基于多源多時相遙感數據水稻長勢參數提取與應用.pdf

1、水稻是主要糧食作物之一，其生長狀況的監(jiān)測對水稻生長管理、產量預測、災害防治等方面起到重要作用。而葉面積指數、色素含量等生理生化參數是水稻長勢監(jiān)測的重要指標。憑借高光譜技術的波段連續(xù)性強、波譜分辨率高、光譜信息豐富等優(yōu)勢，能夠實時、快速、高效、無損地獲取水稻長勢、營養(yǎng)狀況及其變化狀況，為精準農業(yè)的信息化管理提供技術支持和理論依據。
　　本文以不同氮肥水平、不同生育期的水稻為研究對象，建立水稻生理生化參數的冠層反射光譜反演模型，基于環(huán)

2、境衛(wèi)星(HJ-1A)影像數據，獲得水稻關鍵生長期的葉面積指數(Leaf area index，LAI)的空間分布，實現水稻生長狀況的大范圍觀測。圍繞上述內容，開展研究，取得了如下主要結果:
　　1.基于水稻冠層反射光譜數據得到15個植被指數，利用留一法交叉驗證進行5種傳統回歸模型分析（線性函數、指數函數、對數函數、冪函數、多項式函數），建立了不同生育期的水稻LAI高光譜指數估計模型，獲取了不同生育期的優(yōu)選植被指數，采用噪聲等效誤差

3、(Noise Equivalent，NE)對植被指數反演LAI進行了敏感性分析，結果顯示，分蘗期歸一化植被指數(normalized difference vegetation index，NDVI)、新型植被指數(new vegetation index，NVI)對LAI變化敏感，且估計精度高;拔節(jié)期綠色歸一化植被指數(green normalized difference vegetation index，GNDVI)、比值植被指數

4、(ratio vegetation index，RVI-3)、改進的簡單比值指數(modified simple ratioindex，MSR)具有高敏感性和估計精度;水稻生長后期GNDVI、修正歸一化差異植被指數(modified normalized difference vegetation index，mNDVI)、MSR比其他指數更適用于LAI估計。基于植被指數構建的全生育期水稻LAI傳統回歸模型精度過低，難以用統一植被指數來

5、估算整個生育期水稻LAI，利用偏最小二乘回歸建模方法，建模集和驗證集的決定系數R2分別可達到0.87和0.81，RMSEC為0.612，RMSEP為0.856，RPD大于2，能夠較為精確地估算全生育期水稻LAI。
　　2.基于連續(xù)統去除處理的水稻冠層高光譜數據(400～750nm)，選取了波段深度(band depth，BD)、波段深度比(band depth ratio，BDR)、歸一化波段深度(normalizedband d

6、epth index，NBDI)和歸一化面積波段指數(band depth normalized to band area，BNA)4種波段指數。在此基礎上進行主成分分析(principal component analysis，PCA)實現光譜降維，然后運用反向傳播(back propagation，BP)神經網絡方法對水稻葉片色素含量進行高光譜反演。結果表明，BD與BP結合的估算模型對水稻葉片中的類胡蘿卜素含量估算精度最高(R2=0

7、.61，RMSEP=0.128mg·g-1)， BNA與BP結合的估算模型對水稻葉片中的葉綠素含量估算精度最高(R2=0.73，RMSEP=0.343mg·g-1)。對比分析BDA與BP結合的模型和植被指數最佳回歸模型的精度，發(fā)現波段深度分析建立的BP神經網絡模型能較好地解決飽和問題，提高水稻葉片色素含量的估算精度。
　　3.基于大田地面調查點和小區(qū)試驗田的水稻灌漿期冠層反射光譜，根據HJ-1A衛(wèi)星影像的光譜響應函數，模擬HJ-1

8、A衛(wèi)星的藍、綠、紅、近紅外波段。對12個植被指數與水稻LAI的相關性進行分析，選取相關系數最大的植被指數構建水稻LAI估算模型。結果表明，GRVI的二次多項式回歸模型估算水稻灌漿期LAI的精度最高，模型為LAI=-0.027*GRVI2+1.125*GRVI+0.028，建模集和驗證集的R2分別達到0.89和0.80，RMSEC和RMSEP均較低，RPD大于2，模型優(yōu)異。利用GRVI-LAI估算模型，獲取水稻灌漿期LAI的空間分布圖。由