基于高光谱监测不同覆盖度下小麦叶层氮含量的研究

摘要

实时、无损监测小麦氮素状况对其精确施肥非常重要。高光谱遥感技术可有效监测作物氮素信息，为科学施肥提供技术支撑，但获取的小麦光谱受多因素影响，如冠层结构、土壤。设计了不同株型品种、氮水平和密度的小麦田间试验，综合考虑土壤和冠层结构对冠层反射率的影响，分析植被指数、光谱特征参数和化学计量法与LNC的定量关系，以期找到受土壤和冠层结构影响较小且能很好地估测小麦LNC的最佳植被指数、光谱特征参数和化学计量法，从而确定不同覆盖度下小麦氮素无损监测最优方法，最终为不同覆盖度下小麦氮素高光谱无损监测与精确管理提供技术支撑。
　　本研究采用两种方法减少土壤干扰，一种是通过线性混合像元分解(LMSA)提取纯净的植被光谱，另一种是通过引入调节因子θ来构建修正型植被指数mSR。经LMSA分解后，SR(R471，R504)与LNC的R2从0.66提高到0.71。修正型植被指数(mSR=(R471+θ)/(R504+θ))与LNC的相关性比SR（R471，R504）(R2=0.71)与LNC的有较大提高(R2=0.78)，R2提高了0.07，验证模型估测小麦LNC的P-R2和RRMSE分别为0.74、14.77％。最佳观测高度和角度研究表明，当高度为1米时，最佳观测角为后向60°;当观测角为0°时，最佳高度为0.5米。综上所述，mSR和LMSA法能提高不同覆盖度下小麦LNC监测精度，前者表现优于后者;且验证模型具有较好的精度和稳定性;最佳观测位置是冠层上方0.5米0°或冠层上方1米后向60°。
　　其次，利用高光谱特征参数监测不同覆盖度下小麦叶层氮含量，包括连续统去除、红边参数及小波变换法。基于连续统去除法，NMAD（面积归一化最大吸收深度）与小麦LNC的相关性(R2)和预测标准误(RMSE)，分别为0.47、0.74，效果较差，且验证模型的P-R2和RRMSE分别为0.52、24.83％，预测精度较低。基于红边参数法，修正前红边参数DD(A680-718，A700-724)与小麦LNC以线性拟合最好，S-R2和RMSE分别为0.59、0.55;参照前人研究，引入蓝光波段得到修正后红边参数mDD(A680-718，A700-724)的S-R2和RMSE分别0.65、0.60;且检验模型的P-R2和RRMSE分别为0.65、18.09％，说明修正后红边参数监测LNC的效果较修正前的有明显提高。基于小波变换法，对350-1350nm范围内进行CWT获得特定尺度和波段下小波系数，采用线性回归法获得小波系数和小麦LNC的相关性。结果表明:组合型小波系数bior3.3(W516，S8)+sym5(W432，S5)与LNC建模的R2为0.75，为估测小麦LNC的最佳小波函数;其检验模型的P-R2和RRMSE分别为0.74、17.51％。另外，还计算了红边面积和其他参数，但这些参数监测小麦LNC的效果均较差。
　　最后，利用化学计量法监测不同覆盖度条件下小麦LNC，比较逐步多元回归(SMLR)、主成分回归(PCR)和偏最小二乘法(PLS)监测小麦LNC的效果，并基于这三种方法筛选小麦LNC的最佳化学计量法，构建了基于化学计量法监测不同覆盖度条件下小麦LNC的模型。研究表明，基于PLS建立的LNC监测模型表现最好，建模决定系数RC2为0.80，标准误差RMSEC为0.39;模型内部交叉验证表明，预测氮含量内部验证决定系数RCV2为0.77，内部验证标准误差RMSECV为0.41;模型外部验证表明，预测小麦LNC的外部验证决定系数RV2为0.76，外部验证标准误差RMSEP为0.36。另外，还分析了基于这三种化学计量法在低、中、高覆盖度下监测小麦LNC的效果，研究发现PLS在低、中、高覆盖度下小麦LNC的建模和检验效果均最好，这说明PLS法不仅受土壤和冠层结构的影响较小且能很好地估测小麦LNC，因此不同覆盖度下建立的小麦LNC监测模型具有很好的精确性和稳定性。

