论文部分内容阅读
精准农业是综合运用现代农业信息技术的思想和实践,是实现优质、高效、低耗、和环保的农业生产根本途径。高光谱遥感技术凭借其光谱信息量大、光谱分辨率高、波段连续性强的优点,能对作物的理化参量进行无损、快速的检测,以弥补传统化学分析方法获取作物理化参量的缺陷,使其成为精准农业技术体系的重要组成部分,应用面及重要性越来越来大。小麦作为我国重要的粮食作物,利用高光谱技术获取其生长状态的实时信息,对实现小麦的精准农业管理尤为重要。本研究以抽穗期冬小麦为研究对象,以大田试验以及采样试验为依托,通过实测获取冬小麦的冠层反射光谱、叶面积指数,实验室测定叶片叶绿素与氮元素含量。充分分析小麦的冠层反射光谱特征以及光谱信息与所测的理化参量的相关性,筛选出敏感波段和特征光谱参数,构建了高光谱植被指数,利用不同的建模方法来确立冬小麦理化参量的估测模型,并对模型进行了验证和优化。研究的主要结果有:(1)在可见光区域(360700nm)冬小麦(抽穗期)冠层的光谱反射率均较低,其光谱曲线存在2个吸收谷和1个反射峰,即490nm的蓝光、680nm的红光和550nm的绿光。在短波近红外呈强烈反射,特别是在690750nm区域反射率急剧上升形成植被光谱最重要的特征。(2)当冬小麦冠层叶绿素相对含量不同时,其特征波段的反射率会发生上下偏移,在可见光区域,叶绿素含量越高,光谱曲线越向下偏移;在红外高台位置的反射率随着叶绿素含量的增大而向上偏移。冬小麦抽穗期冠层光谱反射率与叶绿素含量值的相关性在可见光区域400720nm达到显著相关,在594nm处达到最大。经过一阶微分变换后获取的导数光谱能提高与叶绿素含量的相关性,但是波动性较大。基于可见光-红外的诸如绿峰、红谷、“三边”等光谱特征变量大多数与冬小麦叶绿素含量有较好的相关性。从其中优选出的以植被指数REP为自变量来构建出的估测模型y=1.196x-844.54可较好估测冬小麦叶绿素含量,是进行叶绿素含量估测的优选指数。(3)不同叶面积指数水平下的冬小麦冠层光谱反射率在各个波段有明显差别,520580n m附近的可见光反射峰处的反射率随着叶面积指数的增大而降低,而近红外平台波段因为冠层结构的作用使反射率随着叶面积指数的增大而升高。叶面积指数与可见光波段(460710nm)的反射率呈负相关关系,在7601000nm处的近红外波段呈显著正相关关系。通过挑选敏感波段来构建植被指数,以比值植被指数RVI(698,892)植被指数构建的模型为y=0.415x+0.510为最佳估测模型,其拟合决定系数R2为0.6604,均方根误差RM SE为0.861,相对误差RE%为13.68,能够较好的估测冬小麦抽穗期的叶面积指数。(4)在可见光波段(400720nm)内,叶片氮含量与其冠层光谱反射率呈负相关,在(543nm640nm)间达到极显著相关水平。原始反射光谱经一阶微分后,叶片氮含量与光谱反射率的相关性有了较为明显的提高,将选取的原始反射和一阶微分的特征波段和选取与氮含量相关的植被指数被指数作为自变量,进行多元逐步回归。以RI1dB、mSR705、mNDVI705为自变量构建的模型y=0.84x1-0.42x2+0.571x3-0.392和以FD509、FD685、FD536为自变量构建的模型y=-135.97x1+101.43x2-100.8x3+0.263的估测精度最好,是估测冬小麦抽穗期叶片氮含量的最佳模型。(5)通过使用SVM建模方法对这三个理化参量的估测模型进行优化,发现SVM模型较之单变量或多变量模型都有更高的精度和稳定性,校正集和验证集的R2都有不同程度的提高,均方根误差RMSE和相对误差RE均有降低,表明支持向量机模型是冬小麦理化参量估测建模的优选方法,具有应用潜力。