不同遥感水平水稻氮素信息提取研究

论文摘要

随着环境问题日益受到重视,如何在保证作物高产优质的同时防止或尽量减少作物生产带来的环境污染也是各国政府、农学家、环境工作者及生产者所必须解决的问题。因此,采取有效的氮素管理措施,合理施用氮肥,准确、迅速、经济地判断植物的氮素状况、确定作物的氮肥需要量以及提高氮肥的利用效率具有重大的经济和生态意义。遥感技术为获得不同尺度生化组分含量提供了一个便捷的多元化工具。定量化提取植被生化组分信息的研究随着高光谱技术的发展而飞快的发展起来,同时现代计算机技术提供了强大的计算和数据处理能力,极大程度地丰富了遥感提取生化组分信息的数据处理方法。数据挖掘技术因此应运而生,成为定量化提取植被生化组分信息研究中的热点问题。本研究围绕遥感信息数据挖掘技术这一前沿课题,以不同遥感水平数据定量提取作物氮素信息为研究重点,在研究ANN和SVM数据挖掘技术理论以及PCA技术的基础上,从统计回归方法到ANN和SVM算法,从方法分析到模型建立,进行了一个较为系统的研究,构建了基于数据挖掘技术的不同遥感水平作物氮素信息提取模型,并系统地对比了传统统计方法与ANN算法以及SVM方法用于遥感提取作物氮素信息的精度,以及不同遥感水平作物氮素信息提取的精度。研究的主要内容与成果如下:（1）叶片水平氮含量遥感诊断模型研究研究中,采用线性建模法（Linear Regression,简称LR）、反向传播神经网络法（Back Propagation Neural Network,简称ANN）、径向基函数网络法（RadialBasis Function,简称RBF）以及支持向量机法（Support Vector Machine,简称SVM）构建了基于原始光谱反射率（Reflectance,简称R）和主成份得分值（Scoresof Principal Components,简称PC）的水稻不同发育期以及不同氮素水平的氮含量遥感诊断模型,并采用非建模数据集的大田水稻数据以及非水稻的油菜数据对模型的普适性进行了验证。结果表明:对比不同发育期氮含量诊断模型发现,通常灌浆期和乳熟期模型的各类精度指标表现较好,其中,基于灌浆期光谱主成份得分值构建的PC-RBF模型的精度较高,模型的RMSE值和REP值分别为0.151和6.816%,由其得到的估算氮和实测氮之间的相关系数r=0.977,两者之间极显著相关;对比不同氮素水平氮含量遥感诊断模型发现,基于N1适氮水平的氮含量诊断模型精度通常要优于N0和N2水平模型的精度,其中N1水平的R-LR模型的精度最优,其RMSE和REP值分别为0.720和25.647%,由其得到的估算氮和实测氮之间的相关系数r=0.747,两者极显著相关;采用大田水稻数据对各类模型的普适性进行验证的结果表明,将基于水稻小区试验数据构建的各类氮含量诊断模型应用于大田水稻数据不但可行并且总体结果令人满意;采用油菜数据对各类模型的普适性进行验证,结果发现各类模型虽然也能实现油菜氮含量的估算,但总体精度不如在大田水稻数据中的应用精度,此外还发现,由于参与模型验证的油菜氮含量的取值范围（1.07至2.84 mg/g）要远远小于建模水稻氮含量的取值范围（0.91至4.82 mg/g）,从而导致各模型对油菜氮含量的拟合结果普遍高于油菜实测氮含量。（2）冠层水平氮含量遥感诊断模型研究采用与叶片水平氮含量遥感诊断研究相同的方法对冠层水平氮含量诊断模型进行讨论。结果表明:对比不同发育期氮含量诊断模型发现,乳熟期和成熟期模型各类精度指标表现较好,其中成熟期的R-ANN模型表现相对最优,模型RMSE和REP值分别为0.746,48.147%,估算氮值和实测值之间显著相关,相关系数r=0.912;对比不同氮素水平氮含量诊断模型发现,三个氮素水平的各类模型都能较好的实现氮含量诊断,精度令人满意,由各类模型得到的估算氮和实测氮之间的最大相关系数r=0.962,最小相关系数r=-0.799,估算氮与实测氮之间极显著相关;采用大田水稻数据对各类模型的普适性进行验证的结果与叶片水平模型的验证结果类似,由R-LR模型和R-SVM模型得到的大田水稻估算氮值与实测值之间的相关关系极显著,r分别等于0.865和0.854;采用油菜数据对各类模型的普适性进行验证,与叶片水平结果类似,估算总体精度不如对大田水稻氮含量的估算精度,并且同样会过高估算油菜氮含量。