不同遙感水平水稻氮素信息提取研究.pdf

1、隨著環(huán)境問題日益受到重視，如何在保證作物高產(chǎn)優(yōu)質(zhì)的同時(shí)防止或盡量減少作物生產(chǎn)帶來的環(huán)境污染也是各國(guó)政府、農(nóng)學(xué)家、環(huán)境工作者及生產(chǎn)者所必須解決的問題。因此，采取有效的氮素管理措施，合理施用氮肥，準(zhǔn)確、迅速、經(jīng)濟(jì)地判斷植物的氮素狀況、確定作物的氮肥需要量以及提高氮肥的利用效率具有重大的經(jīng)濟(jì)和生態(tài)意義。 遙感技術(shù)為獲得不同尺度生化組分含量提供了一個(gè)便捷的多元化工具。定量化提取植被生化組分信息的研究隨著高光譜技術(shù)的發(fā)展而飛快的發(fā)展起來，

2、同時(shí)現(xiàn)代計(jì)算機(jī)技術(shù)提供了強(qiáng)大的計(jì)算和數(shù)據(jù)處理能力，極大程度地豐富了遙感提取生化組分信息的數(shù)據(jù)處理方法。數(shù)據(jù)挖掘技術(shù)因此應(yīng)運(yùn)而生，成為定量化提取植被生化組分信息研究中的熱點(diǎn)問題。 本研究圍繞遙感信息數(shù)據(jù)挖掘技術(shù)這一前沿課題，以不同遙感水平數(shù)據(jù)定量提取作物氮素信息為研究重點(diǎn)，在研究ANN和SVM數(shù)據(jù)挖掘技術(shù)理論以及PCA技術(shù)的基礎(chǔ)上，從統(tǒng)計(jì)回歸方法到ANN和SVM算法，從方法分析到模型建立，進(jìn)行了一個(gè)較為系統(tǒng)的研究，構(gòu)建了基于數(shù)據(jù)挖

3、掘技術(shù)的不同遙感水平作物氮素信息提取模型，并系統(tǒng)地對(duì)比了傳統(tǒng)統(tǒng)計(jì)方法與ANN算法以及SVM方法用于遙感提取作物氮素信息的精度，以及不同遙感水平作物氮素信息提取的精度。 研究的主要內(nèi)容與成果如下： (1)葉片水平氮含量遙感診斷模型研究研究中，采用線性建模法(Linear Regression，簡(jiǎn)稱LR)、反向傳播神經(jīng)網(wǎng)絡(luò)法(Back Propagation Neural Network，簡(jiǎn)稱ANN)、徑向基函數(shù)網(wǎng)絡(luò)法(Ra

4、dial Basis Function，簡(jiǎn)稱RBF)以及支持向量機(jī)法(Support Vector Machine，簡(jiǎn)稱SVM)構(gòu)建了基于原始光譜反射率(Reflectance，簡(jiǎn)稱R)和主成份得分值(Scores of Principal Components，簡(jiǎn)稱PC)的水稻不同發(fā)育期以及不同氮素水平的氮含量遙感診斷模型，并采用非建模數(shù)據(jù)集的大田水稻數(shù)據(jù)以及非水稻的油菜數(shù)據(jù)對(duì)模型的普適性進(jìn)行了驗(yàn)證。結(jié)果表明：對(duì)比不同發(fā)育期氮含量診斷

5、模型發(fā)現(xiàn)，通常灌漿期和乳熟期模型的各類精度指標(biāo)表現(xiàn)較好，其中，基于灌漿期光譜主成份得分值構(gòu)建的PC-RBF模型的精度較高，模型的RMSE值和PEP值分別為0.151和6.816％，由其得到的估算氮和實(shí)測(cè)氮之問的相關(guān)系數(shù)r=0.977，兩者之間極顯著相關(guān)；對(duì)比不同氮素水平氮含量遙感診斷模型發(fā)現(xiàn)，基于N1適氮水平的氮含量診斷模型精度通常要優(yōu)于N0和N2水平模型的精度，其中N1水平的R-LR模型的精度最優(yōu)，其RMSE和REP值分別為0.720

