不同覆盖度条件下水稻生长参数的高光谱监测研究

不同覆盖度条件下水稻生长参数的高光谱监测研究

论文摘要

高光谱具有连续、精细等特点,可显著增强对植株生长参数的探测能力,提高作物生长监测的精度。本研究以水稻为对象,依托不同品种、不同种植密度、不同施氮水平的四年水稻田间试验,综合运用高光谱遥感、作物生长分析及数理统计等方法,研究了不同施氮水平和种植密度条件下水稻冠层高光谱反射特征与氮素营养和生长指标之间的定量关系,确立了适于不同覆盖度条件下水稻氮素营养和生长指标监测的光谱指数,并构建了相应的监测模型,从而为水稻生长的无损监测和精确管理提供了技术支撑。基于不同株型品种、施氮水平和种植密度的田间试验,综合分析了水稻叶面积指数(LAI)、叶干重(LDW)及植被覆盖度(VC)与冠层高光谱植被指数的定量关系。结果表明:350~2500nm范围内与水稻LAI、LDW、VC相关性最好的光谱指数为基于原始两波段组合的比值光谱指数SR(826,746),决定系数(R2)达到0.88~0.93。已有光谱指数中,GVI、SAVI.SARVI(MSS)等也与LAI、LDW、VC有较好的相关性,但相比SR(826,746),其整体表现相对较差。独立试验资料检验结果表明,以SR(826,746)为变量建立的水稻LAI、LDW(及VC)监测模型具有较好的检验结果。利用试验1-3未封行和封行数据,对SR(826,746)及4个表现较好的已有敏感光谱指数进一步验证和分析,发现封行前后SR(826,746)在同时估测LAI、LDW(及VC)方面的表现明显要好于其他光谱指数。DI(854,760)也能有效的估测LDW。表明SR(826,746)是适合于同时估测水稻LAI、LDW、VC的良好高光谱植被指数,能有效的评价水稻的生长状况。在综合考虑叶面积指数(LAI)和植被覆盖度(VC)等冠层结构相关指标以及水土背景对冠层反射光谱影响的基础上,分析了水稻冠层高光谱指数与叶层氮含量(LNC)的定量关系。结果表明,350~2500nm波段范围内,由两个绿光波段组成的比值光谱指数SR(553,537)和三波段光谱指数(R605-R521-R682)/(R605+R521+R682)能较好地估测LNC,且受LAI和VC影响较小。一阶导数光谱指数中,表现最好的是红光和近红外波段组成的导数差值指数DI(D875,D645),但导数光谱指数与LNC的关系总体上不如原始光谱指数密切。独立试验数据检验结果表明,基于SR(553,537)和(R605-R52l-R682)/(R605+R52l+R682)建立的回归模型对水稻LNC的估测精度(R2)和相对根均方差(RRMSE)分别为0.69和14%,0.72和21%,但(R605-R521-R682)/(R605+R521+R682)在不同年份中得表现不太稳定。在前人构造的氮/色素敏感光谱指数中,除NDVIg-b和ND(503,483)综合表现较好外,大部分光谱指数在估测LNC上表现较差,但却与LAI和VC有较好的相关性。且NDVIg-b和ND(503,483)的总体表现还是稍差于SR(553,537)。因此,以SR(553,537)为变量建立的水稻LNC监测模型可用于不同覆盖度条件下水稻LNC的估测。分析了水稻冠层高光谱植被指数与叶层氮积累量(LNA)的定量关系。结果表明:由红边区域波段752nm和近红外波段770nm组成的比值光谱指数SR(770,752)与LNA的相关性最好,决定系数(R2)达到0.9。在SR(770,752)基础上,引入445nm波段反射率修正得到的mSR(770,752)对不同栽培密度条件下的LNA也具有较好的相关性(R2=0.88)。独立试验资料检验结果表明,SR(770,752)和mSR(770,752)对LNA均具有较好的预测性,前者在预测精度和误差方面表现稍优于后者,后者SLOPE值达到0.98,明显高于前者,表明其预测的准确性更高。导数归一化光谱指数ND(D754,D700)与LNA也有较好的相关性,但总体上不如原始光谱指数与LNA关系密切。利用试验1-3未封行和封行数据,对SR(770,752)、mSR(770,752)及4个表现较好的已有LNA敏感光谱指数进一步验证和分析,发现封行前后SR(770,752)、mSR(770,752)的表现均要好于其他光谱指数。表明SR(770,752)和mSR(770,752)是适合于水稻LNA估测的良好高光谱植被指数。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 摘要
