产量的预测结果最佳。最终建立的寒地水稻产量预测模型较现有模型的精度提高了8.6%。（5）寒地水稻生长信息空间分布反演与分析建立了分蘖期SUI和LJ两品种寒地水稻LAI值、SPAD值以及籽粒产量的空间分布结果图。得出研究区内SUI品种分蘖期LAI值在2.8～4.4之间,SPAD值在35.0～42.2之间,籽粒产量在9235kg/ha～9515kg/ha之间。LJ品种分蘖期LAI值在3.7～5.3之间,SPAD值在36.5～47.6之间,籽粒产量在8850kg/ha～9330kg/ha之间。研究区四周寒地水稻LAI值、SPAD值以及籽粒产量分布较低,但其他区域分布较为均匀。所得结果能够为寒地水稻田间水肥管理以及植保决策提供支持。本研究探明了无人机遥感对寒地水稻生长监测及估产研究的应用价值与巨大优势。本研究提出的水稻秧苗分类方法,以及叶面积指数、叶绿素含量和产量预测方法的技术路径能够为精细农业提供高效精准的技术支撑,对我国作物田间生长信息获取及产量预测方法的探究具有重要指导意义。