目录

声明

摘要

第一章 绪论

1 作物氮素状况高光谱监测的重要性

2 作物氮素状况光谱监测中的关键技术

2．1 高光谱植被指数法

2．2 高光谱特征参数法

2．3 化学计量法

3 研究目的和意义

参考文献

第二章 技术路线与研究方法

1 研究思路与技术路线

2 材料与方法

2．1 试验设计

2．2 资料的获取

2．3 数据分析与利用

2．4 模型的构建与检验

参考文献

第三章 基于高光谱植被指数监测不同覆盖度下小麦叶层氮含量的研究

1 材料与方法

1．1 试验设计

1．2 光谱反射率的测定

1．3 农学参数的测定

1．4 数据分析及利用

1．5 监测模型的建立与检验

2 结果与分析

2．1 不同观测高度和角度条件下小麦冠层反射率变化及敏感性分析

2．2 不同观测高度和角度条件下小麦LNC与植被指数的定量关系

2．3 不同观测天顶角条件下小麦LNC与新建植被指数的定量关系

2．4 不同高度和角度条件下新建模型的测试与检验

3 讨论与小结

3．1 基于新建植被指数法监测小麦LNC

3．2 基于线性混合模型分解法监测小麦LNC

3．3 最佳观测天顶角和观测高度的确定

参考文献

第四章 基于高光谱特征参数监测不同覆盖度条件下小麦叶层氮含量的研究

1 材料与方法

1．1 实验设计

1．2 冠层光谱的测定

1．3 农学参数的测定

1．4 特征参数提取法

1．5 模型的测试与检验

2 结果与分析

2．1 基于连续统去除法监测不同覆盖度条件下小麦叶层氮含量

2．2 基于红边参数监测不同覆盖度条件下小麦叶层氮含量

2．3 基于小波变换监测不同覆盖度下小麦叶层氮含量

2．4 模型的检验与验证

3 讨论与结论

参考文献

第五章 基于化学计量法监测不同覆盖度下小麦叶层氮含量的研究

1 材料与方法

1．1 实验设计

1．2 冠层光谱的测定

1．3 农学参数的测定

1．4 数据分析

1．5 模型的测试与检验

2 结果与分析

2．1 基于逐步多元线性回归法监测小麦叶层氮含量

2．2 基于主成分回归法监测小麦叶层氮含量

2．3 基于偏最小二乘法监测小麦叶层氮含量

3 讨论与结论

参考文献

第六章 讨论与结论

1 讨论

1．1 不同覆盖度下小麦叶层氮含量的高光谱植被指数监测研究

1．2 不同覆盖度下小麦叶层氮含量的高光谱特征参数监测研究

1．3 不同覆盖度下小麦叶层氮含量的高光谱化学计量法监测研究

2 本研究的特色和创新

2．1 对光谱进行线性混合像元分解法后构建修正型植被指数mSR

2．2 研究不同观测高度和角度下修正型植被指数mSR与小麦LNC的定量关系

3 今后的研究设想

3．1 试验误差控制

3．2 深入挖掘光谱分析的机理性

3．3 强化监测模型的光谱特征参数以及模型的普适性

4 结论

4．1 构建了适用不同覆盖度条件下监测小麦叶层氮含量的新型植被指数

4．2 确定了最佳观测角度和高度

4．3 构建了适用不同覆盖度条件下监测小麦LNC的小波变换系数

4．4 构建了适用不同覆盖度条件下监测小麦叶层氮含量的偏最小二乘法(PLS)

参考文献

攻读硕士学位期间发表和投稿的学术论文

攻读硕士学位期间参加的科研项目

致谢