不同水平油菜氮素含量遥感信息提取方法研究

论文摘要

本论文通过获取地面和卫星平台的油菜氮素含量遥感信息,采用统计回归方法和三种人工智能技术（artificial intelligence,简称AI）——后向传播神经网络（Back-Propagation Neural network,简称BP）、径向基函数神经网络（RadialBasis Function Neural network,简称RBF）、支持向量机（Support Vector MachineNetwork,简称SVM）,分别在叶片、冠层、卫星遥感等三个平台下,建立油菜氮素含量估算模型,对油菜氮素含量进行遥感估算和反演,并通过卫星影像提取油菜种植面积,反演油菜氮素含量反演,以得到更为方便、有效准确的油菜氮素诊断方法,对油菜作物大面积产量监测有重要的现实意义。具体研究内容和结果如下:（1）油菜叶片和冠层光谱基本特征为,在550nm处,即形成一个小的反射峰,在700nm左右形成高反射平台。不同供氮水平下的油菜叶片和冠层光谱在近红外波段差异明显,反射率随供氮水平提高而降低,透射率随供氮水平提高而上升。油菜冠层光谱反射率随着生长发育的推进,出现先上升后下降的变化。油菜叶片红边位置随着氮素水平的提高,出现“红移”现象;冠层光谱的红边位置λred具有“双峰”和“红边平台”现象,红边幅值Dλred和红边面积Sred随发育期推进,出现“红移”和“蓝移”现象,这与水稻、玉米等其它农作物不同。（2）油菜叶片水平氮素含量估算方法研究表明,以光谱反射率倒数对数的一阶微分形式（log（1/R））′建立的估算模型验证结果最佳。三种人工智能方法中以RBF方法得到的估算模型验证结果最佳。（3）油菜冠层水平氮素含量估算方法研究表明以光谱反射率倒数对数的一阶微分形式（log（1/R））′建立的估算模型验证结果最佳。三种人工智能方法中以BP方法得到的估算模型验证结果最佳。（4）基于卫星遥感影像的油菜氮素含量遥感反演方法研究表明,5种硬分类法对混合像元的分类能力从SVM、ARTMAP、KNN、BPN、MXL依次降低;高纯度像元比重越大的类别其分类的总精度越高;采用投票法的多分类器结合的分类法可以显著提高分类的总精度;用全模糊分类法能提高分类精度;采用卫星影像的光谱反射率建立油菜氮素含量的估算模型,能保证模型用于大范围油菜氮素含量填图的有效性。总之,本研究在以下几方面取得了新进展或有所创新:系统地研究了不同平台下油菜氮素含量遥感估算方法;将人工智能技术引入到油菜氮素含量遥感估算的全过程;在油菜种植面积提取方法研究上应用了全模糊分类和混合像元对分类结果的影响分析技术,进行了新的有效探索。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 目次
• 图目次
• 表目次
• 第一章 绪论
• 1.1 氮素对油菜作物生长发育、产量形成及品质的影响
• 1.1.1 氮素对油菜生长发育及产量形成的影响
• 1.1.2 氮素对油菜品质的影响
• 1.2 作物氮素含量的遥感估算方法研究进展
• 1.2.1 作物叶片水平氮素含量遥感估算研究进展
• 1.2.2 作物冠层水平氮素含量遥感估算研究进展
• 1.2.3 作物氮素含量的卫星遥感反演研究进展
• 1.3 人工智能技术在遥感上的应用研究进展
• 1.3.1 人工神经网络在遥感上的应用研究进展
• 1.3.1.1 人工神经网络在遥感分类上的应用研究进展
• 1.3.1.2 人工神经网络在作物参数遥感估算上的应用研究进展
• 1.3.2 支持向量机在遥感上的应用研究进展
• 第二章 资料与方法
• 2.1 研究区、试验设计与数据获取
• 2.1.1 研究区
• 2.1.2 小区田间试验设计与数据获取
• 2.1.2.1 试验品种
