论文部分内容阅读
当今国际现代农业越来越关注作物生产的精准诊断和管理,在拥有高产的同时更注重高效精准管理。遥感观测通过提供准确的作物生物物理和生物化学变量,对精准农业发展起到关键的技术支持作用,如叶面积指数（Leaf Area Index,LAI）和叶片叶绿素含量（Leaf Chlorophyll Content,Cab）。因此定量估算作物的理化参数含量对监测作物生长状况、生态环境变化以及研究全球气候变化等都具有重要意义。近年来高光谱遥感技术被大量的运用于作物生产管理中,而辐射传输模型也已成为广泛使用的一种物理反演方法,但是针对有穗一类作物在运用辐射传输模型时是否需要考虑雄穗对冠层辐射传输特性的影响还有待研究,叶绿素含量和叶面积指数在冠层内部的垂直分布的时空动态变化是否对遥感监测产生一定的影响还需进一步研究,以及是否有其他更好的反演办法可以运用于无人机高光谱遥感对作物理化参数的反演中还不确定。本文以玉米为主要研究对象,通过对目前国内外研究主要使用的4种作物理化参数反演方法（植被指数回归方法、非参数回归方法、物理方法和混合方法）的分析研究,开展了基于ASD近地面多角度冠层高光谱的玉米抽穗期雄穗对冠层辐射传输特性的影响研究,以及基于ASD近地面多角度冠层高光谱遥感观测技术和UHD185无人机高光谱遥感观测技术的叶绿素含量和叶面积指数遥感反演方法的研究等三部分的研究工作,得到的主要结论如下:（1）基于近地面多角度高光谱的玉米雄穗对抽穗期冠层反射率辐射传输特征的影响研究结果如下:a)对玉米抽穗期的辐射传输模型进行全局敏感性分析发现,叶面积指数和叶绿素含量对模型的总敏感度均在80%以上,是主要的影响因素。对玉米整个抽穗期实测的LAI和Cab分析得出,LAI和Cab变化差异均较小,LAI变化区间为1.231.53 m2/m2,各样点整体形状趋向于直线;样点间的Cab变化区间为1.256.7μg/cm2;b)比较抽穗期不同时间冠层反射率的模拟值和实测值得出,在抽穗初期实测值高于模拟值,随着生育期的推进,模型模拟值逐渐高于实测值。但在可见光波段整个抽穗期实测值均高于模拟值,在近红外波段模拟值总体高于实测值;c)分析不同穗梯度冠层二向反射率得出,在可见光波段和近红外波段,在两个散射方向上观测反射率与垂直观测方向上总体均呈现无穗>1/2穗>全穗;d)PROSAIL模型模拟值与LAI和Cab在全波段呈显著负相关,无穗实测值和模拟值与LAI和Cab相关性表现较一致;e)在玉米整个抽穗期雄穗总鲜质量变化差异较大,而总干质量变化差异不大。雄穗含水率从抽穗初期的80%左右到抽穗末期降低为10%左右。所以综上所述,作物抽穗期运用辐射传输模型进行冠层反射率模拟时,应该对模型进行修订,考虑可以将雄穗含水率与PROSAIL模型输入参数叶片等效水厚度相关联作为抽穗期新的输入参数参与模型模拟运算;（2）基于近地面多角度冠层高光谱数据集,运用自动辐射传输模型（ARTMO）软件对比分析了4种反演方法对叶面积指数（LAI）和叶绿素含量（Cab）反演的潜力。结果表明:a)机器学习回归算法（MLRAs）和辐射传输模型（RTMs）混合的方法（MLRARTMs）和MLRAs的反演精度最高,性能最好;植被指数反演方法次之,但运算速度最快;基于查找表（LUTRTM）的物理模型的反演精度最低;b)植被指数反演方法在后向散射方向（-50?）对LAI和Cab有较好的反演结果,而基于LUTRTM反演方法的冠层叶绿素含量（CCC）在多角度观测下反演结果最好;c)在3种非参数回归方法中,核岭回归（KRR）和高斯过程回归（GPR）对LAI、Cab和CCC的估算结果均较好,3个农学参数的反演精度在0.680.83之间。特别是基于单角度观测时,在后向散射方向（-50?）的KRR和GPR分别对对LAI和Cab有最佳的反演结果,而在前向散射方向（+50?）的GPR对CCC有最佳的反演结果;d)基于MLRARTM的混合方法在4种反演方法中的反演结果最好,并且基于多角度（0?、-50?和+50?）观测数据的KRRRTM和GPRRTM两种混合反演方法均提高了3个参数的估算结果,但同时都降低了运算速度;（3）通过对无人机高光谱数据集质量进行多种方法的验证分析,得出该数据集质量可靠,可以作为玉米理化参数的遥感反演;随后运用4种反演方法对LAI、Cab和CCC进行反演,得到的研究结果如下:a)基于MLRAs对3个玉米农学参数反演精度均最好,MLRARTMs的混合方法次之,而基于LUTRTM和SI的反演精度相当且最低;b)植被指数反演方法运算速度最快,MLRARTMs混合方法次之,MLRAs和LUTRTM反演方法运算速度相当且最慢;c)植被指数模型确定性最高,GNDVI与3个参数的相关性均最好,决定系数分别为0.769、0.818、0.888;多项式模型对LAI估算效果最佳,乘幂模型对Cab和CCC反演效果最佳,且运算速度最快;d)在运用RTMsLUT方法进行玉米理化参数反演中添加一些噪声和多个解等数值优化调整方法,可以显著减少相对误差;并且当数据归一化时,使用Mestimate方法中的L1estimate可以获得最佳的Cab估算结果（7%多解和20%噪声时,NRMSE为18.33%）;然而数据归一化不利于反演LAI,使用非归一化数据时LSE对LAI产生了最佳反演结果（2%多解和13%噪声时的NRMSE为14.12%）;同样的方法用于CCC反演时得到了和LAI近似的反演结果;e)GPR对Cab和CCC估算结果均较好,KRR对LAI有较好的估算结果;（4）通过使用模型验证试验区的验证数据集,对已经建立的基于近地面多角度观测数据集和无人机高光谱图像数据集的玉米LAI和叶绿素含量遥感反演的最优模型进行验证和评价。得出基于多角度的混合算法的KRRPROSAIL和GPRPROSAIL分别为玉米叶面积指数、叶片叶绿素含量和冠层叶绿素含量的最佳遥感反演模型;而基于无人机高光谱观测条件下的机器学习回归算法中的核岭回归（KRR）和高斯过程回归（GPR）为玉米叶面积指数、叶片叶绿素含量和冠层叶绿素含量的最佳遥感反演模型。研究结果还表明机器学习回归算法（MLRAs）在两种平台下的反演能力均是最佳的,这种反演方法运用于无人机高光谱图像中进行玉米LAI和叶绿素含量反演具备一定的应用潜力。