论文部分内容阅读
探讨冬小麦叶绿素、花青素以及叶面积指数的高光谱估算方法,为实现冬小麦叶绿素、花青素和叶面积指数的高效、无损、大面积监测提供理论依据。本文以陕西省关中地区冬小麦为研究对象,分别测定拔节期、抽穗期、开花期和灌浆期的SVC高光谱数据,抽穗期和开花期的无人机高光谱数据以及各生育期的叶绿素、花青素和叶面积指数值,分析不同生育期冬小麦叶片光谱变化规律,以及与SPAD、Anth、LAI的相关性,构建基于敏感波段、新光谱指数的一元估算模型和基于PLS的多元估算模型,并对模型进行精度验证;使用无人机高光谱数据构建的模型在无人机影像上进行反演填图,并与未参与建模的样点进行二次精度检验。主要研究结果如下:(1)冬小麦冠层叶片的SVC光谱特征:各生育期光谱“反射峰”出现于550 nm附近,峰值约为0.16-0.2,波段在680-1000 nm时,反射率快速升高,最终在720-1000nm波段形成高反射平台,反射率大于0.4。在一阶导数光谱中,红边波段是最大值。冬小麦叶片的无人机高光谱特征:可见光范围,各生育阶段光谱“反射峰”出现于550 nm处,“吸收谷”于670 nm附近;在680-750 nm波段范围反射率快速增加,在800nm波段附近达到最高,而后开始降低。(2)一阶导数光谱敏感波段建立的模型相比于原始光谱模型,预测的准精度有很大提升,且以开花期模型预测效果最好。在SPAD模型中,开花期的原始光谱和一阶导数光谱模型的R~2是0.7295、0.8961,RMSE是2.9425、1.8607;在Anth模型中,开花期的原始光谱、一阶导数光谱模型的R~2为0.7562、0.8524,RMSE最小,为0.0082、0.0064;在LAI模型中,开花期时原始光谱模型的R~2和RMSE为分别0.4201和0.5982,一阶导数光谱的R~2和RMSE为0.5753和0.5695。表明在开花期对叶绿素、花青素和叶面积指数测定具有较高的准确性,在精度许可的情况下,以开花期的一阶导数敏感波段构建的预测模型可以作为监测冬小麦农学参数的一种快速方法。(3)冬小麦叶绿素、花青素含量、叶面积指数与新光谱指数的相关性明显高于与传统光谱指数的相关性。在以新光谱指数构建的叶绿素一元预测模型中,开花期的DSI模型R~2较高,为0.8885,RMSE最小,为1.8782;在花青素模型中,开花期RSI模型的决定系数最高,为0.8679,RMSE最小,为0.0060;在LAI模型中,开花期RSI模型R~2为0.6586,RMSE为0.4388。表明各生育期的新光谱指数一元预测模型有较高的预测精度,能够作为测定冬小麦农学参数的良好模型。(4)各生育期基于PLS构建的SPAD、Anth和LAI的模型R~2最高,预测效果最佳。在SPAD和Anth预测模型中,拔节期的R~2是0.1051、0.1627,精度非常低,但是PLS模型R~2达到0.6240和0.7010,抽穗期时预测模型的决定系数从0.3759、0.3207提高到0.8275、0.8804,而开花期和灌浆期的PLS模型R~2同样很高;在LAI模型中,各生育期R~2分别从原始光谱的0.1199、0.3679、0.4201和0.3760,提高到PLS模型的0.6411、0.7179、0.7311和0.6672。因此基于PLS建立的多元预测模型是监测各农学参数的最优模型。(5)在以无人机高光谱构建的模型中,一阶导数光谱预测模型的R~2明显优于原始光谱,SPAD、Anth和LAI模型的预测效果均以开花期较优;各生长阶段农学参数和新光谱指数的相关性相较于和传统光谱指数相关性有较大提高;PLS模型相较于指数模型,R~2升高,RMSE降低,表明模型监测的准精度提升。叶绿素预测模型以开花期R~2最高为0.6613,RMSE为2.1381;花青素预测模型以开花期模型效果较好,R~2和RMSE为0.6161、00047;叶面积指数的开花期PLS模型R~2为0.6431,RMSE为0.3028,均具有高R~2和低RMSE。说明开花阶段是进行植物农学参数监测的最优生育阶段。(6)在无人机高光谱影像反演填图中,各生育期农学参数模型均以PLS模型的预测值平均值最接近实测值;使用验证集2数据对填图结果进行准精度验证时,各模型同样以PLS模型的拟合精度最佳,预测效果最好,可以准确地反映出研究区冬小麦的SPAD、Anth和LAI空间分布。