论文部分内容阅读
土壤重金属污染会对农作物的生长产生胁迫,由此带来日益严重的粮食安全问题,因此,快速精确的识别农作物的重金属胁迫具有重要的现实意义。遥感具有客观、实时、动态、多光谱等特征,成为作物重金属胁迫研究的有力工具。本文在前人研究的基础上,运用机器学习方法,从遥感物候的角度研究水稻重金属胁迫。选取湖南省株洲地区受重金属污染的水稻田作为实验区,采集水稻多个关键生长期的叶面积指数(LAI)数据、重金属含量数据和气象数据,并获取环境与灾害监测小卫星CCD影像、Landsat 7 ETM+影像、Landsat 8 OLI影像和MOD09A1产品。基于遥感物候学和数据挖掘算法,探讨了水稻重金属胁迫的识别方法,实现了研究区水稻重金属胁迫水平的分类。主要工作和结论如下:(1)基于遥感植被指数时间序列分析,结合农学规律和求导运算,提取水稻关键物候期。结果表明当水稻生长受到重金属胁迫时,水稻的物候会发生变化,而且,不同的重金属胁迫水平对物候的影响程度不同。针对单一物候指标区分重金属胁迫水平精度较低的问题,设计了一种新型遥感物候指标建立的方法,深入挖掘时间序列中的物候信息,提取对重金属胁迫更加敏感的物候指标,提高了重金属胁迫水平的识别精度。(2)水稻根系是直接接触土壤中重金属元素的部位,其受重金属毒害的程度比茎、叶等其他器官更大。本文根据提取的关键物候期,设置WOFOST作物生长模型中的物候参数,并确定同化的时相,实现了其与遥感数据的同化,得到水稻根系干重的变化。通过比较不同重金属胁迫下水稻根系干重的曲线,发现在抽穗期,不同胁迫水稻的根部干重相差较大,故选取抽穗期的根部干重作为识别重金属胁迫敏感的生物学特征。(3)将上述研究获得的物候指标与根部干重作为遥感识别重金属胁迫的高维特征集,并设计了一种特征优选的策略。结果表明,与原始高维特征集相比,依据筛选的最优特征子集,对重金属胁迫水平的分类精度提高了1%。(4)依据集成学习的思想,对随机森林(RF)和梯度提升(GB)算法进行集成,基于最优特征子集,训练集成分类模型,实现重金属胁迫水平的分类。结果表明,集成模型能够实现重金属胁迫水平的精确分类,整体分类精度达到98%以上,比单独应用随机森林或梯度提升算法提高了2%-3%。