基于综合长势参数指标的冬小麦长势遥感监测

发布时间：2022-12-04 07:57

　　遥感以其快速、简便、宏观、无损及客观等优点越来越多地应用于农业生产各个环节。农业遥感应用主要借助空间遥感技术开展长势、产量、灾害等方面的监测,其中长势监测主要包括作物长势参量的反演、作物长势状况的分级评估等方面。目前,大多数研究者利用单一长势参量进行作物长势监测,而单一长势参量不能全面反映作物的真实生长状况。本文利用多源遥感数据开展冬小麦长势监测研究,主要内容及结果如下:（1）针对长势参量的反演问题,利用地面高光谱数据和长势参量实测数据,在对文献中已有的典型植被指数、模型方法进行筛选的基础上,建立了长势参量最优估算模型。结果表明,利用植被指数RVI、PRI、VOG1、NDVI705基于r-PLSR-AIC构建的冬小麦LAI估算模型效果最佳,可用于冬小麦LAI的精确反演:基于光谱指数RSI（R604,R496）构建的LNC估算模型的预测能力较好;利用植被指数REP、TCARI/OSAVI、GNDVI、NDCI、RI1dB、NDVI705、mNDVI705基于 r-MSR-Adj.R2构建的冬小麦 SPAD 估算模型效果最佳;利用植被指数RVI、NDVI、OSAVI、B470、R680,将... 

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 作物单一长势参量遥感研究进展
        1.2.2 作物综合长势参量遥感研究进展
        1.2.3 多源遥感数据在作物长势监测上的研究进展
    1.3 研究目标、研究方案与技术路线
        1.3.1 研究目标
        1.3.2 研究方案
        1.3.3 技术路线
2 数据与方法
    2.1 研究区与实验设计
    2.2 数据获取
        2.2.1 冬小麦冠层高光谱数据获取
        2.2.2 冬小麦无人机高光谱影像数据获取
        2.2.3 冬小麦长势参量测定
    2.3 数据分析方法
        2.3.1 光谱指数法
        2.3.2 偏最小二乘方法
        2.3.3 随机森林法
        2.3.4 主成分分析法
    2.4 模型评价标准
        2.4.1 决定系数
        2.4.2 调整决定系数
        2.4.3 均方根误差
        2.4.4 相对分析误差
    2.5 本章小结
3 基于地面高光谱数据的作物长势参量估算研究
    3.1 基于地面高光谱数据的LAI估算研究
        3.1.1 植被指数的选取
        3.1.2 植被指数与冬小麦LAI相关性分析
        3.1.3 基于偏最小二乘回归的冬小麦LAI模型构建
        3.1.4 基于偏最小二乘回归的冬小麦LAI最优模型的验证
    3.2 基于地面高光谱数据的LNC估算研究
        3.2.1 敏感波段的筛选
        3.2.2 基于光谱指数的冬小麦LNC模型构建及检验
        3.2.3 基于随机森林法的冬小麦LNC模型构建及检验
    3.3 基于地面高光谱数据的SPAD估算研究
        3.3.1 植被指数的选取
        3.3.2 植被指数与冬小麦SPAD的相关性分析
        3.3.3 基于多元逐步回归的冬小麦SPAD模型构建
        3.3.4 基于多元逐步回归的冬小麦SPAD最优模型验证
    3.4 基于地面高光谱数据的AGB估算研究
        3.4.1 植被指数的选取
        3.4.2 植被指数与冬小麦AGB的相关性分析
        3.4.3 基于多元逐步回归的冬小麦AGB模型构建
        3.4.4 基于多元逐步回归的冬小麦AGB最优模型验证
    3.5 本章小结
4 基于综合长势指标的冬小麦长势监测
    4.1 冬小麦各长势参量的时序变化规律
    4.2 基于均等权重构建的CGMI的长势监测
        4.2.1 基于均等权重的CGMI的构建
        4.2.2 长势参量与光谱指数的相关性分析
        4.2.3 冬小麦长势参量PLSR模型的构建及验证
    4.3 基于PCA统计分析法构建CGMI的长势监测
        4.3.1 各长势参量之间的相关性分析
        4.3.2 基于PCA统计分析法的CGMI的构建
        4.3.3 基于PCA方法构建的CGMI与光谱指数的相关性分析
        4.3.4 冬小麦CGMI的PLSR模型的构建及验证
    4.4 本章小结
5 基于无人机高光谱影像的冬小麦综合长势监测
    5.1 无人机UHD185高光谱数据有效性验证
    5.2 基于无人机高光谱影像的CGMI估算
        5.2.1 光谱指数与CGMI的相关性分析
        5.2.2 基于PLSR的冬小麦CGMI模型构建及检验
        5.2.3 基于无人机高光谱影像的CGMI空间分布
    5.3 基于CGMI的冬小麦长势分级评估
    5.4 本章小结
6 结论与展望
    6.1 主要工作和结论
    6.2 创新点
    6.3 不足与展望
致谢
参考文献
攻读硕士学位期间发表的论文、主要学术活动


【参考文献】：
期刊论文
[1]夏玉米叶片全氮、叶绿素及叶面积指数的光谱响应研究[J]. 谭昌伟,王纪华,黄文江,刘良云,黄义德,赵春江.  西北植物学报. 2004(06)
[2]利用高光谱遥感图像估算小麦氮含量[J]. 张霞,刘良云,赵春江,张兵.  遥感学报. 2003(03)
[3]玉米叶绿素含量的高光谱估算模型研究[J]. 宋开山,张柏,李方,段洪涛,王宗明.  作物学报. 2005(08)
[4]棉花叶绿素密度和叶片氮积累量的高光谱监测研究[J]. 黄春燕,王登伟,闫洁,张煜星,曹连莆,程诚.  作物学报. 2007(06)
[5]基于TM影像的冬小麦苗期长势与植株氮素遥感监测研究[J]. 李卫国,王纪华,赵春江,童庆禧,刘良云.  遥感信息. 2007(02)
[6]基于人工神经网络的大豆叶面积高光谱反演研究[J]. 宋开山,张柏,王宗明,张渊智,刘焕军.  中国农业科学. 2006(06)
[7]国家级作物长势遥感监测业务系统设计与实现[J]. 裴志远,郭琳,汪庆发.  农业工程学报. 2009(08)
[8]基于Hyperion影像的水稻冠层生化参量反演[J]. 陈君颖,田庆久,亓雪勇,刘晓臣,管仲.  遥感学报. 2009(06)
[9]基于数据分割与主成分分析的LAI遥感估算[J]. 董莹莹,王纪华,李存军,杨贵军,宋晓宇,顾晓鹤,黄文江.  红外与毫米波学报. 2011(02)
[10]高光谱数据估测稻麦叶面积指数和叶绿素密度[J]. 杨峰,范亚民,李建龙,钱育蓉,王艳,张洁.  农业工程学报. 2010(02)

硕士论文
[1]我国特色小镇主导产业选择研究[D]. 陈晓蓁.山东建筑大学 2017



本文编号：3707878