6、和25.647％，由其得到的估算氮和實(shí)測(cè)氮之間的相關(guān)系數(shù)r=0.747，兩者極顯著相關(guān)；采用大田水稻數(shù)據(jù)對(duì)各類模型的普適性進(jìn)行驗(yàn)證的結(jié)果表明，將基于水稻小區(qū)試驗(yàn)數(shù)據(jù)構(gòu)建的各類氮含量診斷模型應(yīng)用于大田水稻數(shù)據(jù)不但可行并且總體結(jié)果令人滿意；采用油菜數(shù)據(jù)對(duì)各類模型的普適性進(jìn)行驗(yàn)證，結(jié)果發(fā)現(xiàn)各類模型雖然也能實(shí)現(xiàn)油菜氮含量的估算，但總體精度不如在大田水稻數(shù)據(jù)中的應(yīng)用精度，此外還發(fā)現(xiàn)，由于參與模型驗(yàn)證的油菜氮含量的取值范圍(1.07至2.84 mg

7、/g)要遠(yuǎn)遠(yuǎn)小于建模水稻氮含量的取值范圍(0.91至4.82 mg/g)，從而導(dǎo)致各模型對(duì)油菜氮含量的擬合結(jié)果普遍高于油菜實(shí)測(cè)氮含量。 (2)冠層水平氮含量遙感診斷模型研究采用與葉片水平氮含量遙感診斷研究相同的方法對(duì)冠層水平氮含量診斷模型進(jìn)行討論。結(jié)果表明：對(duì)比不同發(fā)育期氮含量診斷模型發(fā)現(xiàn)，乳熟期和成熟期模型各類精度指標(biāo)表現(xiàn)較好，其中成熟期的R-ANN模型表現(xiàn)相對(duì)最優(yōu)，模型RMSE和REP值分別為0.746，48.147％，估算

8、氮值和實(shí)測(cè)值之間顯著相關(guān)，相關(guān)系數(shù)r=0.912；對(duì)比不同氮素水平氮含量診斷模型發(fā)現(xiàn)，三個(gè)氮素水平的各類模型都能較好的實(shí)現(xiàn)氮含量診斷，精度令人滿意，由各類模型得到的估算氮和實(shí)測(cè)氮之間的最大相關(guān)系數(shù)r=0.962，最小相關(guān)系數(shù)r=-0.799，估算氮與實(shí)測(cè)氮之間極顯著相關(guān)；采用大田水稻數(shù)據(jù)對(duì)各類模型的普適性進(jìn)行驗(yàn)證的結(jié)果與葉片水平模型的驗(yàn)證結(jié)果類似，由R-LR模型和R-SVM模型得到的大田水稻估算氮值與實(shí)測(cè)值之間的相關(guān)關(guān)系極顯著，r分別等

9、于0.865和0.854；采用油菜數(shù)據(jù)對(duì)各類模型的普適性進(jìn)行驗(yàn)證，與葉片水平結(jié)果類似，估算總體精度不如對(duì)大田水稻氮含量的估算精度，并且同樣會(huì)過高估算油菜氮含量。 (3)基于TM數(shù)據(jù)的水稻氮含量遙感診斷模型研究研究中，以TM數(shù)據(jù)和相應(yīng)的氮含量數(shù)據(jù)為數(shù)據(jù)源，采用LR線性建模法、RBF建模法以及SVM建模法，在相關(guān)性分析的基礎(chǔ)上，構(gòu)建了基于TM2、TM3波段光譜變量以及NDVI和RVI植被指數(shù)的氮含量遙感診斷模型并對(duì)模型精度進(jìn)行檢驗(yàn)；

10、此外，還將葉片和冠層水平光譜變量模擬TM波段光譜范圍，采用相同的建模方法，對(duì)模型的精度采用TM數(shù)據(jù)進(jìn)行驗(yàn)證，從而探討基于葉片和冠層水平光譜變量的氮含量診斷模型擴(kuò)展應(yīng)用在TM數(shù)據(jù)中的精度。結(jié)果表明，采用TM數(shù)據(jù)對(duì)水稻氮含量進(jìn)行估算不但可行并且總體精度令人滿意；對(duì)比不同建模方法，發(fā)現(xiàn)LR線性模型總體表現(xiàn)不如RBF模型和SVM模型，進(jìn)一步對(duì)比發(fā)現(xiàn)，除了RVI-RBF模型的精度高于RVI-SVM模型之外，由其它三個(gè)輸入變量構(gòu)建的RBF模型的精度