（3）基于TM数据的水稻氮含量遥感诊断模型研究研究中,以TM数据和相应的氮含量数据为数据源,采用LR线性建模法、RBF建模法以及SVM建模法,在相关性分析的基础上,构建了基于TM2、TM3波段光谱变量以及NDⅥ和RⅥ植被指数的氮含量遥感诊断模型并对模型精度进行检验;此外,还将叶片和冠层水平光谱变量模拟TM波段光谱范围,采用相同的建模方法,对模型的精度采用TM数据进行验证,从而探讨基于叶片和冠层水平光谱变量的氮含量诊断模型扩展应用在TM数据中的精度。结果表明,采用TM数据对水稻氮含量进行估算不但可行并且总体精度令人满意;对比不同建模方法,发现LR线性模型总体表现不如RBF模型和SVM模型,进一步对比发现,除了RⅥ-RBF模型的精度高于RⅥ-SVM模型之外,由其它三个输入变量构建的RBF模型的精度均低于对应的SVM模型,总体上SVM模型的表现最佳;由四个输入变量构建的SVM模型均能很好的实现氮含量估算,其中TM2-SVM模型的表现最佳,由其得到的估算氮和实测氮之间的相关系数r=0.751,两者之间极显著相关。

论文目录

• 致谢
• 摘要
• Abstract
• 目录
• 表目录
• 图目录
• 第1章 绪论
• 1.1 研究意义和立题依据
• 1.2 数据挖掘技术简介
• 1.2.1 人工神经网络技术概述
• 1.2.2 支持向量机概述
• 1.3 作物氮素营养诊断的常规方法
• 1.4 遥感提取作物氮素信息
• 1.4.1 高光谱遥感概述
• 1.4.2 植被光谱特性
• 1.4.2.1 叶片及植被结构
• 1.4.2.2 叶片光谱特性
• 1.4.2.3 冠层光谱特性
• 1.4.3 遥感提取作物生化参数的原理和研究基础
• 1.5 遥感在作物氮素信息提取研究中的国内外研究进展
• 1.5.1 不同遥感水平
• 1.5.1.1 叶片水平
• 1.5.1.2 冠层水平
• 1.5.1.3 卫星水平
• 1.5.2 不同研究方法
• 1.5.2.1 线性逐步回归方法
• 1.5.2.2 人工神经网络方法
• 1.5.2.3 支持向量机方法
• 1.6 课题来源、研究内容以及技术路线
• 1.6.1 课题来源
• 1.6.2 研究内容
• 1.6.3 技术路线
• 第2章 数据获取及数据分析方法
• 2.1 试验设计
• 2.1.1 小区试验
• 2.1.2 大田试验
• 2.2 数据获取
• 2.2.1 光谱测定
• 2.2.1.1 光谱仪介绍
• 2.2.1.2 冠层光谱测定
• 2.2.1.3 叶片光谱测定
• 2.2.2 TM数据
• 2.2.3 氮含量测定
• 2.3 数据分析方法
• 2.3.1 多元线性回归建模法
• 2.3.2 反向传播神经网络
• 2.3.3 径向基函数网络
• 2.3.4 支持向量机网络
• 2.3.5 主成份分析法
• 2.3.6 模型精度检验指标
• 第3章 数据特征分析
• 3.1 氮含量统计特征
• 3.1.1 水稻氮含量统计特征分析
• 3.1.2 油菜氮含量统计特征分析
• 3.2 光谱特征
• 3.2.1 叶片光谱特征
• 3.2.2 冠层光谱特征
• 第4章 基于叶片光谱的氮素信息提取
• 4.1 不同发育期水稻氮含量遥感诊断模型
• 4.1.1 数据随机分组
• 4.1.2 主成份分析（PCA分析）
• 4.1.2.1 建模样本PCA分析
• 4.1.2.2 检验样本PCA分析
• 4.1.3 回归法提取作物氮素信息
• 4.1.3.1 基于光谱反射率的多元线性模型
• 4.1.3.2 基于主成份得分值的多元线性模型
• 4.1.4 BP模型
• 4.1.5 RBF模型
• 4.1.6 SVM模型
• 4.1.7 模型精度检验
• 4.1.7.1 线性模型精度检验
• 4.1.7.2 BP模型精度检验
• 4.1.7.3 RBF模型精度检验
• 4.1.7.4 SVM模型精度检验
• 4.2 不同氮素水平水稻氮含量遥感诊断模型
