论文部分内容阅读
高光谱遥感数据能快速、无损、准确地监测作物的生长长势、生理生化特性和品质状况,可以探测作物叶片生长过程中的细微变化,通过光谱软件可以使叶片呈现其对应的光谱响应曲线,利用高光谱数据可以反演叶片的多种生化参数。在国民经济中,苎麻一直有着较高的经济地位。当前国内外对苎麻的高光谱特性研究很少,苎麻在实际生长中的叶绿素含量也会受到很多因素的影响,特别是反射率与叶绿素含量的关系,需要开展更多的监测方法并进行比较,以选取模拟精度最高的模型,对作物生理生化参数叶绿素含量方面的监测提供更有力的支,为实现苎麻的高产优质及麻田精准管理提供理论依据。本研究以苎麻为研究对象,以便携地物光谱仪和SPAD-502型叶绿素仪器为技术支持,从对上中下不同叶位的叶片高光谱特性进行深入研究,分析苎麻叶片SPAD(叶绿素含量)值与其高光谱反射特性的变化规律,获取苎麻叶片光谱特征与SPAD对应的敏感波段,利用多种数据降维方法提取苎麻叶片高光谱特征参数,用主成分分析、基于相关系数的分波段主成分分析和植被指数三种方法提取特征变量,应用多元逐步回归方法、偏最小二乘法回归方法建立基于叶片高光谱特征参数的SPAD值预测模型,并进行比较得到了最佳方案。全文的主要工作和研究成果如下:(1)对苎麻叶片原始光谱参数和SPAD值进行统计。发现上中下叶片光谱反射率曲线变化规律趋势基本一致,但在某些波长/波段部分存在明显差异:在420nm~480nm范围内各叶位光谱反射率差异较小,光谱曲线之间交互重叠;在540nm(绿光波段)处出现反射峰,510nm~630nm范围内下叶位的光谱反射率明显高于其他叶位;从680nm(红谷波段)开始反射率出现急剧上升;(2)将苎麻叶片SPAD值分别与原始光谱反射率、植被指数进行相关性分析。发现在原始光谱中相关系数最大波长处于715nm(r=-0.813),敏感波段为509nm-624nm、693-733nm波段范围;在植被指数与SPAD值相关分析中,研究发现MCARI(改进的叶绿素吸收反射指数)、CARI(叶绿素吸收比率指数)参数与SPAD值的相关性最好,其相关系数分别为0.858、0.838。(3)使用主成分分析、基于相关系数的分波段主成分分析和植被指数对苎麻叶片高光谱数据进行降维。全波段PCA分析中提取了前五个主因子作为变量。在基于相关系数的分波段主成分分析中,前三个成份的特征根均大于1且特征值累计率已经达到99.398%,故选择前三个主成分因子作为变量来准确反映原始数据的信息进行模型的构建。在植被指数方法中,选取了比值植被指RVI、归一化植被指数NDVI、叶片叶绿素指数LCI、转换叶绿素吸收比率指数TCARI、叶绿素吸收比率指数CARI、改进的叶绿素吸收反射指数MCARI和改进红边比值MSR这7种与植被叶绿素含量相关关系比较密切的植被指数作为特征变量来构建苎麻生理生化参数的预测模型。(4)将上述特征变量应用多元逐步回归、PLSR偏最小二乘回归建立基于高光谱苎麻叶片SPAD值的反演模型并进行对比分析。研究结果表明:基于分波段原始数据构建的PLSR模型精度高,验证拟合决定系数接近于1,R~2=0.6896,RMSE=2.576,RE=3.8%,均方根误差、相对误差最小,是估算叶片SPAD值的最佳模型。