论文部分内容阅读
实时、准确地获取农作物参数信息、田间生态环境状况等是农业发展的关键技术之一,而叶面积指数(Leaf Area Index,LAI)则是进行农作物长势监测和农作物产量预估的重要参量与农学指标。植被指数法是常用估算LAI的方法,针对现有植被指数估算模型在不同植被覆盖度情况下,出现饱和现象,反演估算能力降低,对不同生境作物LAI估算精度不足,适用性及鲁棒性较差,如NDVI。本文提出新植被指数估算LAI,以提高对作物LAI的反演能力和估测精度,本文研究对象以夏玉米、冬小麦为主,采用数理统计及多光谱遥感技术方式,研究夏玉米与冬小麦叶面积指数和光谱反射率间的数学关系。构建新的植被指数分别对夏玉米与冬小麦叶面积指数建立反演模型,从模型反演结果的决定系数(R2)、均方根误差(RMSE)等指标可知,新构建的植被指数对叶面积指数具有很好的敏感性与反演能力。另外,为了更加快速有效实时的获取相应的作物理化参数与农学指标,研究设计了一种多光谱作物理化参数测量仪,此测量仪集多种用途与功能于一体,方便携带,能实时进行实验数据采集与相关农学指标的获取,解决现有仪器设备存在的不足。本文主要研究内容及结论如下:(1)基于TDVI与TRVI的叶面积指数反演研究。针对现有植被指数对作物LAI反演精度不足,鲁棒性差,植被指数自身存在局限性等问题,构建三角差值植被指数(triangular difference vegetation index,TDVT)与三角 比值植被指数(triangular ratio vegetation index,TRVI)对夏玉米LAI进行建模、反演与验证研究,研究结果表明TDVI对夏玉米LAI具有很好的敏感性,与现有植被指数所建模型相比,TDVI所建模型对夏玉米整个生育时期的LAI均能进行较好的估算,反演能力强,鲁棒性好,且没有“饱和”现象。TRVI对夏玉米LAI也有较好的敏感性,但比TDVI稍差,其对LAI约大于3以上的估算效果更好,根据夏玉米的生育期及LAI变化,其更适用于中后期LAI的估算。(2)针对TDVI的构建波段是否能更优化,建模反演精度及对LAI的敏感性是否可改善等问题,采用改进型三角差值植被指数(Modified Triangular Difference Vegetation Index,MTDVI)对夏玉米及冬小麦的LAI进行建模反演研究,研究结果显示MTDVI比TDVI与其它植被指数对夏玉米LAI的敏感性更好,并且其对不同作物LAI的反演也具有很好的R2和RMSE。此外,与MTDVI作实验对比的MTDVIO虽有较好的建模R2,但其模型的反演能力较差,RMSE较大,与其他植被指数的实验结果相比,未有优越之处,同时说明MTDVI构建波段选取更为准确。(3)为了更加便捷、高效与实时的获取相关作物理化参数与农学指标,并解决现有仪器功能单一,操作繁琐,携带不便等问题,研发设计一种多光谱作物理化参数测量仪。其具备多种用途与使用方式,拥有主被动两种工作模式,能够自动转换滤光片,使得每次采集数据可获取8个不同光谱波段。经系统处理采集的光谱数据后,显示并存储根据植被指数构建的反演模型计算获得的相关作物理化参数与农学指标,设备系统可以根据设置的反演模型获取相对应的指标,如氮含量量、叶面积指数、叶绿素含量。另外,其也能对作物长势及营养状况进行实时监测与产量估测等,为科研及田间管理人员高效决策提供了实时理论依据与支持。