论文部分内容阅读
作物植株水分含量是作物水分亏缺诊断以及灌溉需水量拟定的关键参数,叶绿素含量是反映农作物生理状态及长势分析的重要指标,作物识别是精准掌握农情基本信息的前提,也是农业遥感应用的基础。无人机多光谱遥感在作物识别及水肥监测方面具有效率高、灵活性的优势,是应用于农业领域的新兴研究手段。基于此,本文以冬小麦为研究对象,采用低空无人机平台搭载多光谱相机获取地表农作物无人机影像,观测作物冠层光谱特征,同时调查地面作物类型,采集不同水肥处理下冬小麦植株含水率和SPAD值数据,选用基于光谱变量阈值分割的决策树分类法实现作物提取,应用一元和多元回归分析方法建立了基于光谱反射率或光谱植被指数的冬小麦植株含水率和SPAD值的估算模型。主要结论如下:(1)通过确定感兴趣地物种类,对影像进行了时相与光谱特征分析,确定了归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率作为最优分类特征,采用基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。结果表明:基于时相与光谱特征的决策树分类方法的效果较好,该方法用于小麦、果树和大棚的提取,从决策树分类效果图和混淆矩阵中可知,分类总体精度为88%,Kapaa系数为0.83,结果表明该方法的总体分类效果较好,基于以上的试验结果,认为基于时相与光谱特征的决策树分类法能够适用于无人机多光谱影像地物信息的提取。说明无人机多光谱遥感影像进行种植结构信息提取具有一定的适用性。(2)构造了光谱反射率模型和光谱植被指数模型,筛选了典型地区冬小麦植株含水率解译模型。冬小麦植株含水率与反射光谱在0.05水平上显著相关,植株含水率敏感的波段为中心波长840nm的近红外波段,呈现极显著负相关。拔节期冬小麦植株含水率较敏感的光谱指数为SAVI和EVI,抽穗期冬小麦植株含水率较敏感的光谱指数为NDVI、SAVI、EVI和SR,灌浆期冬小麦植株含水率较敏感的光谱指数为NDVI和SR。基于多元回归分析建立的模型中光谱植被指数模型优于光谱反射率模型,拔节期、抽穗期、灌浆期三个关键时期的验证模型的决定系数R2均大于0.7,均方根误差RMSE均小于6%,且相对误差RE均小于9%。(3)构建了不同生育期冬小麦冠层SPAD值的最优估算模型。冬小麦冠层SPAD值敏感波段为中心波长560nm的绿光波段、中心波长为668nm的红光波段和中心波长为717nm的红边波段。基于一元和逐步回归分析方法建立的模型中,逐步回归模型效果最佳,拔节期选取4个植被指数(MSR、CARI、NDGI、TVI)建模效果最好,率定模型的R2为0.73,验证模型的R2、RE、RMSE分别为0.63、2.83%、1.68%;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,率定模型的R2为0.81,验证模型的R2、RE、RMSE分别为0.63、2.83%、1.68%;灌浆期选取2个植被指数(MSR、NDGI)建模效果最好,率定模型的R2为0.67,验证模型的R2、RE、RMSE分别为0.65、2.83%、1.88%。