• 2.1.2.2 试验地点
• 2.1.2.3 肥料设计
• 2.1.2.4 获取的数据
• 2.1.3 野外大田试验观测与数据获取
• 2.2 研究技术路线图
• 2.3 研究方法
• 2.3.1 测量方法
• 2.3.1.1 光谱观测方法
• 2.3.1.2 油菜氮素含量测量
• 2.3.2 数据处理方法
• 2.3.2.1 高光谱反射率的变换
• 2.3.2.2 高光谱植被指数
• 2.3.2.3 "红边"参数
• 2.3.3 油菜氮素含量估算模型
• 2.3.3.1 统计回归方法
• 2.3.3.2 误差后传神经网络模型
• 2.3.3.3 径向基函数神经网络模型
• 2.3.3.4 支持向量机模型
• 2.3.3.5 模型拟合结果的验证指标
• 2.3.4 遥感影像分类方法
• 2.3.4.1 最大似然法
• 2.3.4.2 K最近邻分类法
• 2.3.4.3 自适应图神经网络
• 2.3.4.4 多分类器结合
• 2.3.4.5 模糊分类
• 2.3.4.6 分类结果的精度评价
• 第三章 油菜高光谱特征研究
• 3.1 油菜叶片高光谱特征
• 3.1.1 不同氮素水平油菜叶片高光谱特征
• 3.1.2 不同氮素水平油菜叶片红边参数特征
• 3.2 油菜冠层高光谱特征
• 3.2.1 不同氮素水平油菜冠层高光谱特征
• 3.2.2 不同发育期油菜冠层高光谱特征
• 3.2.3 不同发育期油菜冠层红边参数特征
• 3.3 本章小结与讨论
• 第四章 叶片水平的油菜氮素含量遥感估算方法研究
• 4.1 油菜叶片氮素含量与高光谱变量的相关性分析
• 4.1.1 油菜叶片氮素含量与高光谱反射率的相关分析
• 4.1.2 油菜叶片氮素含量与窄波段归一化植被指数的相关分析
• 4.1.3 油菜叶片氮素含量与窄波段比值植被指数的相关分析
• 4.2 油菜叶片氮素含量的高光谱反射率估算模型
• 4.2.1 油菜叶片氮素含量的高光谱反射率回归估算模型
• 4.2.2 基于BP神经网络的油菜叶片氮素含量高光谱反射率估算模型
• 4.2.3 基于RBF神经网络的油菜叶片氮素含量高光谱反射率估算模型
• 4.2.4 基于SVM的油菜叶片氮素含量高光谱反射率估算模型
• 4.3 油菜叶片氮素含量的高光谱植被指数估算模型
• 4.3.1 油菜叶片氮素含量的窄波段植被指数回归估算模型
• 4.3.2 油菜叶片氮素含量的光谱植被指数回归估算模型
• 4.3.3 基于BP神经网络的油菜叶片氮素含量光谱植被指数估算模型
• 4.3.4 基于RBF神经网络的油菜叶片氮素含量光谱植被指数估算模型
• 4.3.5 基于SVM的油菜叶片氮素含量光谱植被指数估算模型
• 4.4 油菜叶片氮素含量的高光谱红边参数估算模型
• 4.4.1 油菜叶片氮素含量的红边参数回归估算模型
• 4.4.2 基于BP神经网络的油菜叶片氮素含量红边参数估算模型
• 4.4.3 基于RBF神经网络的油菜叶片氮素含量红边参数估算模型
• 4.4.4 基于SVM的油菜叶片氮素含量红边参数估算模型
• 4.5 本章小结与讨论
• 4.5.1 油菜叶片水平氮素遥感估算敏感波段选择
• 4.5.2 油菜叶片水平氮素含量的不同光谱参数估算模型比较
• 4.5.3 油菜叶片水平氮素含量的不同遥感估算模型方法比较
• 第五章 冠层水平的油菜氮素含量遥感估算方法研究
• 5.1 油菜冠层氮素含量与高光谱变量的相关性分析
• 5.1.1 油菜冠层氮素含量与高光谱反射率相关性分析
• 5.1.2 油菜冠层氮素含量与窄波段归一化植被指数的关系
• 5.1.3 油菜冠层氮素含量与窄波段比值植被指数的关系
• 5.2 油菜冠层氮素含量的高光谱反射率估算模型
• 5.2.1 油菜冠层氮素含量的高光谱反射率回归估算模型
