论文部分内容阅读
生物量和LAI是作物的重要生理生化参数,能够有效反映作物的长势情况,产量的高低关系作物收成的好坏,高效地监测生物量和LAI,并准确预测产量,对农业管理者而言有着很强的指导意义。本论文通过无人机获取了冬小麦3个主要生育期的数码影像和高光谱影像数据,主要探讨了基于无人机数码和无人机高光谱的冬小麦生物量估算和LAI估测,以及基于无人机数码和高光谱影像数据的冬小麦产量估算,主要结果与结论如下:(1)根据AIC和BIC,筛选最佳的数码影像指数,挑旗期,生物量估算和LAI估测模型最佳建模个数都是1,两模型建模R2和NRMSE分别是0.51、0.48与21.02%、26.16%;开花期,生物量估算和LAI估测最佳建模个数也都为1,建模R2和NRMSE分别是0.52、0.54与18.15%、23.65%,此时生物量估算模型精度较高,LAI估测模型效果差,但优于挑旗期;灌浆期,模型最佳建模个数分别是4和3,建模R2和NRMSE分别为0.57、0.67与17.14%、30.69%。综合而言,开花期生物量估算模型最优,灌浆期次之,挑旗期最差,开花期LAI估测模型最优,挑旗期次之,灌浆期最差。(2)通过相关性分析挑选光谱参数,构建各生育期的单个参数线性模型,生物量估算和LAI估测对应的3个生育期最优参数分别是NDVI、NDVI,OSAVI×SR、SR,红边振幅、NDVI×SR。利用 MLR、PLSR、RF和ANN构建生物量与LAI模型,挑旗期,模型生物量-MLR建模R2、RMSE 和 NRMSE 分别是 0.67、0.09kg/m2 与 17.33%,LAI-MLR 建模R2、RMSE和NRMSE分别是0.63、1.01和22.09%;开花期,生物量-MLR建模R2、RMSE 和 NRMSE 分别是 0.73、0.11kg/m2 与 13.59%,LAI-MLR建模R2、RMSE和NRMSE分别为0.68、0.69与19.79%,两模型的精度最高;灌浆期,生物量-MLR和LAI-MLR依然稳定性最高,估算效果最好。(3)基于无人机数码影像和成像高光谱影像数据,将通过PLSR构建的生物量和LAI估算模型,分别与实测生物量和LAI跟实测产量建立的一元线性模型耦合,构建的产量估算模型都在灌浆期表现拟合性和精度最高。其中基于无人机数码影像和生物量与LAI构建的模型建模R2分别是0.61与0.52,NRMSE分别为15.44%与15.57%;基于无人机成像高光谱影像和生物量与LAI建立的估算模型R2分别是0.60与0.64,NRMSE分别为15.23%与14.83%。将两种不同数据源构建的产量模型对比分析,基于无人机成像高光谱影像数据建立的模型精度较高,更适合用于估算冬小麦产量。图[28]表[23]参[99]