基于LS_SVR算法的水稻氮素和长势估算模型研究及应用

发布时间：2020-09-24 14:16

　　 叶绿素含量和叶面积指数是表征作物氮营养状况和长势的重要生理化参量。传统的方法测定作物生理化信息存在耗时长、难以在大田尺度上进行的缺陷。面对与日俱增的人口压力、粮食压力、环境压力,实现田间精准化管理,对于解决环境问题和粮食优产问题极具现实意义。随着低空遥感技术研究的不断深入,使实时快速、精确无损监测作物营养状况和长势情况成为可能。本文旨在研究利用微小型无人机遥感平台获取大田水稻作物氮素营养和长势信息以替代传统人工采集信息方法的可行性,进而为农作物生产、管理、监测提供技术支持。于2016年8月8号-20号之间,在方正县水稻种植基地进行了固定翼无人机飞行试验,获取了四个粳稻种植园区的高清数码影像和多光谱影像,并在德善水稻种植园区内进行地面实测相对叶绿素值(SPAD)和叶面积指数(LAI)数据采集工作。通过分析影像特征值与地面样本区域实测值的关系,构建了东北优质粳稻冠层叶绿素SPAD和LAI值的反演模型。主要的研究内容如下:(1)东北粳稻冠层氮素分级。为初步了解研究区内粳稻长势情况,基于植被覆盖指数(NDVI)对方正水稻研究院周边地块进行估测氮素分级(N0-N5),利用聚类分类(ISODATA)和支持向量机分类(SVM)对获取到的真彩色影像、多光谱影像和HSV影像进行氮素分级,分类效果最好的是基于RGB影像的SVM分类,分类精度为92.60%,Kappa系数为0.8811。结果表明,基于无人机低空遥感影像进行冠层氮素情况分类,可精确获取粳稻的氮营养情况。(2)大田粳稻叶绿素含量反演模型的构建。首先构建了6种光谱光谱指数,通过构建经验模型对光谱指数和实测粳稻SPAD值进行相关性分析,筛选出可敏感表示叶绿素含量变化的类红边位置指数(s-REP)。基于最小二乘支持向量机算法(LS-SVR)构建了大田粳稻的叶绿素SPAD值反演模型,模型决定系数R2和预测决定系数P-R2分别为0.8976和0.8327,利用此模型对德善水稻种植园区进行叶绿素遥感填图,其拟合模型的R2和模型均方根误差(RMSE)分别为0.802和3.907。结果表明,基于光谱指数s-REP的LS-SVR模型可用于快速获取大田粳稻叶绿素含量信息。(3)大田粳稻LAI值反演模型的构建。通过构建经验模型,分析所构建的6种光谱指数与大田粳稻冠层LAI的相关性,筛选出NDVI指数适用于大田粳稻抽穗~灌浆期的LAI反演,并由此构建大田粳稻冠层LAI的LS_SVR估测模型,其模型决定系数R2和预测决定系数P-R2分别为0.6327和0.6014,RMSE分别为0.5855和0.7719。利用NDVI反演模型实现了德善水稻种植园区的粳稻抽穗~灌浆期的LAI反演填图,其拟合模型的R2和RMSE分别为0.5868和0.7803,较为精确的实现了水稻LAI的估测。
【学位单位】：东北农业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S511
【部分图文】：

东北农业大学工学硕士学位论文1.5 本章小结首先，本章阐述了利用无人机遥感技术进行东北地区粳稻大田叶绿素含量和 LAI 值信息反演研究的目的与意义。然后，分析了无人机遥感、叶绿素含量测定、叶绿素含量反演及 LAI 值反演的研究现状。最后，给出了本文的具体研究内容、全文的技术路线以及全文的章节安排。

试验数据采集与预处理2 试验数据采集与预处理2.1 研究区概况试验区位于黑龙江省中南部的方正县，是东北优质大米的主要生产区之一。其地理坐为东经 128°13′41″-129°33′20″、北纬 45°32′46″-46°09′00″，属寒温带大陆性季风气候，平年降水量为 579.7 毫米，太阳可照时数平均年为 4446 小时。其粮食作物种植面积达 73619顷，大田作物整个生育周期为 5—9 月，日照总时数达 1178 小时，日照百分率为 54%，均每天 8 小时。试验区内水稻品种多样，水稻育秧期为每年 4 月上旬，插秧期为每年 5上旬，收割期为每年 9 月下旬至 10 月上旬。试验区内田地分块整齐，地块管理明确，大方便了遥感影像拼接和地面数据采集，同时各个园区内物料资源丰富，为后期的农情监应用研究提供了可靠的保障。

东北农业大学工学硕士学位论文消除采样代表性限制，本文以农户种植田块作为采样单元，采取单元(尽量避免同一农户选择多块样区)的方式进行采样。设置 64 元采集 30 株水稻的叶绿素数据，取其平均值作为采样单元叶绿素单元内设置 100cm×100cm 的样方，以样方的叶面积指数作为采样采样时间为飞行试验后的两天内。试验所选飞行日期当天天气晴，阳光直射地面，550 米高空处伴随的飞行区域分别为：安乐水稻种植区、德善水稻种植区、利民水区。

【参考文献】

相关期刊论文 前10条

1 辛明月;殷红;陈龙;张美玲;任智勇;苗静;;不同生育期水稻叶面积指数的高光谱遥感估算模型[J];中国农业气象;2015年06期

2 杨敏;林杰;顾哲衍;佟光臣;翁永兵;张金池;鲁小珍;;基于Landsat 8 OLI多光谱影像数据和BP神经网络的叶面积指数反演[J];中国水土保持科学;2015年04期

3 姜海玲;杨杭;陈小平;王树东;李雪轲;刘凯;岑奕;;利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J];光谱学与光谱分析;2015年04期

4 顾燕萍;赵文杰;吴占松;;最小二乘支持向量机鲁棒回归算法研究[J];清华大学学报(自然科学版);2015年04期

5 贺佳;刘冰锋;李军;;不同生育时期冬小麦叶面积指数高光谱遥感监测模型[J];农业工程学报;2014年24期

6 史舟;梁宗正;杨媛媛;郭燕;;农业遥感研究现状与展望[J];农业机械学报;2015年02期

7 李宗南;陈仲新;王利民;刘佳;周清波;;基于小型无人机遥感的玉米倒伏面积提取[J];农业工程学报;2014年19期

8 刘剑君;贾世通;杜新武;邓明俐;;无人机低空施药技术发展现状与趋势[J];农业工程;2014年05期

9 吴见;侯兰功;王栋;;基于Hyperion影像的玉米冠层叶绿素含量估算[J];农业工程学报;2014年06期

10 董梅;苏建东;刘广玉;杨举田;陈秀斋;田雷;王梅勋;;面向对象的无人机遥感影像烟草种植面提取和监测[J];测绘科学;2014年09期

相关博士学位论文 前3条

1 贾银江;无人机遥感图像拼接关键技术研究[D];东北农业大学;2016年

2 王斌;基于无人机采集图像的土壤湿度预测模型研究[D];中国石油大学;2009年

3 程远航;无人机航空遥感图像动态拼接技术的研究[D];东北大学;2009年

相关硕士学位论文 前1条

1 张学敏;基于支持向量数据描述的遥感图像病害松树识别研究[D];安徽大学;2014年

本文编号：2825832