  • 1. 高光谱遥感简介
  • 1.1 高光谱遥感的基本原理
  • 1.2 绿色植被的典型光谱特征
  • 1.3 作物冠层高光谱特征
  • 1.4 高光谱植被指数
  • 2. 作物氮素营养和长势光谱监测研究进展
  • 2.1 作物冠层氮素营养监测
  • 2.2 作物长势监测
  • 3. 研究目的与意义
  • 参考文献
  • 第二章 技术路线与研究方法
  • 摘要
  • 1. 研究思路与技术路线
  • 2. 材料与方法
  • 2.1 试验设计
  • 2.2 资料获取方法
  • 2.3 数据分析与利用
  • 参考文献
  • 第三章 不同覆盖度条件下水稻叶面积指数、叶干重和植被覆盖度的高光谱监测
  • 摘要
  • 1. 材料与方法
  • 1.1 试验设计
  • 1.2 冠层高光谱反射率测定
  • 1.3 植被覆盖度提取
  • 1.4 农学参数测定
  • 1.5 数据分析与利用
  • 2. 结果与分析
  • 2.1 不同处理下水稻叶面积指数、叶干重和植被覆盖度的变化特征
  • 2.2 水稻冠层光谱与叶面积指数、叶干重和植被覆盖度的相关性
  • 2.3 新型光谱指数与水稻叶面积指数、叶干重和植被覆盖度的关系
  • 2.4 已有光谱指数与水稻叶面积指数、叶干重和植被覆盖度的关系
  • 2.5 模型的测试与检验
  • 3. 讨论与小结
  • 参考文献
  • ABSTRACT
  • 第四章 不同覆盖度条件下水稻叶层氮含量的高光谱监测
  • 摘要
  • 1. 材料与方法
  • 1.1 试验设计
  • 1.2 冠层高光谱反射率测定
  • 1.3 植被覆盖度提取
  • 1.4 农学参数测定
  • 1.5 数据分析与利用
  • 2. 结果与分析
  • 2.1 不同处理下水稻农学参数的变化特征
  • 2.2 不同处理下水稻植被覆盖度的变化特征
  • 2.3 不同处理下水稻冠层光谱反射率的变化特征
  • 2.4 冠层光谱与水稻叶层氮含量的相关性
  • 2.5 新型光谱指数与水稻叶层氮含量的关系
  • 2.6 已有光谱指数与水稻叶层氮含量的关系
  • 2.7 模型的测试与检验
  • 3. 讨论与小结
  • 参考文献
  • ABSTRACT
  • 第五章 不同覆盖度条件下水稻叶层氮积累量的高光谱监测
  • 摘要
  • 1. 材料与方法
  • 1.1 试验设计
  • 1.2 冠层高光谱反射率测定
  • 1.3 农学参数测定
  • 1.4 数据分析与利用
  • 2. 结果与分析
  • 2.1 不同处理下水稻叶层氮积累量的变化特征
  • 2.2 不同处理下水稻冠层光谱反射率的变化特征
  • 2.3 冠层光谱与水稻叶层氮积累量的相关性
  • 2.4 新型光谱指数与水稻叶层氮积累量的关系
  • 2.5 已有光谱指数与水稻叶层氮积累量的关系
  • 2.6 模型的测试与检验
  • 3. 讨论与小结
  • 参考文献
  • ABSTRACT
  • 第六章 讨论与结论
  • 摘要
  • 1. 讨论
  • 1.1 水稻氮素营养监测
  • 1.2 水稻生长指标监测
  • 1.3 本研究的特色与创新
  • 1.4 今后的研究设想
  • 2. 结论
  • 参考文献
  • 附录Ⅰ硕士期间发表或投稿的论文
  • 附录Ⅱ硕士期间参与的科研项目
  • 致谢
  • 相关论文文献

