论文部分内容阅读
为在实际的农业生产中快速、精确的监测作物生长信息,估测作物产量,为大面积农田作物生产提供管理调控的科学依据。本研究以我国主要作物冬小麦、夏玉米为材料,冬小麦设置品种处理,夏玉米设置不同品种、施氮量处理,基于无人机平台获取小麦玉米关键生育时期的高分辨率光谱图像,分析筛选出与作物生长信息相关性最高的光谱参数,构建作物长势监测和产量预测的最佳拟合模型,并对相关模型进行独立数据的检验,验证模型的精确性与稳定性,具体结果如下:1.小麦玉米LAI监测模型模型拟合结果表明,以比值植被指数RVI(810,560)构建的模型对冬小麦LAI的监测效果最好,模型为y=-1.1629×RVI(810,560)+7.9207,决定系数R~2为0.71,预测模型RMSE和MRE分别为0.68和13.31%。该模型可作为冬小麦LAI精准监测的拟合模型。模型拟合结果表明,以差值植被指数DVI(800,550)构建的模型对夏玉米LAI的监测效果最好,模型为y=19.128×DVI(800,550)-0.8742,决定系数R~2为0.90,预测模型RMSE和MRE分别为0.41、14.36%。该模型可作为夏玉米LAI精准监测的拟合模型。2.小麦玉米干物质积累量监测模型模型拟合结果表明以差值值被指数DVI(810,560)构建的拟合模型对冬小麦地上部干物质积累量的监测效果最好,模型为y=-8.4529×DVI(810,560)+5.7085,决定系数R~2为0.74,预测模型的RMSE和MRE分别为0.36、17.58%。该模型可作为冬小麦干物质积累量精准监测的拟合模型。模型拟合结果表明,以归一化植被指数NDVI(760,560)构建的监测模型对夏玉米地上部干物质积累量的监测效果最好,模型为y=323×NDVI(760,560)-1.8303,决定系数R~2为0.95,模型RMSE和MRE分别为8.92、13.17%。该模型可作为夏玉米干物质积累量精准监测的拟合模型。3.小麦玉米SPAD值监测模型模型拟合结果表明,以归一化植被指数NDVI(790,660)构建的模型对冬小麦SPAD值的监测效果最好,模型为y=20.001×NDVI(790,660)+42.366,决定系数R~2为0.72,预测模型的RMSE和MRE分别为2.24、3.66%。该模型可作为冬小麦SPAD值精准监测的拟合模型。模型拟合结果表明,以差值植被指数DVI(735,550)构建的模型对夏玉米SPAD值的监测效果最好,模型为y=42.8046×DVI(735,550)+48.219,决定系数R~2为0.69,预测模型的RMSE和MRE分别为2.21和3.45%。该模型可作为夏玉米SPAD值精准监测的拟合模型。4.小麦玉米产量估测模型模型拟合结果表明,开花期的植被指数与冬小麦产量构建的拟合模型效果最优,以开花期归一化植被指数NDVI(870,679)构建的模型对冬小麦产量的估测效果最好,模型为y=2924×NDVI(870,679)+6534.6,决定系数R~2为0.66,预测模型的RMSE和MRE分别为178.28和1.68%。该模型可作为冬小麦产量估测的拟合模型。模型拟合结果表明,乳熟期的植被指数与夏玉米产量构建的拟合模型效果最优,以乳熟期比值植被指数RVI(790,660)构建的模型对夏玉米产量的估测效果最好,模型为y=-2219.5×RVI(790,660)+16836,决定系数R~2为0.75,预测模型的RMSE和MRE分别为462.81和5.02%。该模型可作为夏玉米产量估测的拟合模型。