基于无人机高光谱遥感的冬小麦叶片氮含量建模与反演研究

摘要

近年来，具有数据精度高、成像连续且方便快捷等特点的无人机高光谱遥感，成为国内外众多学者和科研机构的研究热点。基于无人机高光谱遥感的农作物定量参数的辐射传输机理分析与反演模型建立，是实现精准农业信息化的重要的理论和方法。本文以实现冬小麦叶片氮含量（LNC）无人机高光谱定量估算和遥感反演为研究目标，进行了无人机结合地面实测的高光谱遥感定量观测试验，获取了高光谱观测数据以及对应的农学生化参数数据，比对分析了无人机高光谱数据的光谱采样精度，获取了不同变量条件下的冬小麦冠层高光谱特征，提取了无人机高光谱数据中响应冬小麦LNC的有效代表波段，综合运用光谱指数法、多元统计回归、机器学习等方法，建立了冬小麦LNC的高光谱定量估算模型并进行了比较分析，最终实现了基于无人机高光谱的冬小麦LNC遥感定量反演和氮营养状况的初步诊断。
　　论文主要在以下几个方面开展工作并取得了相应的研究成果：
　　（1）基于地面实测和理论模型模拟，进行了无人机高光谱数据的比对分析
　　基于与无人机观测（搭载UHD185高光谱成像仪）同步的地面实测（ASD高光谱仪）的高光谱数据，运用波段相关系数、光谱指数计算方法，对无人机高光谱数据的光谱采样精度进行了对比分析；同时，基于地面同步观测的冬小麦生化参数和PROSAIL植被辐射传输模型，获取了冬小麦冠层模拟反射光谱数据，利用模型模拟光谱数据对无人机高光谱数据进行了比对分析。两种比对结果表明，无人机高光谱数据具有较高的辐射分辨率和光谱采样精度，可以满足农作物遥感定量监测的精度和准确性要求。
　　（2）细致分析了不同变量条件下的冬小麦冠层高光谱特征
　　基于获取的无人机高光谱数据，分别从不同生育期，不同施氮水平、不同水分条件和不同叶片氮含量等四个方面，对冬小麦冠层高光谱特征进行了细致分析。分析结果表明，不同生育期的冬小麦的光谱反射率曲线总体趋势一致，但在不同的波段范围差异性显著，其中在近红外波段范围的差异大于可见光区域；随着施氮量、施水量和叶片氮含量增大，冬小麦在可见光区域的冠层光谱反射率减小，呈现负相关，而在近红外区域的光谱反射率则增高，呈现正相关，且近红外区域的变化幅度要大于可见光区域。该分析结果证实了在不同变量条件下，冬小麦冠层高光谱在特定波段上具有显著的“位移”和变异特征。
　　（3）提出了一种基于波段相关性阈值分析的高光谱数据降维与代表波段选择方法，并提取了响应冬小麦不同生育期LNC的无人机高光谱特征波段
　　基于高光谱数据谱段相邻愈近愈相关的思想，提出了一种利用光谱相关性并规定其阈值的高光谱波段降维和代表波段选择的方法；应用该方法和一阶微分、连续统去除的传统方法，分别提取了响应冬小麦不同生育期LNC的无人机高光谱代表波段；利用三种代表波段提取结果，分别进行了冬小麦不同生育期LNC的初步建模，分析比较三种建模结果发现：基于波段相关性阈值法得到的代表波段进行冬小麦LNC定量建模结果最优，提取的波段结果具有波段数目少、覆盖波谱范围广、波段代表性强的优点。该结果证实了基于波段相关性阈值进行高光谱数据降维与代表波段选择具有理想的效果。
　　（4）基于波段相关性阈值获取的代表波段，构建了LNC光谱指数，并进行了冬小麦不同生育期LNC的遥感估算。
　　基于波段相关性阈值方法提取的响应冬小麦不同生育期LNC的代表性波段，分别构建了比值光谱指数、差值光谱指数、归一化光谱指数，并引入450nm蓝光波段对LNC光谱指数进行了修正；在此基础上，建立了基于LNC光谱指数的的冬小麦不同生育期LNC定量估算模型；与现有的氮光谱指数的建模结果相比，模型精度得到了较好的提高，其中挑旗期和开花期提高最为显著，同时，450nm修正波段的引入对于开花期和灌浆期的LNC光谱指数意义较大。
　　（5）构建了冬小麦不同生育期LNC的无人机高光谱定量估算模型，实现了冬小麦LNC的遥感反演，并对冬小麦氮营养状况进行了初步的诊断与分析。
　　基于波段相关性阈值分析提取的响应冬小麦不同生育期LNC的代表性波段，运用多元统计回归、随机森林、BP神经网络等方法，分别建立了冬小麦不同生育期LNC的无人机高光谱定量估算模型，并基于其他年份的地面实测数据对建模结果进行验证分析，得到了最优的冬小麦不同生育期LNC的无人机高光谱定量估算模型；应用最优的定量估算模型，进行了冬小麦LNC的无人机遥感反演；在此基础上，通过建立冬小麦LNC和氮营养指数之间的定量模型，实现了冬小麦不同生育期氮营养状况的无人机高光谱初步诊断与分析。
　　本研究是无人机高光谱数据应用于农业定量参数估算与遥感反演的成功实践，设计提出的无人机高光谱数据比对分析和响应冬小麦LNC的代表波段提取方法，构建的冬小麦不同生育期LNC无人机高光谱定量估算模型，以及应用该模型实现的遥感反演，为无人机高光谱定量遥感及其应用提供了完整的方法思路，具有重要的理论和现实意义。

