论文部分内容阅读
作物长势,作为农情信息的重要组成部分,反映了作物生长趋势和生长状况。及时、准确地监测作物的生长状况,有利于为作物管理者或管理决策者提供数据平台。无人机遥感技术具有机动性强、时间监测灵活等特点,因此利用无人机遥感数据监测田块尺度的作物长势具有无可比拟的优势。本文选取安徽省淮北市某粉煤灰充填区作为研究区,以越冬期冬小麦的叶绿素相对含量SPAD（Soil and plant analysis development,SPAD）、地上生物量（Aboveground biomass,AGB）、植株含水率（Plant moisture content,PWC）和株高（Vegetation height,VH）为研究对象,利用无人机获取的多光谱影像数据开展冬小麦长势参数反演和冬小麦综合长势监测研究。主要内容和结果如下:（1）针对冬小麦长势参数,分析了冬小麦长势参数与无人机多光谱反射率的相关关系,确定了SPAD、AGB、PWC和VH的敏感波段,建立了冬小麦长势参数指标的一元线性回归模型。皮尔逊相关系数的显著性确定的SPAD敏感波段为蓝光波段、红光波段和绿光波段;VH、AGB的敏感波段为红光波段和蓝光波段;而PWC的敏感波段为红光波段。利用敏感波段建立的冬小麦长势参数模型精度整体偏低,4种长势参数的模型R~2最高为0.42。且由冬小麦的叶绿素、生物量、株高和植株含水率最优模型的RPD值可知,4种模型的RPD值均低于1.4,属于A类模型,模型的准确性较差,因此利用无人机的敏感波段难以有效预测冬小麦的长势参数。（2）鉴于利用无人机的敏感波段难以有效预测冬小麦的长势参数,利用影像光谱反射率特征构建了22种多光谱植被指数,选用多元线性回归（Multiple Linear Regression,MLR）、随机森林（Random Forest,RF）和极限学习机（Extreme Learning Machine,ELM）3种机器学习算法,建立了冬小麦长势参数的最优模型。经过线性和非线性运算构建的多光谱植被指数可提高与冬小麦长势参数指标的相关性;对比建立的12个模型可知,叶绿素的最优预测模型为ELM-SPAD模型,其模型R~2为0.76,RMSE为1.31,生物量的最优预测模型为RF-AGB模型,其模型R~2为0.76,RMSE为0.21,株高的最优预测模型为MLR-VH模型,其模型R~2为0.87,RMSE为0.67,植株含水率的最优预测模型为ELM-PWC模型,其模型R~2为0.78,RMSE为0.01;由模型的RPD值可知,冬小麦的4种长势参数模型均属于C类模型,说明多光谱植被指数由于整合了多个波段的反射率信息而使得模型精度大幅提高。（3）由于单一长势参数难以全面反映冬小麦长势情况,因此本文利用变异系数法的基本原理,构建了冬小麦的综合长势监测指标（Comprehensive Growth Monitoring Index,CGMI）。利用MLR、RF和ELM构建的冬小麦CGMI监测模型,与冬小麦单一长势参数的MLR、RF和ELM模型相比,CGMI模型精度有明显提高,利用MLR构建的CGMI模型R~2最高,为0.91,3种模型均属于C类模型,说明CGMI可以提高冬小麦长势模型的预测精度。利用置信区间法获得的冬小麦长势分级结果显示:长势一般的冬小麦占整个研究区的比例最大为59.59%,长势差的冬小麦占0.01%,说明研究区冬小麦总体长势一般。由于研究区为粉煤灰充填再利用耕地,其冬小麦长势势必受到土壤的影响,因此利用探地雷达数据提取了不同覆土厚度,分析了不同覆土厚度与冬小麦CGMI的响应关系。研究结果表明:随着覆土厚度的增加,冬小麦CGMI值呈现逐步增高最后趋于稳定的规律。覆土厚度为40-50 cm时,CGMI值达到最大,为0.59。图[23]表[6]参[102]