小麦主要生育期苗情诊断关键参数遥感监测算法优化研究

发布时间：2018-05-13 19:30

  本文选题：小麦 + 苗情诊断参数　； 参考：《扬州大学》2016年博士论文

【摘要】：小麦是我国也是江苏省的主要粮食作物之一。在目前小麦栽培与管理的实际过程中,相对于采用技术人员定点调查等传统的小麦生长生产监测方法,遥感技术能及时、快捷并无破坏地监测预报大面积的小麦生长状态,但是,遥感监测预报精度还不能完全满足实际生产管理需要,为此,前人已进行了相关的研究,其中利用遥感数据构建经验统计模型定量反演能够反映小麦生长状态的一些苗情关键参数的研究得到了广泛开展,在此方向的研究显示,构建统计模型所需的算法对遥感监测精度有很重要的影响。然而,现阶段与建模算法相关的国内外文献数量不多,且其中多数文献局限于研究使用相关算法遥感监测某一个农学参数,或只是针对小麦某一个生育期展开使用相关算法遥感监测其农学参数的研究,而针对小麦主要生育期的多个苗情诊断关键参数,系统分析、评价并比较基于不同算法构建遥感监测模型的实用性和预测性研究却少有涉及。鉴于如上所述,为提高小麦生长状态的遥感监测精度,进而指导大面积小麦田间生产,最终实现高产、高效、安全、低耗、优质生产,本研究以江苏省的泰兴、姜堰、兴化和仪征地区2010（-2）013年稻茬小麦为研究对象,围绕小麦拔节、孕穗和开花期的叶面积指数(LAI)、生物量、叶片氮含量(LNC)和叶片SPAD值等苗情诊断关键参数,以各生育期相应的环境卫星HJ-CCD遥感信息为支撑,比较基于不同多元回归算法构建的遥感监测模型的可行性及预测性,旨在为提高大田尺度下的小麦苗情诊断关键参数遥感监测预报精度提供技术和方法。本研究的主要内容和结果如下：(1)分析主要生育期小麦苗情诊断关键参数与遥感变量间的相关性,以0.01水平下显著相关为依据,结果表明在拔节和开花期分别选用NRI、RVI、NDVI、GNDVI、SIPI、SAVI、 OSAVI和PSRI共8种植被指数,孕穗期选用NDVI、GNDVI、SIPI、SAVI、OSAVI和IPSRI这6种植被指数,监测小麦叶面积指数是可行的；遥感监测小麦拔节、孕穗和开花期的地上干生物量时,各期均可选用NDVI、SAVI、OSAVI、NRI、GNDVI、SIPI、PSRI、RVI、 CRI、EVI、MSR、NLI、RDVI、TVI、和MTVI2这15个植被指数作为敏感遥感变量；遥感监测小麦叶片氮含量时,拔节期选用NDVI、GNDVI、SIPI、RVI、SAVI、OSAVI、MSAVI和EVI这8种植被指数,孕穗期选用NRI、PSRI、NDVI、GNDVI、SIPI、RVI、SAVI、OSAVI、 MSAVI和EVI共10种指数,开花期选用NDVI、NRI和PSRI这3种植被指数,分别作为各生育期的敏感遥感变量；遥感监测小麦叶片SPAD值时,拔节期选用NRI、RVI、 NDVI、GNDVI、 SIPI、SAVI、OSAVI和PSRI共8种植被指数,孕穗期选用NDVI、NRI、RVI、SAVI和OSAVI这5种植被指数,开花期选用RVI、NDVI、GNDVI、SIPI、SAVI、OSAVI和PSRI共7种植被指数,分别作为各生育期的敏感遥感变量。(2)使用多种回归算法构建主要生育期小麦各苗情诊断关键参数的遥感监测模型。分别针对每个生育期(拔节、孕穗和开花期)的LAI、生物量、LNC和SPAD各长势参数,以2010（-2）012年小麦数据为训练集,将筛选的敏感遥感变量作为输入变量,以长势参数为输出变量,分别采用传统多元线性(ML, Multiple Linear)、偏最小二乘(PLS, Partial Least Squares)、人工神经网络(ANN, Artificial Neural Networks)、单核支持向量回归(SK-SVR, Single-Kernel Support Vector Regression)、双核支持向量回归(DK-SVR, Double-Kernel Support Vector Regression)和随机森林回归(RF, Random Forest)共6种回归算法建立每个生育期各长势参数的遥感反演多因子模型。利用独立于建模集的2013年小麦实测数据,结合决定系数R~2和均方根误差RMSE这两个评价指标及实测值与模型预测值之间的1：1关系图,系统性地评价并比较了所建模型的实用性及预测性,进而通过对各生育期模型性能比较确定最佳模型。(3)明确了遥感监测小麦主要生育期叶面积指数(LAI)的各模型性能。研究结果表明,监测拔节、孕穗和开花期小麦LAI的最佳模型均为DK-SVR模型,3个生育期模型估测值与实测值之间的决定系数R~2和均方根误差RMSE依次为：0.76和0.29,0.80和0.47,0.67和0.55,且各生育期的模型预测值与实测值拟合良好,同时,基于ML和ANN的模型监测这3个生育期LAI的效果最差；拔节期其余3个模型性能由高到低依次为SK-SVR模型(R~2=0.71,RMSE=0.43)、PLS模型(R~2=0.65, RMSE=0.40)和RF模型(R~2=0.49,RMSE=1.41);孕穗期其余3个模型性能由高到低依次为SK-SVR模型(R~2=0.78,RMSE=0.58)、PLS模型(R~2=0.75, RMSE=0.74)和RF模型(R~2=0.32, RMSE=1.13);开花期其余3个模型性能由高到低依次为RF模型(R~2=0.52, RMSE=0.57). PLS模型(R~2=0.45, RMSE=0.64)和SK-SVR模型(R~2=0.33, RMSE=0.84)。(4)明确了遥感监测小麦主要生育期地上干生物量的各模型性能。研究结果显示,在小麦拔节、孕穗和开花各期的6个模型中,RF模型均表现出最佳的预测能力,3个生育期RF预测值与实测值间的决定系数R~2和均方根误差RMSE依次为：0.53和477 kg.hm'2,0.72和1126 kg.hm（-2）,0.79和1808 kg.hm（-2）。