论文部分内容阅读
作物氮营养状况的实时、精准诊断是实现作物精准施肥、高产的重要措施之一。无人机便携、灵活的优点使其成为近年来农作物定量遥感的研究热点。利用无人机的多光谱影像进行冬油菜的氮营养诊断的研究目前还比较有限。以前的研究表明,添加纹理指数改进单纯基于植被指数的冬油菜氮营养估测模型,可以更好地反映影像的空间特性。基于此,以越冬期的冬油菜为研究对象,以氮素营养特征为出发点,综合利用在2016-2019年间开展的氮肥梯度大田试验数据,进行冬油菜关键生育期的无人机飞行及影像处理,并结合生理生化参数分析,从植株氮浓度、地上部生物量、越冬期的氮营养指数、产量的估测四个方面进行建模与探究,得到了以下几个结论:(1)在利用不同区域的两块两年间试验田进行的冬油菜植株氮浓度(PNC)估测中,采用了一般线性回归、偏最小二乘回归和随机森林(RF)回归三种建模方法,通过一般线性回归进行因子相关性筛选,在偏最小二乘回归中采用变量投影重要性指标(vip)筛选因子,在随机森林回归中采用因子重要性排序筛选因子,并将纹理指数与植被指数的组合模型与单纯植被指数的多元统计回归模型进行对比。结果表明,在单一指数线性回归中,红边叶绿素指数(CIred edge)和花青素反射率指数(ARI)的PNC估测模型R~2最高(CIred edge:R~2=0.70,RMSE=0.64;ARI:R~2=0.70,RMSE=0.65)但RMSE误差较大。在多元统计回归中,植被指数与纹理指数的组合RF回归模型可以较好的估测PNC(R~2=0.97,RMSE=0.51),虽然模型存在过拟合现象,但是组合模型RMSE值下降了21.5%,有显著降低。因此,纹理指数的加入对模型的精度有了提高的作用,但根据本试验结果还无法推荐对于PNC估测具有显著优势的纹理指数。(2)在冬油菜地上部生物量(AGB)估测及验证中,采用了一般线性回归、偏最小二乘回归和随机森林回归三种方法,通过一般线性回归进行了因子相关性筛选,同时也将纹理指数与植被指数的组合模型与单纯植被指数的多元统计回归模型进行对比,结果表明,在单一指数线性回归中,RVI和CIred edge的R~2较高,但RMSE误差较大(RVI:R~2=0.70,RMSE=341.43;CIred edge:R~2=0.68,RMSE=368.00)。在PLSR建模中,VIs和纹理指数的PLSR组合模型提供了更准确的AGB估计,与仅基于VI的PLSR模型相比,验证数据集的RMSE值降低了7.3%,与线性模型相比,降低了7.9%。在RF建模中,VIs和纹理指数的RF回归组合模型提供了更准确的AGB估计,与仅基于VIs的RF模型的准确性相比,验证数据集的RMSE值降低了15.7%,与基于CIred edge的线性回归模型的准确性相比,RMSE值降低了11.1%。但是,RF模型也过度估计了验证数据集的AGB。三种方法中,基于VIs和纹理指数的RF组合模型估测精度最高,纹理指数的加入对模型的精度有了提高的作用。两种方法均选用CIred edge和RVI作为最重要的VIs输入变量,NDVI contrast作为最重要的纹理指数参数。但此结果高度依赖数据集,目前无法推荐普遍适宜于估测AGB的植被指数及纹理指数。(3)在上述PNC及AGB估测模型的基础上,利用前人探究得到的冬油菜氮稀释曲线,得到临界氮浓度,再构建冬油菜的NNI模型,根据相对产量确定NNI的阈值为1.15,从而对验证田块的氮营养状况做出诊断。结果显示:N0、N4、N6的NNI值低于临界值,为缺氮田块;N8、N12、N16的NNI值近似等于临界值,根据实际的施肥经验,N8、N12、N16可诊断为氮肥适宜田块。此结果与课题组之前的研究结果相符合,但判断的准确性还需要定量计算追肥量,根据追肥的效果进行评判。(4)在冬油菜产量估测中,利用了NDVI、SAVI、CIred edge三种植被指数,NIRv指数以及NDYI指数,利用两种经验回归方法估测产量。第一种方法建立了各个关键生育期单一指数与产量的回归模型,结果显示,花期的NIRv指数提供了最优的产量估计(训练集:R~2=0.74,RMSE=392.65,验证集RMSE=389.84)。第二种方法利用生长季节的VI的积分来估算产量。发现NIRv的生物量的总和为训练和验证数据集提供了最准确的油菜籽产量预测(训练集:RMSE=534.60,验证集:RMSE=504.02)。由于长江流域很少出现严重的氮素缺乏现象,因此特别评估了氮肥用量高于120 kg/hm~2的处理对产量预测的准确性,在萌芽和开花阶段测得的NIRv、NIRv＿sum2、SAVI、NDVI的产量预测值的RMSE,在开花期测得的NIRv提供了最准确的估计相比其他研究的VI。因此,推荐NIRv作为预测产量的指数,在整个生育期内表现更稳定,在花期表现出更优的估测能力。