论文部分内容阅读
我国主要的粮食产物为水稻,由于它有价格低廉,易于培育,产量稳定等优点,因此国家和政府对水稻的产量问题高度重视,水稻产量的准确预测也对我国粮食安全有重要意义。由于传统计算水稻面积的方法耗费人力,耗费物力,耗费财力,并且不能对水稻进行大面积、全天的实时监测,基于传统水稻方法的缺点,遥感估产技术应运而生,它弥补了传统估产的缺陷,并且对数据的监测更加迅速及时范围广。无人机的发展给遥感技术又提供了一个新的实现手段,近年来,利用无人机搭载高光谱或者多光谱遥感估产掀起了热潮。本文根据2015年的光谱数据,研究辽宁省沈阳农业大学一块试验田的水稻产量,利用不同的方法建立了植被指数与产量的模型,得到可靠的精确度和稳定性,对日后研究水稻产量估算的发展提供借鉴和指导。本文首先利用二元定距变量分析的方法对单个NDVI和各时期像元之和和产量进行了相关性分析,筛选较好的NDVI因子分别利用水稻冠层NDVI数据建立一元、多元和主成分分析后的回归模型,其结果相对比较理想。通过比对各个模型的参数,最终得出分蘖期和抽穗期的组合复合模型要比单天复合和各生长时期的复合模型拟合度高,其R2达到0.805,F值为9.280,显著性为0.008,其相对误差和均方根误差分别为5.06%和324kg/hm2,具有较高的精确度,且最佳估产时间为分蘖期和抽穗期;主成分分析所得的模型R2达到0.806,F值为20.789,显著性为0,结果更为精确。然后用同样的方法建立PRI与产量的回归模型,在各个复合模型和主成分分析回归模型中,利用水稻整个生长时期建立的复合估产模型是最理想的,其R2达到0.875,F值为14.965,显著性为0.011,经过检验其相对误差和均方根误差分别为3.89%和402kg/hm2,具有较高的精确度。最后将两种指数结合进行产量建模,分别使用了多元线性回归、主成分分析和神经网络算法进行估产。对于多元线性回归所得模型,其R2=897,F=10.701,显著性为0.021,此模型比单独使用NDVI或者PRI所得模型拟合度都高;主成分分析所得模型的R2=922,F=19.567,显著性为0.003;对于神经网络算法所得的模型,其拟合度达到0.959,其预测精度也比前面的模型高,相对误差和均方根误差分别为1.31%和66kg/hm2,所以BP神经网络是最理想的预测水稻产量的方法。