基于遙感數(shù)據(jù)的作物長(zhǎng)勢(shì)參數(shù)反演及作物管理分區(qū)研究.pdf

1、作物長(zhǎng)勢(shì)參數(shù)是表征作物生長(zhǎng)狀態(tài)的重要指標(biāo)，準(zhǔn)確、快速的獲取作物長(zhǎng)勢(shì)信息對(duì)指導(dǎo)農(nóng)業(yè)生產(chǎn)、預(yù)測(cè)糧食產(chǎn)量和制定糧食安全策略具有重要的實(shí)際意義。在我國(guó)目前的農(nóng)業(yè)生產(chǎn)條件下，大部分農(nóng)田比較分散并為不同農(nóng)戶所有，田間管理措施多樣，再加上地域差異和氣候差異，導(dǎo)致區(qū)域內(nèi)不同地塊內(nèi)和地塊間的作物長(zhǎng)勢(shì)差異較大，即作物長(zhǎng)勢(shì)存在不同程度的空間變異。傳統(tǒng)的田間采樣和實(shí)驗(yàn)室分析方法只能獲取離散點(diǎn)上的作物長(zhǎng)勢(shì)參數(shù)信息，無(wú)法獲取宏觀面上的信息，也無(wú)法獲取作物長(zhǎng)勢(shì)空間變

2、異信息。隨著遙感技術(shù)的日益成熟，該技術(shù)已經(jīng)成為進(jìn)行作物長(zhǎng)勢(shì)參數(shù)反演和監(jiān)測(cè)、研究作物長(zhǎng)勢(shì)空間變異和進(jìn)行相關(guān)決策支持的有效手段。本研究立足于獲取作物長(zhǎng)勢(shì)參數(shù)和長(zhǎng)勢(shì)空間變異信息這一實(shí)際需要，圍繞基于高光譜影像的作物種植區(qū)提取、基于冠層高光譜和航空高光譜影像的作物長(zhǎng)勢(shì)參數(shù)遙感反演和監(jiān)測(cè)和作物管理分區(qū)中的關(guān)鍵問(wèn)題，開(kāi)展了如下研究工作:
　　(1)基于高光譜遙感影像的作物種植區(qū)提取
　　為了解決高光譜影像波段維數(shù)較高，在利用監(jiān)督分類方法

3、進(jìn)行分類時(shí)出現(xiàn)維數(shù)災(zāi)難的問(wèn)題，從波段選擇和特征提取兩個(gè)方面進(jìn)行了高光譜影像維數(shù)約簡(jiǎn)的研究。在波段選擇方面，提出了基于分散矩陣的波段選擇方法ScatterMatrix，該方法將類間可分性作為波段選擇的準(zhǔn)則，采用分散矩陣作為類間可分性度量并將它擴(kuò)展至多個(gè)類別的分類問(wèn)題中，最后結(jié)合SFFS搜索算法進(jìn)行波段選擇。算法驗(yàn)證結(jié)果顯示與JMI、mRMR、CMIM、DISR和JM五種典型的波段選擇方法相比，提出的ScatterMatrix波段選擇方法得

4、到的總體分類識(shí)別率最高(90.1％)，由此表明提出的ScatterMatrix方法可以有效的降低波段維數(shù)，提高分類識(shí)別率。在特征提取方面，針對(duì)PCA的非監(jiān)督的本質(zhì)，變換后得到的新的特征并不能保證好的分類識(shí)別效果的問(wèn)題，將非監(jiān)督的PCA方法與前面提出的監(jiān)督的波段選擇方法ScatterMatrix結(jié)合提出了一種混合的特征提取方法PCA ScatterMatrix，算法驗(yàn)證結(jié)果顯示與傳統(tǒng)的PCA相比，PCA_ScatterMatrix方法的總

5、體識(shí)別率提高了2.5％。為了獲得更加精確的植被分類結(jié)果，在利用光譜信息的基礎(chǔ)上，引入了地物自身的空間信息，提出了一種光譜特征和空間特征融合的高光譜影像分類方法SpeSpaVS_ScatterMatrix，該方法用ScatterMatrix方法進(jìn)行光譜特征的提取，采用Gabor方法進(jìn)行空間特征的提取，然后將兩類特征組合成一個(gè)特征向量，接著采用ScatterMatrix方法對(duì)組成的新的特征集合進(jìn)行特征選擇，選擇出的特征用于后續(xù)分類識(shí)別。實(shí)驗(yàn)

