基于无人机多光谱遥感的玉米根域土壤含水率研究

发布时间：2021-05-24 11:15

　　及时获取农田作物根域土壤墒情是实现精准灌溉的基础和关键。以内蒙古自治区达拉特旗昭君镇试验站大田玉米为研究对象,利用无人机遥感系统,分别在玉米营养生长期（Vegetative stage,V期）、生殖期（Reproductive stage,R期）和成熟期（Maturation stage,M期）获得7次玉米冠层多光谱正射影像,并同步采集玉米根域不同深度土壤含水率（Soil moisture content,SMC）;然后,采用灰色关联法对提取的多种植被指数（Vegetation index,VI）进行筛选,选取与土壤含水率敏感的植被指数;最后,分别采用多元混合线性回归（Cubist）、反向传播神经网络（Back propagation neural network,BPNN）和支持向量机回归（Support vector machine regression,SVR）等机器学习方法,构建不同生育期的敏感植被指数与土壤含水率的关系模型。结果表明,3种机器学习方法中SVR模型在各生育期的建模与预测精度均最优,BPNN模型次之,Cubist模型最差;其中SVR模型在M期效果最优,其建模集和验... 

【文章来源】：农业机械学报. 2019,50(07)北大核心EICSCD

【文章页数】：12 页

【文章目录】：
0 引言
1 材料与方法
    1.1 研究区概况
    1.2 无人机多光谱系统
    1.3 数据采集与处理
    1.4 植被指数的提取
    1.5 灰度关联法
    1.6 机器学习算法
        1.6.1 多元混合线性回归
        1.6.2 反向传播神经网络
        1.6.3 支持向量机回归
    1.7 模型精度评价
2 结果与分析
    2.1 基于灰度关联分析的植被指数选择
    2.2 植被指数变化
    2.3 基于Cubist的土壤含水率模型构建
    2.4 基于BP神经网络的土壤含水率模型构建
    2.5 基于支持向量机的土壤含水率模型构建
    2.6 模型的综合评价
3 讨论
4 结论


【参考文献】：
期刊论文
[1]基于温度植被干旱指数（TVDI）的土壤干湿反演[J]. 高培霞,张吴平,梁爽,毕如田,王国芳.  灌溉排水学报. 2018(10)
[2]土壤水分反演特征变量研究综述[J]. 王俊霞,潘耀忠,朱秀芳,孙章丽.  土壤学报. 2019(01)
[3]基于光谱指数的绿洲农田土壤含水率无人机高光谱检测[J]. 王敬哲,丁建丽,马轩凯,葛翔宇,刘博华,梁静.  农业机械学报. 2018(11)
[4]无人机多光谱遥感反演花蕾期棉花光合参数研究[J]. 陈俊英,陈硕博,张智韬,付秋萍,边江,崔婷.  农业机械学报. 2018(10)
[5]基于热红外的四种土壤含水量估算方法对比[J]. 杨永民,邱建秀,苏红波,田静,张仁华.  红外与毫米波学报. 2018(04)
[6]基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算[J]. 王海峰,张智韬,Arnon Karnieli,陈俊英,韩文霆.  农业工程学报. 2018(14)
[7]基于Cubist多元混合回归的稻米富集Cd模型构建研究[J]. 刘佳凤,田娜娜,赵玉杰,周其文,刘潇威,袁旭,郭新蕾.  农业环境科学学报. 2018(06)
[8]基于TOPSIS和BP神经网络的高标准农田综合识别[J]. 吕雅慧,郧文聚,张超,朱德海,杨建宇,陈英义.  农业机械学报. 2018(03)
[9]基于无人机多光谱遥感的土壤含水率反演研究[J]. 张智韬,王海峰,韩文霆,边江,陈硕博,崔婷.  农业机械学报. 2018(02)
[10]干旱区绿洲植被高光谱与浅层土壤含水率拟合研究[J]. 陈文倩,丁建丽,谭娇,李相.  农业机械学报. 2017(12)



本文编号：3204105