论文部分内容阅读
对于作物信息采集而言,传统的方法费时费力,且获得的信息时效性并不高,往往都滞后于作物的生长状态。高光谱遥感可以完成对作物信息实时无损的获取,能够为作物的精准管理提供决策支持。本研究以4个主推小麦品种和3种不同氮肥水平的大田试验为基础,综合运用高光谱分析技术、多元回归方法和机器学习理论等技术手段,分析不同品种和氮处理条件下冬小麦冠层光谱响应差异,针对冬小麦长势实时无损监测过程中的光谱预处理和建模方法等进行探索性研究,提高冬小麦长势实时无损监测的精度。主要研究结果如下:不同品种冬小麦冠层光谱反射率在可见光范围内,随生育期的推移,呈现先降低后升高的趋势,最后在灌浆期升到最高;在近红外范围内,趋势为先升高而后降低,在抽穗期期达到峰值。不同品种冬小麦冠层光谱反射率在不同施氮量条件下的光谱反射率在可见光范围内差异不明显;在近红外范围内,矮抗58和豫麦49-198的冠层光谱反射率与施氮量呈现出正相关的趋势,周麦27和西农509却是呈现出了先升高后降低的趋势,在N15条件下冠层光谱反射率最高。品种不同的冬小麦叶面积指数和叶片氮含量在生育期中所体现出来的整体趋势相同,趋势为先升高后降低。本研究采用三种方法对光谱数据进行预处理,三种方法分别为:移动平滑(MAM)、一阶导数(FD)和标准归一化(SNV)。将预处理之后所得到的光谱数据分别使用三种回归算法建立相关估测模型。三种回归算法为:偏最小二乘回归(PLSR)、支持向量机回归(SVMR)以及BP神经网络回归(BP)。并与利用原始光谱数据(RAW)所建立的模型进行对比,得出:无论是叶面积指数还是叶片氮含量估测模型,基于不同的光谱数据所建的BP神经网络回归模型均较其它两种模型表现优异,一阶导数预处理(FD)方法和BP神经网络回归算法模型(BP)搭配所构建的模型表现最好,其中叶面积指数的最优估测模型的训练集和验证集的R~2分别为0.864和0.852,RMSE分别为0.871和0.905;叶片氮含量的最优估测模型的训练集和验证集的R~2分别为0.876和0.847,RMSE分别为0.05和0.055。