目录

第一个书签之前

摘要

Abstract

Contents

1 绪论

1.1 研究背景与选题依据

1.1.1研究背景

1.1.2选题依据

1.1.3课题来源

1.2 国内外研究现状及进展

1.2.1高光谱遥感在作物氮素含量监测中的应用

1.2.2无人机遥感的发展现状及分析

1.3 研究内容与技术方案

1.3.1 研究内容

1.3.2 拟解决的关键问题

1.3.3 研究方法和技术路线

1.4 论文组织结构

2试验设计与数据准备

2.1试验设计

2.1.1试验概况

2.1.2无人机飞行试验设计

2.1.3冬小麦田间试验设计

2.2数据获取与预处理

2.2.1无人机高光谱数据获取与处理

2.2.2地面冬小麦冠层实测高光谱数据获取与处理

2.2.2冬小麦生化参数测定

2.3冬小麦叶片氮含量（LNC）分析

2.3.1不同生育期叶片氮含量统计分析

2.3.2不同施氮水平的叶片氮含量统计特征分析

2.4 小结与讨论

3 无人机高光谱数据的比对与光谱特征分析

3.1基于地面实测数据的无人机高光谱数据分析

3.1.1波段相关分析

3.1.2光谱指数分析

3.2基于理论模型的无人机高光谱数据分析

3.2.1 PROSAIL模型

3.2.2模型预测光谱与无人机高光谱数据对比分析

3.3冬小麦无人机光谱特征分析

3.3.1不同生育期的冬小麦无人机冠层光谱特征

3.3.2不同施氮水平下冬小麦无人机冠层光谱特征

3.3.3不同水分条件下冬小麦无人机冠层光谱特征

3.3.4不同叶片氮含量的冬小麦无人机冠层光谱特征

3.4 小结与讨论

4响应冬小麦LNC的无人机高光谱数据分析与特征波段提取

4.1冬小麦LNC与无人机高光谱数据的相关性分析

4.2基于氮光谱指数的叶片氮含量分析

4.2.1氮光谱指数的计算与冬小麦LNC的相关性分析

4.2.2基于氮光谱指数的冬小麦LNC估测分析

4.3基于传统方法的响应冬小麦LNC的高光谱代表波段提取

4.3.1基于一阶微分光谱变换的代表波段提取

4.3.2基于连续统去除光谱变换的代表波段提取

4.4.3波段提取结果的比较分析

4.4基于波段相关性阈值的高光谱代表波段提取

4.4.1方法原理与思想

4.4.2方法过程

4.4.3代表波段提取结果与分析

4.4.4响应冬小麦叶片氮含量的代表波段光谱特征分析

4.5 小结与讨论

5 冬小麦LNC的无人机高光谱估算模型建立与遥感反演

5.1基于LNC光谱指数构建的冬小麦LNC估算模型研究

5.1.1LNC光谱指数的构建

5.1.2LNC光谱指数与氮光谱指数的模型预测结果对比

5.1.3基于LNC光谱指数的冬小麦LNC估算模型建立与检验

5.2基于多元统计回归方法的冬小麦LNC估算模型的建立

5.3基于机器学习方法的冬小麦LNC估算模型建立

5.3.1基于随机森林的LNC定量估算模型建立与检验

5.3.2基于BP神经网络的LNC估算模型建立与检验

5.4定量估算模型的对比分析

5.5冬小麦叶片氮含量的无人机高光谱影像遥感反演

5.6小结与讨论

6基于LNC高光谱遥感反演的冬小麦氮营养状况初步诊断

6.1基于LNC的冬小麦氮营养指数估测模型构建

6.1.1氮营养指数（NNI）计算

6.1.2冬小麦叶片氮含量与氮营养指数的定量关系模型建立

6.1.3基于叶片氮含量的氮营养指数估测模型的检验

6.2基于LNC的冬小麦氮营养指数无人机高光谱遥感反演与分析

6.2.1NNI无人机遥感影像反演

6.2.2NNI无人机遥感影像反演结果分析

6.3小结与讨论

7 结论与展望

7.1 研究总结

7.1.1主要结论

7.1.2主要创新之处

7.2 展望进一步需要研究的问题

参考文献

攻读博士期间主要研究成果及参与的科研项目

致谢词