• 4.2.1 数据随机分组
• 4.2.2 主成份分析
• 4.2.2.1 建模样本PCA分析
• 4.2.2.2 检验样本PCA分析
• 4.2.3 线性模型
• 4.2.3.1 基于光谱反射率的多元线性模型
• 4.2.3.2 基于主成份的线性模型
• 4.2.4 BP模型
• 4.2.5 RBF模型
• 4.2.6 SVM模型
• 4.2.7 模型精度检验
• 4.2.7.1 线性模型精度检验
• 4.2.7.2 BP模型精度检验
• 4.2.7.3 RBF模型精度检验
• 4.2.7.4 SVM模型精度检验
• 4.3 模型普适性验证
• 4.3.1 大田水稻数据对模型的验证
• 4.3.1.1 氮含量统计特征分析
• 4.3.1.2 光谱反射率PCA分析
• 4.3.1.3 模型普适性验证结果
• 4.3.2 油菜数据对模型的验证
• 4.3.2.1 氮含量统计特征分析
• 4.3.2.2 光谱反射率PCA分析
• 4.3.2.3 模型普适性验证结果
• 4.4 本章小结
• 第5章 基于冠层光谱的氮素信息提取
• 5.1 不同发育期水稻氮含量遥感诊断模型
• 5.1.1 数据随机分组
• 5.1.2 主成份分析（PCA分析）
• 5.1.2.1 建模样本PCA分析
• 5.1.2.2 检验样本PCA分析
• 5.1.3 回归法提取作物氮素信息
• 5.1.3.1 基于光谱反射率的多元线性模型
• 5.1.3.2 基于主成份得分值的多元线性模型
• 5.1.4 BP模型
• 5.1.5 RBF模型
• 5.1.6 SVM模型
• 5.1.7 模型精度检验
• 5.1.7.1 线性模型精度检验
• 5.1.7.2 BP模型精度检验
• 5.1.7.3 RBF模型精度检验
• 5.1.7.4 SVM模型精度检验
• 5.2 不同氮素水平水稻氮含量遥感诊断模型
• 5.2.1 数据随机分组
• 5.2.2 主成份分析
• 5.2.2.1 建模样本PCA分析
• 5.2.2.2 检验样本PCA分析
• 5.2.3 多元线性模型
• 5.2.3.1 基于光谱反射率的多元线性回归模型
• 5.2.3.2 基于主成份的线性模型
• 5.2.4 BP模型
• 5.2.5 RBF模型
• 5.2.6 SVM模型
• 5.2.7 模型精度检验
• 5.2.7.1 线性模型精度检验
• 5.2.7.2 BP模型精度检验
• 5.2.7.3 RBF模型精度检验
• 5.2.7.4 SVM模型精度检验
• 5.3 模型普适性验证
• 5.3.1 大田水稻数据对模型的验证
• 5.3.1.1 氮含量统计特征分析
• 5.3.1.2 光谱反射率PCA分析
• 5.3.1.3 模型普适性验证结果
• 5.3.2 油菜数据对模型的验证
• 5.3.2.1 油菜氮含量统计特征分析
• 5.3.2.2 光谱反射率PCA分析
• 5.3.2.3 模型普适性验证结果
• 5.4 本章小结
• 第6章 基于TM数据的氮素信息提取
• 6.1 氮含量统计特征分析
• 6.2 不同遥感水平光谱变量以及植被指数的统计特征分析
• 6.3 光谱变量与氮含量之间相关关系的定性分析
• 6.4 基于叶片光谱模拟TM变量的氮含量诊断模型
• 6.4.1 模型结构
• 6.4.2 模型评价
• 6.5 基于冠层光谱模拟TM变量的氮含量诊断模型
• 6.5.1 模型结构
• 6.5.2 模型评价
• 6.6 基于TM数据的氮含量诊断模型
• 6.6.1 模型结构
• 6.6.2 模型精度检验
• 6.7 叶片和冠层水平氮含量诊断模型的可扩展性验证
• 6.7.1 叶片水平氮含量诊断模型的可扩展性验证
• 6.7.2 冠层水平氮含量诊断模型的可扩展性验证
• 6.8 本章小结
• 第7章 结语、创新点与讨论
• 7.1 主要结论
• 7.1.1 不同遥感水平氮含量诊断模型精度比较
• 7.1.2 不同研究方法对比
• 7.1.3 R-模型和PC-模型精度对比
• 7.1.4 不同氮素水平模型精度对比
• 7.2 创新点
• 7.3 讨论
• 参考文献
• 作者简历及在学期间的科研成果