论文部分内容阅读
油菜关键生长发育期的信息对油菜的田间管理,观赏时间预测,产量评估等具有重要的意义。遥感技术可以高效无损的获取大尺度范围的植被信息,被广泛的运用到精细农业中。本研究利用光谱反射率数据进行油菜生育期识别,同时结合油菜的物候信息建立叶面积指数反演模型,主要的研究结果如下:(1)根据油菜光谱信息和地面观测的真实生育期,采用k-近邻(/c-NN)、支持向量机(SVM)、随机森林(RF)、梯度提升决策树(GBDT)、人工神经网(ANN)络五种常用的机器学习算法以及Stacking组合分类方法对油菜的关键生育期进行识别。结果表明通过组合不同的机器学习的Stacking组合算法较单一分类器能显著提升分类的精度,比最好的单一分类器(k-NN)提升1%的正确率,所建立的油菜生育期识别模型被应用于地面数据和无人机平台数据进行跨平台交叉验证,地面数据识别的正确率达90.07%,无人机平台数据识别的正确率达81.48%,均优于使用单一分类器的结果。(2)提出一种基于机器学习和植被指数的油菜关键生育期识别方法。通过分析k-近邻算法在油菜叶期和角果期的错分现象和油菜的冠层光谱信息,得出叶期和角果期反射率在绿波段的显著差异,选择使用VARIgreen=0.35为阈值区分在k:-近邻算法中较难以区分的角果期和叶期,能显著提升了油菜生育期的识别精度。在地面平台的ASD数据的识别正确率为92.4%,低空的无人机UAV平台的识别正确率为79.62%,不区分数据的识别正确率为86.92%,结果表明其能够应用到不同地点、不同平台的数据中,具有较好的泛化能力。(3)根据油菜光谱信息反演叶面积指数,将全量的样本进行训练单一的机器学习模型,最优的机器学习方法支持向量机的测试误差为0.401,高于使用增强植被指数(EVI2;)的测试误差(0.379),因此植被指数方法能够以简单、有效的模型很好的进行叶面积指数的反演。(4)通过分析不同物候时期的LAI植被指数反演结果表明油菜的花期数据较为混乱,给LAI反演带来误差,因此使用结合物候信息的LAI植被指数经验模型反演。在油菜叶期EVI2具有最优的结果(RMSE=0.247),在油菜角果期,CIgreen具有最优的结果(RMSE=0.108),然而在油菜的花期,使用单独花期的误差(RMSE=0.792)高于使用全量的数据进行植被指数反演的结果(0.753)。(5)通过对比使用机器学习、全生育时期植被指数和分时期植被指数反演叶面积指数的结果表明,结合物候时期的油菜反演模型在测试集中的均方根误差为0.346,因此结合物候期的油菜叶面积指数反演具有较优的结果。