论文部分内容阅读
遥感技术作为获取作物信息的有效手段,具有大面积、快速和实时监测作物长势的优势,在作物养分的定量估测中已被广泛应用。地面高光谱数据具有良好的光谱分辨率,受到的干扰因素少,已被广泛应用于作物叶片的养分估测;无人机遥感近年来发展迅速,具有空间分辨率高、测定范围大的特点,使得利用无人机对植被冠层养分状况的定量估测成为了可能。不同平台遥感数据的结合可以弥补单一数据源不足的缺陷,从而提高估测精度。如何充分结合二者优势,建立果树冠层氮素含量诊断模型来指导施肥是一个值得研究的问题。本研究以山东省栖霞市博士达果园为研究区,利用地物光谱仪测定了苹果树冠层高光谱数据,同时使用无人机获取了苹果树冠层高光谱影像数据,通过对无人机高光谱影像和近地面高光谱数据进行预处理,结合苹果树的氮素含量数据,利用光谱数据与氮素含量进行相关性分析的方法筛选敏感波长、计算光谱指数,构建了苹果树冠层氮素含量诊断模型与苹果树施肥决策模型。研究结果如下:（1）分析了不同含氮量苹果树冠层的光谱特征分析了不同氮素含量的地物光谱仪高光谱数据与无人机高光谱数据的光谱特征变化规律,不同氮素含量的高光谱反射率在可见光范围大致相同,在760nm之后不同氮素含量的光谱反射率出现一定差异,其中氮素含量高的数据组的苹果树冠层光谱反射率低于氮素含量低的数据组。分析了地面高光谱重采样数据的苹果树冠层光谱特征,对地物光谱仪测定的高光谱数据进行了重采样,在450-950nm处共获得125个波段,波段间隔为4nm。对地面高光谱重采样数据的苹果树冠层光谱数据与无人机高光谱数据进行苹果树冠层光谱特征分析,发现其存在一定差异,但变化趋势基本一致。（2）构建了敏感波长与光谱特征参量对地物光谱仪高光谱数据与无人机高光谱数据进行了光谱特征分析,经过SG平滑和一阶微分处理后的光谱敏感波长的相关系数较高,更适合用于苹果树冠层氮素含量诊断研究。运用各波长原始光谱构建NDSI、OSAVI、RNDVI、RSI和DSI 5种光谱指数,与氮素含量进行相关性分析,筛选出了与氮素反演能力强的光谱指数。基于地面高光谱的光谱指数计算结果,当RI=748nm、RJ=696nm时,NDSI、OSAVI、RNDVI的相关系数的绝对值最高,分别达到了0.45、0.45、0.53。当RI=476nm、RJ=624nm时,RSI的相关系数的绝对值最高,达到0.45,当RI=528nm、RJ=628nm时,DSI的相关系数的绝对值最高,达到0.60。基于无人机高光谱的光谱指数计算结果,当RI=468nm、RJ=472nm时,NDSI、OSAVI、RSI的相关系数的绝对值最高,分别达到了0.40、0.38、0.40。当RI=424nm、RJ=472nm时,RNDVI的相关系数的绝对值最高,达到0.43,当RI=388nm、RJ=512nm时,DSI的相关系数的绝对值最高,达到0.38。（3）建立了基于高光谱数据的苹果树冠层氮素含量诊断模型使用SVM、PLSR、RF三种机器学习方法,建立多源高光谱数据的苹果树冠层氮素含量诊断模型,从中对比选择最优模型,最终认定RF模型在多源高光谱数据的苹果树冠层氮素含量诊断模型的精度最高。基于敏感波长构建的地面高光谱苹果树冠层氮素含量诊断模型RF建模集的R~2为0.89、RMSE为0.143、RPD为2.470。RF验证集的R~2为0.69、RMSE为0.153、RPD为1.564。基于光谱指数构建的地面高光谱苹果树冠层氮素含量诊断模型RF建模集的R~2为0.87、RMSE为0.141、RPD为2.503,RF验证集的R~2为0.78、RMSE为0.114、RPD为2.102。基于敏感波长构建的无人机高光谱苹果树冠层氮素含量诊断模型的RF建模集的R~2为0.85、RMSE为0.173、RPD为2.048。RF验证集的R~2为0.67、RMSE为0.145、RPD为1.648。基于光谱指数构建的无人机高光谱苹果树冠层氮素含量诊断模型的RF建模集的R~2为0.83、RMSE为0.169、RPD为2.096,RF验证集的R~2为0.75、RMSE为0.130、RPD为1.843基于光谱指数构建的多源高光谱苹果树冠层氮素含量诊断模型其建模集构建的RF模型的R~2为0.89,RMSE为0.129,RPD为2.727。验证集构建RF模型的R~2为0.78,RMSE为0.136,RPD为1.764。（4）构建了苹果树施肥决策模型通过结合苹果树冠层氮素含量诊断模型与苹果树产量信息进行相关性分析,结果表明,氮素含量与苹果产量呈一元二次回归关系,回归方程式为:苹果产量（kg）=29.29×N~2RF（%）-74.188×NRF（%）+67.547,结合前人研究结果,可得苹果树所需氮肥总量（kg）=苹果产量*0.8%～1.0%（kg）（汪景彦,1996）。结合公式可测定苹果树应需施氮肥的总量。利用多源高光谱数据对苹果树冠层氮素含量进行诊断以及苹果树施肥模型进行构建,为大范围的果树养分监测提供了理论根据和技术支撑。