论文部分内容阅读
冬小麦是我国重要的商品粮品种之一。传统的小麦生理生化指标的测量大都采用田间破坏性的采样手法和实验室分析的手段,费时、费力,大都是事后性和破坏性的,只能做到“点尺度”上采样,因而不适合大面积开展。而利用高光谱遥感技术无损、快速地监测冬小麦生长状态,获取小麦生理生化指标来指导其农业生产,对促进我国小麦生产具有重大的意义。本研究以山东省肥城市抽穗期的冬小麦为研究对象,以大田试验为依托,分别利用地物光谱仪和光合仪获取其叶片光谱数据和光合数据,同时在实验室内测定小麦叶片的叶绿素含量,可溶性糖含量等生理生化指标。基于高光谱遥感无损处理技术,探讨了抽穗期冬小麦叶片反射光谱及其一阶导数、倒数、对数光谱的光谱特征和变化规律,以及采用BP神经网络模型构建方法,分析了叶绿素含量、可溶性糖、蒸腾速率及净光合速率与光谱数据的定量关系,建立了抽穗期冬小麦叶片叶绿素含量、可溶性糖含量、蒸腾速率及净光合速率间的BP神经网络估测模型,并对所构建的模型进行检验,从而筛选出最优估测模型。主要结论如下:(1)在325nm~400 nm,叶片光谱反射率对不同的生理生化指标响应不大。在可见光400nm~760 nm,叶片的蒸腾速率,净光合速率等生理生化指标响应较大,其变化规律为随着净光合速率的增加,光谱反射率减小。在近红外760nm~1 000 nm,小麦叶片光谱反射率对叶片叶绿素、可溶性糖的响应较强,其中,光谱反射率随着叶绿素含量的降低而升高,随着小麦叶片可溶性糖含量的升高而增加。(2)对于小麦叶片叶绿素,一阶导数变换后确定的特征波段为:751nm,761nm,773nm,785nm,倒数变换后的特征波段为442nm,514nm,541nm,721nm,对数变换形式的特征波段为:442nm,518nm,520nm,548nm。筛选出的特征光谱指数为GNDVI,CIrededg以及Rg,SDg。基于特征波段以及敏感光谱参量建立叶绿素BP神经网络估测模型,最终确定最优冬小麦叶绿素估测模型是基于一阶导数及倒数光谱变换形式建立的BP神经网络模型。(3)对于小麦叶片蒸腾速率,对数对提高光谱数据与蒸腾速率相关性的作用相对较小,而一阶导数和倒数能够有效提高与叶绿素含量的相关性,其特征波段分别是348nm,555nm,752nm,947nm以及505nm,651nm,781nm,811nm。光谱参量中,与小麦叶片蒸腾速率相关性较高的是PSSRb,Msr705两个植被指数。并且PSSRb,Msr705这两种植被指数的各项精度评价指标表现均较好,将这两种植被指数建立的冬小麦叶片蒸腾速率BP神经网络模型作为建模的优选方案。(4)对于小麦叶片净光合速率,在对小麦叶片的原始光谱反射率进行的三种变换形式都能够有效提高与叶绿素含量的相关性,因此对小麦叶片的原始光谱进行一阶导数变换后的光谱数据中选取401nm,607nm,761nm,809nm作为特征波段,倒数变换后特征波段为:421nm,481nm,540nm,741nm,对数变换后的特征波段为421nm,482nm,535nm,736nm。特征光谱指数为RVI1和TVI两个植被指数以及Rg,SDg两个光谱特征参数。筛选出基于倒数及对数光谱变换形式建立的BP神经网络模型作为冬小麦叶片净光合速率BP神经网络模型优选方案。(5)对于小麦叶片可溶性糖,其一阶导数变换后得到的特征波段为616nm,760nm,811nm,890nm,倒数变换后得到的特征波段为484nm,556nm,612nm,700nm,对数变换后得到的特征波段为452nm,480nm,572nm,613nm。将与小麦叶片可溶性糖相关性较高的SDg和Rr两个光谱特征参数作为可溶性糖的敏感光谱参量。而在研究选取的33个植被指数中,并没有可以很好的估测小麦叶片可溶性糖含量的植被指数。