• 5.2.2 基于BP神经网络的油菜冠层氮素含量高光谱反射率估算模型
• 5.2.3 基于RBF神经网络的油菜冠层氮素含量高光谱反射率估算模型
• 5.2.4 基于支持向量机的油菜冠层氮素含量高光谱反射率估算模型
• 5.3 油菜冠层氮素含量的高光谱植被指数估算模型
• 5.3.1 油菜冠层氮素含量的窄波段植被指数回归估算模型
• 5.3.2 油菜冠层氮素含量的光谱植被指数回归估算模型
• 5.3.3 基于BP神经网络的油菜冠层氮素含量光谱植被指数估算模型
• 5.3.4 基于RBF神经网络的油菜冠层氮素含量光谱植被指数估算模型
• 5.3.5 基于SVM的油菜冠层氮素含量光谱植被指数估算模型
• 5.4 油菜冠层氮素含量的高光谱红边参数估算模型
• 5.4.1 油菜冠层氮素含量的红边参数回归估算模型
• 5.4.2 基于BP神经网络的油菜冠层氮素含量红边参数估算模型
• 5.4.3 基于RBF神经网络的油菜冠层氮素含量红边参数估算模型
• 5.4.4 基于SVM的油菜冠层氮素含量红边参数估算模型
• 5.5 本章小结与讨论
• 5.5.1 油菜冠层水平氮素敏感波段选择
• 5.5.2 油菜冠层水平氮素含量的不同光谱参数估算模型比较
• 5.5.3 油菜冠层水平氮素含量的不同遥感估算模型方法比较
• 第六章 基于卫星遥感影像的油菜氮素含量遥感反演方法研究
• 6.1 遥感影像预处理
• 6.1.1 几何校正
• 6.1.2 大气校正
• 6.1.2.1 辐射定标
• 6.1.2.2 5S模型及所需参数
• 6.1.2.3 大气校正方程
• 6.1.3 训练样本和分类方法参数选择
• 6.2 油菜种植面积提取结果与分析
• 6.2.1 试验区TM影像硬分类结果
• 6.2.1.1 各分类器单独硬分类结果
• 6.2.1.2 多分类器结合的分类结果
• 6.2.2 试验区TM影像的像元纯度分析及其对硬分类精度的影响
• 6.2.2.1 试验区TM影像的像元纯度分析
• 6.2.2.2 像元纯度对硬分类精度的影响
• 6.2.3 试验区TM影像全模糊分类结果
• 6.3 基于卫星遥感影像的油菜氮素含量遥感反演方法研究
• 6.3.1 海盐试验区油菜氮素含量TM植被指数估算模型
• 6.3.1.1 海盐试验区油菜氮素含量TM植被指数回归估算模型
• 6.3.1.2 基于BP神经网络的试验区油菜氮素含量TM植被指数估算模型
• 6.3.1.3 基于RBF神经网络的试验区油菜氮素含量TM植被指数反演模型
• 6.3.1.4 基于SVM的试验区油菜氮素含量TM植被指数反演模型
• 6.3.2 海盐试验区油菜氮素含量TM波段反射率估算模型
• 6.3.2.1 海盐试验区油菜氮素含量TM波段反射率回归估算模型
• 6.3.2.2 基于BP神经网络的试验区油菜氮素含量TM波段反射率估算模型
• 6.3.2.3 基于RBF神经网络的试验区油菜氮素含量TM波段反射率估算模型
• 6.3.2.4 基于SVM的试验区油菜氮素含量TM波段反射率估算模型
• 6.4 本章小结与讨论
• 第七章 内容总结、创新点和展望
• 7.1 研究内容总结
• 7.1.1 油菜高光谱特征研究
• 7.1.2 不同水平油菜氮素遥感估算敏感波段研究
• 7.1.3 不同水平油菜氮素含量遥感回归估算模型研究
• 7.1.4 基于不同方法的油菜氮素含量遥感估算模型研究
• 7.1.5 基于卫星遥感影像的油菜种植面积提取方法研究
• 7.2 创新点与新进展
• 7.2.1 系统地研究了不同平台下油菜氮素含量遥感估算方法
• 7.2.2 将人工智能技术引入到油菜遥感诊断
• 7.2.3 在油菜种植面积提取方法研究上进行了新的探索
• 7.3 展望
• 参考文献（REFERENCES）
• 作者简历