论文部分内容阅读
近年来,随着全球人口的不断增加和环境的不断恶化,粮食安全成为了全球各个国家关心的重要安全问题之一。水稻作为我国重要的口粮作物,其生长过程中的长势监测和产量的准确估计一直是研究人员重点关注的问题。对于水稻全生育期的地上部分生物量的变化过程进行监测,有助于农技人员判断水稻长势,实时调整田间管理措施,确保水稻处于最佳生长状态,也能为农技人员精确估产提供可靠的数据参考。无人机遥感技术以实时、便捷、无损观测的特点,成为了研究人员估测生物量的首选方案。本研究与精准农业需求紧密结合,利用无人机遥感平台搭载多光谱相机和RGB相机,对大田正常种植环境下的水稻进行从分蘖期到蜡熟期的全生育期高频次观测,结合实地采集的水稻生物量,分析各类遥感数据与生物量的关系,根据数据类型的差异提出不同的估测方法,建立基于不同数据的水稻全生育期生物量估测模型,为精准农业提供定量化的决策参考。主要的研究工作包括:（1）分析了在水稻全生育期内,多光谱植被指数与水稻生物量之间的关系。研究了多光谱指数与全生育期生物量之间存在的分段现象,发现分段现象是由于大垄双行种植条件下的封垄现象以及水稻的抽穗现象引起的。将全生育期以封垄和抽穗的时间为界,分为三段后分段建模,建立了基于多光谱影像的水稻全生育期生物量估测模型。多数多光谱指数均能较好的估测水稻生物量,最优的多光谱指数为EVI2RE,验证精度为R~2=0.91,RMSE=185.35 g/m~2,n RMSE=8.43%。所有的多光谱指数在中段（封垄后—抽穗前）均存在严重的饱和现象。在封垄前和抽穗后,红边指数的估测精度均优于原始红波段指数。对多光谱影像使用全约束混合像元分解,得到的端元丰度与生物量之间的关系也受封垄和抽穗的影响分为三段。使用得到的端元丰度分段估测水稻生物量。最优的端元丰度为光照叶片丰度,验证精度为R~2=0.89,RMSE=204.50 g/m~2,n RMSE=9.30%。将多光谱指数与端元丰度使用逐步多元线性回归法组合后,分段估测水稻生物量,估测精度进一步提升,验证精度为R~2=0.92,RMSE=175.70 g/m~2,n RMSE=7.99%。对于多光谱影像,使用逐步多元线性回归模型法组合多光谱指数与端元丰度能够取得最优的估测精度,可用于正常种植环境下水稻全生育期生物量的估测。（2）基于RGB指数和纹理指数,分别构建了两种指数估测水稻全生育期生物量的模型。分析了RGB指数与水稻全生育期生物量的关系。归一化b波段反射率不受封垄、饱和以及抽穗的影响,可直接用于全生育期生物量的估测,验证精度为R~2=0.74,RMSE=321.52 g/m~2,n RMSE=14.61%。其他波段反射率以及RGB指数则受到封垄的影响分为两段,但是不受饱和以及抽穗的影响。分段建模后,验证精度最高的RGB指数为VARI,验证精度为R~2=0.92,RMSE=117.23 g/m~2,n RMSE=8.06%。纹理指数中,精度最高的是6.4 cm分辨率下绿波段沿行垄方向（D10方向）的CON,该纹理指数不受封垄、饱和以及抽穗现象的影响,模型精度为R~2=0.84,RMSE=244.30 g/m~2,n RMSE=9.53%,验证精度为R~2=0.88,RMSE=220.60 g/m~2,n RMSE=10.03%。将RGB指数与纹理指数使用逐步多元线性回归法组合后,可进一步提升生物量的估测精度,最优的多元线性回归组合为3.2 cm分辨率下,GDIS＿D-11、b波段和g波段的组合,验证精度为R~2=0.89,RMSE=211.19 g/m~2,n RMSE=9.60%。该模型可适用于水稻全生育期生物量估测,无需以封垄或者抽穗为界分段建模。（3）RGB影像的分辨率和灰度共生矩阵纹理指数的计算方向对于纹理指数与生物量之间的关系有着显著影响,且影响与纹理指数的形式有关。VAR、ENT、SEC基本不受计算方向的影响,而HOM、CON、DIS则根据分辨率的不同,会出现不同计算方向之间的差异。当影像分辨率为厘米级分辨率时（0.8 cm、1.6 cm、3.2 cm）,纹理指数计算方向的改变对纹理指数与生物量之间的关系影响较小。当影像分辨率为亚分米级分辨率时（6.4 cm）,计算方向的改变对绿波段的纹理影响较小,而对红蓝波段沿行垄方向（D10方向）的影响大于其他方向。当影像分辨率为分米级分辨率时（12.8 cm、25.6 cm）,三个波段的纹理指数均出现了不同方向之间的差异。沿行垄方向（D10方向）的HOM、CON和DIS与生物量之间的相关系数大于其他方向,其中红蓝波段的纹理指数的方向差异要大于绿波段的纹理指数。当影像分辨率为亚米级分辨率时（51.2 cm）,计算方向的改变对所有波段的纹理指数均有影响,但是影响无明显规律。（4）基于冠层三维结构的新指数能够较好的估测水稻全生育期生物量,且均不受封垄、饱和以及抽穗的影响。其中反映冠层三维精细结构的空间结构指数的表现要优于反映冠层三维结构在二维平面上的分布的DSM纹理指数。空间结构指数中表现最优的为高度相关的指数,以HMean为例,验证精度为R~2=0.83,RMSE=258.95 g/m~2,n RMSE=11.77%。DSM纹理指数中精度最高的指数为DMEA,验证精度为R~2=0.72,RMSE=327.20 g/m~2,n RMSE=14.87%。（5）使用机器学习算法将多维数据进行融合,能够有效的提升生物量的估测精度。采用的两种机器学习算法均能在各种组合下构建出不受封垄、饱和以及抽穗影响的模型。精度最高的模型为“一维+二维+三维”数据组合、使用RF算法构建的模型,验证精度为R~2=0.94,RMSE=156.81 g/m~2,n RMSE=7.13%。该模型能够以最高的精度完成对水稻全生育期生物量的估测。