6、結(jié)果顯示在所有參與比較的方法中，SpeSpaVS_ScatterMatrix的總體識(shí)別率最高(98.4％)，與光譜信息和空間信息決策級(jí)融合方法SpeSpaDF相比，總體識(shí)別率提高了5.4％，SpeSpaDF方法比僅采用空間信息的Gabor方法相比，總體識(shí)別率低了3.7％，由此表明只有將光譜信息和空間信息有效的結(jié)合才能提高總體識(shí)別率，如果結(jié)合方式不當(dāng)總體識(shí)別率并不會(huì)比僅采用單一信息的高。
　　(2)基于冠層高光譜的作物長(zhǎng)勢(shì)參數(shù)遙感反

7、演
　　以冬小麥為研究對(duì)象，基于2013年小區(qū)實(shí)驗(yàn)和2008年和2009年的大田實(shí)驗(yàn)采集的冠層高光譜數(shù)據(jù)，圍繞LAI、地上生物量和NNI三個(gè)作物長(zhǎng)勢(shì)參數(shù)的反演問(wèn)題進(jìn)行了研究。針對(duì)高光譜植被指數(shù)在反演LAI時(shí)出現(xiàn)的“飽和”問(wèn)題以及傳統(tǒng)的衡量植被指數(shù)性能的統(tǒng)計(jì)參數(shù)如決定系數(shù)R2和均方根誤差僅能對(duì)植被指數(shù)做一個(gè)整體的評(píng)價(jià)，然而實(shí)際上植被指數(shù)對(duì)處于不同范圍的LAI的敏感性是變化的，并不是一個(gè)常數(shù)。因此引入敏感性函數(shù)對(duì)植被指數(shù)的抗飽和性進(jìn)行

8、分析，同時(shí)考慮反演LAI的高光譜植被指數(shù)通常對(duì)土壤背景變化和葉片葉綠素含量變化較敏感，從而造成LAI反演精度受限，從這三個(gè)方面著手，基于PROSAIL模型模擬的冠層高光譜，系統(tǒng)的分析了二十種常用于作物L(fēng)AI反演的植被指數(shù)得出以下結(jié)論:(a)當(dāng)LAI小于3時(shí)，植被指數(shù)受土壤背景亮度變化影響較大，其中LAIDI、OSAVI和RDVI是進(jìn)行LAI反演較好的選擇;(b)當(dāng)LAI大于3時(shí)，植被指數(shù)受葉片葉綠素含量變化影響較大，其中EVI2、LAI

9、DI、RDVI、SAVI、MTVI2和MCARI2對(duì)葉片葉綠素含量變化相對(duì)較不敏感且具有較好的抗飽和性，是進(jìn)行LAI反演較好的選擇。該結(jié)論將對(duì)今后選擇合適的高光譜植被指數(shù)進(jìn)行LAI反演提供有力的參考。
　　針對(duì)利用高光譜指數(shù)反演作物地上生物量時(shí)的“飽和”問(wèn)題，系統(tǒng)的比較了高光譜指數(shù)包括窄波段植被指數(shù)和紅邊位置反演生物量的能力，并提出了基于最優(yōu)NDVI-like和波段深度信息BDR結(jié)合的偏最小二乘回歸(PLSR)生物量反演方法。通過(guò)

10、分析生物量與所有波段兩兩組合構(gòu)成的NDVI-like和SAVI-like指數(shù)的線性回歸關(guān)系得到反演生物量的最優(yōu)NDVI-like指數(shù)(1097nm，980nm)和最優(yōu)SAVI-like指數(shù)(1084nm，1026nm)。從紅光吸收區(qū)域（550nm-750nm）提取出的波段深度信息用BD、BDR、NBDI和BDNA四個(gè)參數(shù)表征。實(shí)驗(yàn)結(jié)果表明:(a)與NDVI(670 nm，800 nm)、SAVI(670 nm，800 nm)和紅邊位置相

11、比，所選擇出的窄波段植被指數(shù)（最優(yōu)NDVI-like和SAVI-like指數(shù)）的生物量反演精度更高;(b)基于波段深度信息建立的PLSR生物量反演模型的預(yù)測(cè)精度比基于最優(yōu)NDVI-like的反演模型的精度高;(c)提出的基于最優(yōu)NDVI-like和波段深度信息BDR集合建立的PLSR生物量反演模型獲得了最好的預(yù)測(cè)結(jié)果（R2=0.840，RMSE=0.177 kg/m2），由此表明提出的基于最優(yōu)光譜指數(shù)和波段深度信息結(jié)合的PLSR反演模型

