论文部分内容阅读
能够及时准确地预测作物籽粒产量和蛋白质含量是当今农业遥感的重要目标。无人机作为新兴低空遥感平台,具有操作简便,灵活性高,可按需调节高度等特点,为农情遥感应用提供了新的途径。本研究以冬小麦为研究对象,于2018-2019年间分别在江苏省徐州市睢宁县、泰州市兴化市和苏州市昆山市开展了不同播期、不同播种密度和不同施氮水平处理下的冬小麦田间互作试验。试验采用DJIM600Pro六旋翼无人机搭载Airphen多光谱相机获取冬小麦主要生育时期的冠层多光谱影像数据,同时破坏性取样测试冬小麦叶面积指数（leafareaindex,LAI）、叶干重（leaf dry matter,LDM）和叶片氮含量（leaf nitrogen content,LNC）,并在收获后测算籽粒产量和蛋白质含量。通过对获取的冬小麦冠层多光谱影像进行预处理后,可以提取出冬小麦冠层光谱反射率并构建合适的植被指数,采用多种建模方法分别建立了的冬小麦LAI监测模型、LDM监测模型、籽粒产量预测模型、LNC监测模型和籽粒蛋白质含量（grain protein content,GPC）预测模型。研究结果为农田等中小区域尺度冬小麦长势的实时监测、籽粒产量和蛋白质含量的准确预测提供了可靠的理论支持和技术支撑。本文首先基于多旋翼无人机搭载多光谱传感器获取的冬小麦冠层影像,利用简单线性回归（simple linear regression,SLR）方法建立了冬小麦的LAI监测模型和LDM监测模型。LAI和LDM作为两个与产量密切相关的长势指标,证明其监测的可行性具有重要意义。试验结果显示,由红边波段和近红外波段组合构建的植被指数与冬小麦全生育期LAI和LDM相关性最好。其中,全生育期的RESAVI为建立冬小麦LAI监测模型的最优植被指数,建模R2达到0.74,验证R2为0.76,且相对均方根误差（relative root mean square error,RRMSE）为0.1990;全生育期的NDRE为建立冬小麦LDM监测模型的最优植被指数,建模R2达到0.74,验证R2为0.74,且RRMSE为0.2337。结果表明基于多旋翼无人机遥感平台搭载多光谱传感器能较好地监测冬小麦的长势状态。在探索基于多旋翼无人机多光谱的冬小麦籽粒产量预测模型构建过程中,采用了包括简单线性回归、多元线性回归（multiple linearregression,MLR）、逐步多元回归（stepwise multiple linear regression,SMLR）、偏最小二乘回归（partial least squares regression,PLSR）、人工神经网络（artificial neural network,ANN）和随机森林（random forest,RF）在内的6种建模方法进行了模型精度上的比较分析。试验结果显示,由红边波段和近红外波段组合构建的植被指数与籽粒产量的相关性较好;多个植被指数建立的冬小麦籽粒产量预测模型的预测精度优于单一植被指数;PLSR、ANN、RF等机器学习方法建立的籽粒产量预测模型预测精度优于一般的简单回归方法。结果表明,开花期的NDRE建立的籽粒产量预测模型为最优的单一植被指数预测模型,建模R2达到0.7838,验证R2为0.7000,且RRMSE为0.1307;本研究最优的冬小麦籽粒产量预测模型由拔节期的NDVI、孕穗期的NDVI、开花期的NDVI和灌浆期的NDVI四个生育时期的植被指数构建,建模采用RF方法,模型验证R2为0.7800,且RRMSE为 0.1030。进一步研究基于多旋翼无人机搭载多光谱传感器获取的多光谱影像,利用SLR方法建立冬小麦LNC监测模型。LNC是冬小麦重要的氮素指标之一,它将直接影响到最终GPC的形成。试验结果显示,由红边波段和近红外波段组合构建的植被指数对冬小麦全生育期LNC具有较好的监测效果;在引入了纹理信息后,一定程度上提高了模型的监测精度。在探索基于多旋翼无人机搭载多光谱传感器获取的多光谱影像建立冬小麦GPC预测模型的过程中,采用了 SLR、MLR和ANN三种建模方法,并对模型验证结果进行比较分析。以提升GPC预测模型预测精度的目标,引入了挖掘图像纹理信息和加入有效生态因子的方法。结果显示,多个光谱指数建立的冬小麦GPC预测模型的预测效果优于单一光谱指数;ANN建模方法的建模预测效果较MLR更优;纹理信息和有效生态因子的引入逐步提高了 GPC预测模型的精度。本研究中引入纹理信息与生态因子后最优的冬小麦GPC预测模型的验证R2达到了 0.7445,且RRMSE为0.0635。试验结果表明基于多旋翼无人机搭载多光谱传感器在冬小麦LNC监测和GPC预测方面有着广阔的前景。