拔节期次优模型为DK-SVR模型(R~2=0.50,RMSE=505.5 kg.hm（-2）)和SK-SVR模型(R~2=0.47, RMSE=509.5kg.hm"2),而基于ML. PLS和ANN的模型监测该生育期生物量的效果最差；在孕穗期和开花期,基于ANN的模型监测小麦生物量的效果最差,其余4个模型性能由高到低依次为DK-SVR模型(孕穗期R~2=0.67,RMSE=1389.2 kg.hm（-2）;开花期R~2=0.65, RMSE=2058.1 kg.hm（-2）)、SK-SVR模型(孕穗期R~2=0.51, RMSE=1422.3 kg.hm（-2）;开花期R~2=0.62, RMSE=2174.2kg.hm（-2）)、ML模型(孕穗期R~2=0.53, RMSE=1461.5 kg.hm（-2）;开花期R~2=0.49, RMSE=2454.4kg.hm（-2）)和PLS模型(孕穗期R~2=0.48, RMSE=1521.7kg.hm（-2）;开花期R~2=0.49, RMSE=2803.6kg.hm（-2）)。(5)研究表明了遥感监测小麦主要生育期叶片SPAD值的各模型性能。综合考虑模型预测值与实测值之间的一致性,并且同时考虑二者之间的决定系数R~2和均方根误差RMSE,结果显示,基于ML的模型监测小麦拔节、孕穗和开花期的叶片SPAD值时效果最差；在小麦拔节期,确定DK-SVR模型为最佳模型,预测值与实测值间的R~2和IRMSE为：0.65和1.58,其它4个模型按性能由高到低依次为：RF模型(R~2=0.55, RMSE=2.11)、SK-SVR模型(R~2=0.57,RMSE=2.31)、ANN模型(R~2=0.43, RMSE=3.06)和PLS模型(R~2=0.40,RMSE=3.42);在孕穗期,确定RF为最优模型(R~2=0.72, RMSE=2.2),其余4个性能由高到低的模型为：DK-SVR模型(R~2=0.57, RMSE=2.10)、SK-SVR(R~2=0.52, RMSE=2.30)、 PLS模型(R~2=0.47, RMSE=5.76)和ANN模型(R~2=0.43, RMSE=2.80);在开花期,确定RF为最优模型(R~2=0.60, RMSE=3.16),同时结果显示,基于PLS的模型预测效果不好,其余3个模型为：DK-SVR模型(R~2=0.52, RMSE=3.03)、SK-SVR (R~2=0.48, RMSE=3.07)和ANN模型(R~2=0.46, RMSE=3.20).(6)阐明了遥感监测小麦主要生育期叶片氮含量(LNC)的各模型性能。结果表明,基于DK-SVR算法构建的模型是分别遥感监测小麦拔节、孕穗和开花各期LNC的最佳模型,各生育期的模型预测值与实测值之间显示出良好的一致性,二者间的决定系数R~2和均方根误差RMSE分别为：拔节期的R~2=0.73, RMSE=0.13,孕穗期的R~2=0.82, RMSE=0.21,开花期的R~2=0.75, RMSE=0.20; SK-SVR模型和PLS模型均为各生育期的次优模型,3个生育期SK-SVR模型的R~2和RMSE依次为：0.61和0.16,0.77和0.29,0.72和0.21,同时,PLS模型的R~2和RMSE依次为：0.59和0.23,0.77和0.31,0.52和0.26；结果还表明,基于ML、ANN和RF的模型监测这3个生育期LNC的效果最差。
[Abstract]:In the light of the above , the research on the application and predictability of remote sensing monitoring model based on remote sensing data has been carried out in order to improve the accuracy of remote sensing monitoring . The 6 vegetation indexes of GNDVI , SIPI , SAVI , OSA VI and IPSRI are feasible to monitor the leaf area index of wheat ;
On the ground dry biomass of wheat jointing , booting stage and flowering period of remote sensing monitoring , the 15 vegetation indexes of these 15 vegetation indices were selected as sensitive remote sensing variables .
When the nitrogen content of wheat leaves was monitored by remote sensing , 8 kinds of vegetation indexes were selected for the period of jointing , namely , the eight kinds of vegetation indexes , such as NRI , PSRI , SAVI , VVI , SIPI , RVI , SAVI , OSA VI , MSAVI and EVI , were selected during the booting stage , and the three vegetation indexes were selected as sensitive remote sensing variables for each growth period .
When the SPAD value of wheat leaf was monitored by remote sensing , eight kinds of vegetation indexes were selected from NRI , RVI , RVI , GNDVI , SIPI , SAVI , OSA VI and PSRI during the jointing period . The five kinds of vegetation indexes , RVI , NRI , RVI , SAVI and OSA VI were selected during booting stage , and seven vegetation indexes were selected as sensitive remote sensing variables for each growth period . (2)浣跨敤澶氱�嶅洖褰掔畻娉曟瀯寤轰富瑕佺敓鑲叉湡灏忛害鍚勮嫍鎯呰瘖鏂�鍏抽敭鍙傛暟鐨勯仴鎰熺洃娴嬫ā鍨，

本文编号：1884494