    • [1].甘肃省红山地区航空高光谱矿物信息精度分析[J]. 地质论评 2019(S1)
    • [2].高光谱摆扫型压缩成像及数据重建[J]. 红外技术 2017(08)
    • [3].基于非负矩阵分解的高光谱解混算法研究现状和未来的发展方向[J]. 科技视界 2015(13)
    • [4].谱科研旋律 抒遥感情怀——记中国科学院遥感应用研究所高光谱研究室主任张立福[J]. 科学中国人 2012(24)
    • [5].基于逐行处理的高光谱实时异常目标检测[J]. 光学学报 2017(01)
    • [6].高光谱地物识別技术[J]. 中国科技信息 2017(10)
    • [7].高光谱目标探测的进展与前沿问题[J]. 武汉大学学报(信息科学版) 2014(12)
    • [8].基于非负矩阵分解法的抗水分干扰土壤有机质高光谱估算[J]. 山西农业大学学报(自然科学版) 2020(01)
    • [9].线性混合光谱模型高光谱压缩感知[J]. 遥感学报 2020(03)
    • [10].风云三号卫星红外高光谱探测技术及潜在应用[J]. 气象科技进展 2016(01)
    • [11].美创企披露高光谱业务规划 已筹集8500万美元的资金[J]. 卫星与网络 2018(10)
    • [12].非凸稀疏低秩约束的高光谱解混方法[J]. 西安电子科技大学学报 2016(06)
    • [13].加工番茄可溶性固形物近红外高光谱反射成像检测[J]. 江苏农业科学 2013(08)
    • [14].矿物高光谱解混进展研究综述[J]. 遥感信息 2020(03)
    • [15].芬兰成功开发世界首款高光谱移动设备[J]. 军民两用技术与产品 2017(03)
    • [16].基于高光谱的凤眼莲植株氮含量无损监测[J]. 江苏农业学报 2014(04)
    • [17].编者按[J]. 遥感学报 2020(04)
    • [18].基于小波变换的高光谱散射图像特征提取[J]. 计算机与应用化学 2011(10)
    • [19].偏振-高光谱信息融合估测番茄叶片可溶性糖及糖氮比研究[J]. 农业工程技术 2020(24)
    • [20].基于高光谱的大叶女贞叶片水分定量测定[J]. 河南师范大学学报(自然科学版) 2017(06)
    • [21].基于小波分析的快照式高光谱海面溢油厚度分析[J]. 光学学报 2020(17)
    • [22].基于多光谱和高光谱的干旱遥感监测研究进展[J]. 灾害学 2019(01)
    • [23].品种和割龄对橡胶树叶片氮含量高光谱估算的影响[J]. 西南农业学报 2017(11)
    • [24].空间数据压缩的高光谱降维技术比较[J]. 遥感信息 2017(02)
    • [25].基于稀疏表示分步重构算法的高光谱目标检测[J]. 红外技术 2016(08)
    • [26].基于信息论准则的高光谱波段选择方法[J]. 电子设计工程 2014(01)
    • [27].基于支持向量机的航空高光谱赤潮监测[J]. 微计算机信息 2008(21)
    • [28].基于航空高光谱的黑土地硒含量反演研究[J]. 光谱学与光谱分析 2018(S1)
    • [29].加权空谱局部保持投影的高光谱图像特征提取[J]. 光学精密工程 2017(01)
    • [30].航拍高光谱溢油图像中的连续油区划分方法研究[J]. 中国水运(下半月) 2016(02)

    标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

    不同覆盖度条件下水稻生长参数的高光谱监测研究
    下载Doc文档

    猜你喜欢