12、能較好的緩和生物量反演時(shí)的“飽和”問(wèn)題，提高生物量反演精度。
　　基于2013年小區(qū)實(shí)驗(yàn)獲得的數(shù)據(jù)分析了各個(gè)生育期各小麥氮素營(yíng)養(yǎng)診斷指標(biāo)與小麥籽粒蛋白質(zhì)含量的相關(guān)關(guān)系，研究發(fā)現(xiàn)孕穗期的小麥NNI與籽粒蛋白質(zhì)含量的相關(guān)性最高。利用DCNI反演小麥植株氮含量，同時(shí)采用提出的基于最優(yōu)光譜指數(shù)與波段深度信息BDR結(jié)合的PLSR方法反演小麥地上干生物量，結(jié)合關(guān)鍵氮素稀釋曲線，對(duì)這一時(shí)期的NNI進(jìn)行了反演，實(shí)驗(yàn)結(jié)果表明該方法能獲得較高的NNI

13、反演精度(R2=0.822，RMSE=0.116)，同時(shí)進(jìn)一步說(shuō)明提出的基于最優(yōu)光譜指數(shù)與波段深度信息BDR結(jié)合的PLSR方法能夠較好的反演小麥的地上生物量?；诜囱莸腘NI建立小麥籽粒蛋白質(zhì)含量反演模型，留一法交叉驗(yàn)證R2cv為0.723，RMSEcv為0.883％。由此表明以NNI作為中間變量鏈接冠層高光譜和小麥籽粒蛋白質(zhì)含量進(jìn)行籽粒蛋白質(zhì)含量預(yù)測(cè)是可行的。
　　(3)基于CASI高光譜影像的作物長(zhǎng)勢(shì)參數(shù)反演和監(jiān)測(cè)
　　

14、為了將作物長(zhǎng)勢(shì)參數(shù)反演和監(jiān)測(cè)上升到區(qū)域尺度上，本研究以甘肅黑河流域盈科灌區(qū)的玉米和蔬菜為研究對(duì)象，基于2012年7月7日獲取的CASI航空高光譜影像對(duì)作物長(zhǎng)勢(shì)參數(shù)反演和監(jiān)測(cè)進(jìn)行了研究。首先采用第三章提出的ScatterMatrix波段選擇方法結(jié)合支持向量機(jī)分類方法，提取出了作物種植區(qū)域。在此基礎(chǔ)上采用查找表法進(jìn)行基于PROSAIL輻射傳輸模型的LAI反演，為了保證反演結(jié)果的魯棒性，分別選取了取前1、50和100個(gè)最優(yōu)模擬光譜對(duì)應(yīng)的參數(shù)值

15、的均值作為最終反演結(jié)果，實(shí)驗(yàn)結(jié)果表明基于查找表多解的方法能夠獲得較好的LAI反演精度，其中取前100個(gè)解時(shí)，LAI反演精度最高(R2=0.551，RMSE=0.496)，由此表明當(dāng)?shù)孛娌蓸狱c(diǎn)不足時(shí)，利用查找表法進(jìn)行基于輻射傳輸模型的LAI反演，能夠較好的避免經(jīng)驗(yàn)?zāi)Ｐ头ɑ谏倭繕颖窘⒌哪Ｐ腿狈Ψ€(wěn)定性的問(wèn)題。最后對(duì)整個(gè)CASI航空影像實(shí)現(xiàn)查找表反演，最終實(shí)現(xiàn)了研究區(qū)域作物長(zhǎng)勢(shì)參數(shù)的遙感監(jiān)測(cè)。
　　(4)作物管理分區(qū)研究
　　以

16、冬小麥為研究對(duì)象，基于2006年獲取的一景Quickbird的遙感影像以及田間采樣的土壤養(yǎng)分和產(chǎn)量數(shù)據(jù)，在分析了土壤養(yǎng)分參數(shù)空間變異和作物長(zhǎng)勢(shì)空間變異的基礎(chǔ)上，進(jìn)行了作物管理分區(qū)研究。從分別基于土壤養(yǎng)分?jǐn)?shù)據(jù)和遙感影像數(shù)據(jù)進(jìn)行管理分區(qū)的結(jié)果可以看出，以這兩種數(shù)據(jù)源進(jìn)行管理區(qū)劃分后，每個(gè)管理區(qū)的小麥產(chǎn)量變異系數(shù)均降低了，由此表明這兩種數(shù)據(jù)源均可以用于作物管理分區(qū)中，但從成本和時(shí)效性的角度來(lái)看，遙感影像在作物管理分區(qū)中更具有優(yōu)勢(shì)。通過(guò)比較模糊