论文部分内容阅读
玉米作为农作物代表之一，其种植面积在农作物种植面积中居第三位，仅次于小麦和水稻。玉米不仅是重要的粮食作物，同时也是重要的饲料和工业原料，其产值是我国国民经济的重要组成部分。因此，对玉米长势进行研究具有重要意义。而叶面积指数（LAI）是用来反映植物叶面数量和监测病虫害的有效参数，是表征植被长势和预测作物产量的重要参数，在植被农作物定量遥感方面起到重要作用。本文以吉林省长春市西部的合心镇与合隆镇玉米生产区为实验区，利用冠层分析仪WinScanopy地面实测30个样地的玉米叶面积指数（LAI），利用GPS定位技术将野外实测数据与高光谱Hyperion影像相对应，从影像上获取光谱指标，并将其与LAI进行相关分析。由于高光谱数据具有波段多、光谱分辨率高、波段宽度窄等特点。因此，借助MATLAB软件编程，选取遥感影像上较敏感的光谱指标，以此作为自变量，分别构建定量估测LAI的一元回归模型、基于主成分分析的多元逐步回归模型，并用检验样本对估测模型的结果进行精度验证，选出最优估测模型，利用该模型反演并制图获取研究区玉米叶面积指数。经实验证实，高光谱遥感可以实现大范围、快速、较精确的获取玉米叶面积指数。根据以上研究可以得出以下结论：（1）运用10种一元线性与非线性统计回归模型，对提取的敏感光谱波段进行分析，将单波段反射率及其一阶微分作为因子与玉米LAI建立回归关系。在研究波段范围内，单波段反射率与LAI相关性最好的模型是在波段为894.9nm处的三次多项式回归模型，其相关系数R为0.66，对模型进行精度验证，相对误差为7.491%。而经过光谱一阶微分与LAI相关性最好的模型是在波段为732.1nm的二次多项式回归模型，其相关系数R为0.68，模型的相对误差为4.169%。由上看出，对原始光谱经过一阶微分处理后，与LAI的相关性提高，回归模型的误差也相对减少，估测精度显著提高。（2）在进行植被指数分析过程中，共选取五种植被指数，通过MATLAB软件编程，选取组合植被指数较好的波段，其中组成NDVI、RVI与MSR植被指数的波段分别为752.4nm与701.5nm，而SAVI与MSAVI则选取823.7nm与701.5nm波段。经过一元回归分析得出：以SAVI为自变量的指数函数回归模型Y=1.171e1.064x的相关系数最高为0.674，估测结果的相对误差为2.901%，估测精度高于以单波段为自变量的回归模型。将五种植被指数进行多元回归分析时，首先基于主成分分析理论，在保证信息量损失最小的情况下，对原变量进行降维，经处理以五种因子为自变量的原始变量，可以提取两个主成分，且这两个主成分的累计贡献率达到99.064%，保证了原数据的信息几乎没有损失，经过主成分分析得到的多元逐步回归模型Y=2.796+0.052*F1+0.04*F2（F1、F2代表提取的两个主成分），相对误差为3.123%，其估测精度低于以SAVI植被指数为自变量的回归模型。（3）对各回归模型进行分析，其估测精度均在90%以上，其中以SAVI为自变量的指数回归模型的估测精度最高，利用此回归模型来反演研究区玉米叶面积指数，并绘制成图。通过研究可知：利用遥感影像对玉米LAI进行快速、高精度、大范围的定量估测是可行的，这将有力地推动我国粮食作物遥感理论的研究与应用。