论文部分内容阅读
精准农业是一种高新技术与农业生产相结合的产业,是可持续农业发展的重要途径。高精度、及时的获取农作物长势和生态环境信息是精准农业实施的前提和基础,也是现代农业发展的关键技术之一。高光谱遥感具有波段多、间隔窄的特点,能构成独特的多维光谱空间,直接捕获地物的微弱光谱差异信息。高光谱为遥感信息的定量应用开辟了新的领域,也为农田信息获取带来了巨大的前景,并逐渐成为新兴精准农业最重要的技术手段之一。因此,应用高光谱遥感建立生理参数及农田土壤信息监测模型,可增强对作物生理参数及农田土壤信息的监测能力,提高作物生长及农田土壤信息监测的精度和准确性。本研究以田间试验的玉米为研究对象,结合地面高光谱遥感技术与生理参数分析技术,系统分析玉米不同生理参数及农田土壤信息的高光谱特征,在相关分析的基础上,提取特征波段、植被指数、高光谱特征参数、特征指数,应用简单统计回归(SSR)、偏最小二乘回归(PLSR)和人工神经网络(ANN)方法,建立玉米生理参数及农田土壤信息的高光谱监测模型,为动态监测玉米生长状况及科学的田间施肥管理提供理论依据和技术支持。主要研究结果如下:(1)随着玉米叶片花青素含量增加,550 nm处吸收峰增大,SVC和SOC光谱与玉米叶片花青素含量最大相关波段分别为548 nm和540.73 nm。以SVC和SOC光谱构建的两波段归一化指数和比值指数与叶片花青素含量相关性最高;基于SVC光谱特征指数建立的ANN模型,训练和验证R2分别为0.776和0.759,验证RMSE为0.111,RPD值为2.041,预测精度较高、模型比较稳定,能有效监测玉米叶片花青素含量;基于SOC光谱特征指数建立的ANN模型是玉米叶片花青素含量监测的最优模型,训练和验证R2分别为0.875和0.851,验证RMSE为0.087,RPD值为2.604。SOC光谱参数建立的模型拟合及验证精度整体高于SVC光谱参数建立的模型,特征指数建立的模型优于植被指数建立的模型;特征指数结合ANN方法是建立玉米叶片花青素含量监测模型的最优方法。(2)玉米不同生育期SPAD值的敏感波段有差异。植被指数D2、GNDVI、MSAVI、NDVI、OSAVI、OSAVI2、TCARI2/OSAVI2、TCARI2、TCARI和高光谱特征参数SDr/SDb、Sg、Ro均与玉米4个生育期叶片的SPAD值极显著相关,通用性较好。基于6-8叶期、10-12叶期的高光谱特征参数,开花吐丝期的植被指数,灌浆期、乳熟期的原始光谱建立的ANN模型训练及验证精度均较高,模型较稳定,是各个生育期玉米叶片SPAD值监测的最优模型。训练R2分别为0.845、0.880、0.806、0.763、0.785,经独立样本验证,R2分别为0.820、0.919、0.822、0.814、0.760,RMSE分别为0.677、0.454、0.746、0.818、0.774,RPD值分别为2.358、3.455、2.374、2.319、2.078。10-12叶期,以3种方法建立的模型均能对玉米叶片SPAD值进行有效监测。(3)不同生育期玉米光谱与生物量的相关性差异较大,植被指数GI、GNDVI、MSAVI、MTCI、NDVI、NDVI3、OSAVI、SR、OSAVI2、TCARI2、TCARI2/OSAVI2、MCARI2、DDn、SPVI、TVI、RTVI均在2个生育期与玉米生物量极显著相关;高光谱特征参数Rg、SRg、SDg在3个生育期与玉米生物量极显著相关,通用性较好。6-8叶期以原始光谱、10-12叶期以植被指数、开花吐丝期以一阶微分光谱建立的ANN模型,训练R2分别为0.908、0.938、0.800,验证R2分别为0.918、0.939、0.762,RMSE分别为0.086 kg·m-2、0.123 kg·m-2、0.400 kg·m-2,RPD值分别为3.507、4.051、2.051,训练和验证结果均较好,是监测各生育期玉米生物量的最优模型。