基于无人机高光谱遥感东北粳稻叶绿素含量监测及建模研究

发布时间：2018-04-14 13:33

本文选题：东北粳稻 + 高光谱遥感　；参考：《沈阳农业大学》2017年硕士论文

【摘要】：叶绿素是农作物进行光合作用的最重要色素,其含量变化直接指示农作物的光合作用能力以及健康状况,进而决定最终产量。及时准确、快速对农作物叶绿素含量进行估测可以为农业决策提供有效的数据源。本文以东北粳稻为例,利用试验区无人机高光谱遥感数据进行粳稻叶绿素含量监测研究,以粳稻4个不同生育期冠层光谱反射率和冠层叶片叶绿素含量为数据源,分析了东北粳稻生长发育过程中冠层叶片叶绿素含量与光谱反射率之间的相关关系,同时对冠层叶片叶绿素含量的敏感波段变量进行提取,构建叶绿素含量的单一变量线性、对数、立方曲线回归方程,并对所构建的估算模型中判定系数(R2)较高的模型准确性进行评价,进而确定能够对粳稻生长信息进行估算最优的定量模型;为了能够进一步准确地运用不同光谱波段的有效信息,减少冗余度,依据前人研究成果优选出四种植被指数NDVI、DVI、RVI、TCARI,并构建了粳稻分蘖期、拔节孕穗期、抽穗灌浆期、成熟期冠层叶片叶绿素含量的一元线性和非线性回归模型、多元线性回归模型、BP神经网络算法模型。取得的研究成果如下:(1)在粳稻冠层光谱的条件下:光谱的曲线特征在粳稻不同的生育期曲线轮廓走势相似,均存在着极其明显的反射峰和吸收谷。粳稻冠层叶片叶绿素含量的大小与光谱曲线的特征存在着密切联系,在可见光的区域和近红外区域内,叶绿素的含量越高,与其所对应的光谱曲线反射率越高;在"红边"一阶微分光谱的情况下:粳稻冠层光谱"红边"一阶微分的光谱曲线特征在不同的粳稻生育期与同一生育期不同冠层叶片叶绿素含量条件下其光谱曲线轮廓变化趋势相似。在不同冠层叶片叶绿素含量的情况下,随着粳稻叶片叶绿素含量的不断增加,"红边"位置发生了"红移"现象。(2)在利用粳稻冠层原始光谱反射率和一阶微分光谱反射率估算冠层叶片叶绿素含量的模型中,在粳稻抽穗灌浆期基于原始光谱的敏感波段452nm的叶绿素含量反演模型估算效果最好,建立的立方曲线模型y=26118.168x2-2722.032x+122.252判定系数最高,为R2=0.798,RMSE=2.381,MAPE%=4.768;在粳稻抽穗灌浆期基于一阶微分光谱的敏感波段715nm的叶绿素含量反演模型估算效果也最优,建立的立方曲线模型y=15623618.191x3-4979.064x+85.840判定系数最高R2=0.666,RMSE=2.561,MAPE%=3.768。(3)利用单一变量植被指数进行估测建模,建立的单变量线性模型、对数模型、立方曲线回归模型,其估测效果均不是很理想,在粳稻抽穗灌浆期RVI所建立的立方曲线估测模型y=0.100x3-2.923x2+25.778x-28.219判定系数最高R2=0.560,RMSE=2.144,MAPE%=3.778。利用四种不同植被指数NDVI、DVI、RVI、TCARI分别作为多元线性模型的自变量进行多元线性建模,充分地利用4种不同类型植被指数的优势,建立多元线性回归模型,其拟合效果明显优于同一生育期所建立的一元回归模型,在抽穗灌浆期所建立的四元线性估测叶绿素模型y=-9.055x1+8.869x2-0.075x3-6.469x4+51.566 判定系数最高R2=0.790,RMSE=1.773,MAPE%=2.756。利用BP神经网络建立的叶绿素含量估测模型,以4种不同植被指数为BP神经网络自变量,1个隐含层(包括12个神经元节点),输出变量为粳稻冠层叶片叶绿素含量数据,模型的结构选择4-12-1,进行叶绿素含量建模研究,充分地利用4种不同类型植被指数的优势,使得估测模型拟合优度和精度都得到显著的提升,尤其在对抽穗灌浆期BP模型进行验证,判定系数最高R2=0.864,RMSE=1.427,MAPE%=2.369,有力地验证了利用BP神经网络建立粳稻冠层叶片叶绿素含量植被指数估测模型具有可行性。
[Abstract]:......
【学位授予单位】：沈阳农业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：S511.22;S127

【相似文献】