论文部分内容阅读
叶面积指数(LAI)和氮素含量,既是估测作物产量的重要参数,又是监测作物长势及实施田间管理不可缺少的参数。然而,两种参数的传统遥感监测主要获取作物表层的数值,由于作物的氮素在冠层存在不均匀的垂直分布特性,当作物养分亏缺时,下层养分首先表现出缺乏症状。因此,生产上迫切需要早期快速探测作物的养分垂直分布特性和LAI。本文以冬小麦为研究对象,选取多年冬小麦LAI、氮素垂直分布及地面高光谱数据,研究了LAI与叶片氮素垂直分布的高光谱反演方法。本文的主要研究内容和实验结果如下：1、提出了对冬小麦高光谱曲线进行连续小波变换(CWT),利用敏感小波系数与LAI建立支持向量机回归(SVR)模型,实现冬小麦不同生育时期的LAI反演,解决了传统LAI遥感反演方法利用波段较少、容易受到光谱干扰的影响,造成反演精度不高的问题。通过与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析,结果表明：连续小波变换确定LAI的敏感波段为680nm、739nm、802nm、895nm,对应尺度分别为8,4,9和8,对应小波系数的LAI回归确定系数(R2)明显高于冠层反射率的回归确定系数；利用小波系数与LAI建立的支持向量机模型的反演精度最高,模型实测值与预测值的检验精度R2为0.86,均方根误差RMSE为0.43；而常用植被指数(归一化植被指数,NDVI；比值植被指数,RVI)建立的估测模型对冬小麦多个生育时期LAI反演精度最低(R2<0.76,RMSE>0.56)。2、提出了将多角度高光谱数据中反映株型因素的指数(NIR/red)与简单的光谱植被指数(归一化植被指数(NDVI)和增强植被指数(EVI)相结合估算不同株型的冬小麦LAI的方法,降低了株型对LAI反演精度的影响。结果表明：a)对于不同株型的冬小麦,NDVI或EVI的冬小麦LAI估算模型要分别建立； b)相比于常用的光谱植被指数,观测天顶角为40。时的NDRI和ERVI对多株型冬小麦LAI的估算具有最高的准确度；c)太阳天顶角为40。时的近红外与红光反射率的比值能较准确的代表冬小麦的冠层形态。3、提出了通过偏最小二乘方法联合多个敏感角度的植被指数反演氮素的垂直分布,有助于解决养分的早期、快速诊断问题。结果表明：天顶角在垂直00,40。和50。；垂直0。,30。和40。；垂直0。,20。和30。,分别被选择作为估测上层、中层、下层的叶片氮素密度(FND)的最优观测角度；对于每一层,以FND为因变量以三种不同的植被指数(氮素反射率指数(NRI),标准叶绿素指数(NPCI)和NRI和NPCI的组合)为自变量建立的三个偏最小二乘回归(PLSR)模型中,以NRI和NPCI组合为自变量的PLSR分析模型由于考虑了更多的波段能更准确的估计各层的FND。本论文研究结果为大面积进行作物长势和养分的早期、快速诊断提供了理论基础,并为新一代遥感传感器波段和角度的合理设置提供参考。