6-8叶期和10-12叶期的监测模型精度高于开花吐丝期;乳熟期建立的模型不能进行生物量有效监测。(4)850-1790 nm和1960-2400 nm范围,随着玉米植株含水量增加波段深度增大,不同生育期玉米植株含水量与光谱的相关性差异较大;FD730-1330和新建光谱指数FDD(725,925)、FDD(725,1140)、FDD(725,1330)与玉米不同生育期植株含水量相关性较好,通用性较强。6-8叶期、10-12叶期、开花吐丝期,基于一阶微分光谱建立的ANN模型,经独立样本验证,预测值与实测值之间的R2分别为0.858、0.877、0.804,RMSE为0.359%、0.479%、0.819%,RPD值为2.654、2.850、2.261,模型的预测精度较高,稳定性较好,是进行各生育期玉米植株含水量监测的最优模型。灌浆期和乳熟期建立的模型预测效果不理想,有待进一步研究。(5)随土壤含水量增加光谱反射率下降,1400、1900 nm附近的水分吸收谷朝长波方向偏移。与土壤含水量相关性最大的光谱位于570、1430、1950 nm,相关性最大的吸收特征参数是最大吸收深度(D)、吸收总面积(A)、吸收峰右面积(RA)、吸收峰左面积(LA)。基于C1950、D1900、RA1900建立的一元线性模型和A1900、A1400建立的对数模型是预测土壤含水量的最优模型,拟合R2位于0.927-0.943之间,验证R2位于0.936-0.96之间,RMSE位于1.299-1.773%之间,RPD值位于3.538-4.885之间。(6)不同全氮含量的土壤光谱差异较大;碱解氮含量增大到一定值时,反射率之间的差异变小;与土壤氮含量相关性最好的两波段光谱指数是差值指数。以PLSR和ANN方法建立的全氮含量监测模型预测效果较好。其中,基于一阶微分光谱建立的ANN模型,训练和验证R2分别为0.886和0.880,RMSE为0.0077%和0.0086%,RPD值为2.971和2.846,训练和验证结果较好,模型最稳定,是监测土壤全氮含量的最优模型。基于CB+CS+CI建立的ANN模型,训练R2为0.757,验证R2为0.758,验证RMSE为2.1262 mg·kg-1,RPD值为2.033,是监测土壤碱解氮含量的最优模型。(7)光谱反射率随土壤磷含量增加而减小,当土壤磷含量增大到一定值时,土壤光谱反射率之间的差异变小。基于归一化微分、CB+CS和CB+CS+CI建立的ANN模型,可以对土壤有效磷含量进行准确预测,其中,CB+CS+CI建立的ANN模型预测效果最好,训练和验证R2分别为0.806和0.811,验证RMSE为2.691 mg·kg-1,RPD值为2.216;PLSR和ANN方法建立的模型精度较低,不能进行土壤全磷含量的有效监测。(8)土壤全钾含量较高时,对土壤光谱反射率影响较大;土壤速效钾含量对土壤光谱影响较小,变化规律不明显。以PLSR和ANN方法建立的模型精度均较高,能对土壤全钾含量进行准确预测。其中,基于波段深度微分建立的ANN模型是监测土壤全钾含量的最优模型,训练和验证R2分别为0.967和0.971,验证RMSE分别为0.033%和0.030%,RPD值分别为5.416和5.957。基于归一化微分光谱建立的ANN模型的训练和验证R2大于0.83,验证RMSE为14.457 mg·kg-1,RPD值为2.591,是土壤速效钾含量预测的最优模型。土壤全钾含量的预测精度高于速效钾含量,微分变换可以提高模型的预测精度。