基于成像高光譜的小麥氮素營養(yǎng)監(jiān)測研究.pdf

1、定量監(jiān)測植物氮素狀況已成為國內外植被遙感的一個重要研究領域。利用快速、無損、準確的方法來估測作物氮素營養(yǎng)狀況是精確農業(yè)發(fā)展的關鍵技術之一。本研究的目的是以小麥為對象，基于不同年份、不同氮素水平、不同種植密度和不同品種類型的田間試驗，運用成像高光譜儀獲取小麥近地面的高光譜影像，基于光譜學原理和數(shù)學形態(tài)學方法，利用光譜和紋理信息，分出未去背景小麥、去背景小麥、光照小麥和陰影小麥四種目標成分，然后運用連續(xù)投影算法分別提取出各目標成分的特征波段

2、，并進一步利用灰度共生矩陣獲取各特征波段的紋理信息，最后分別構建基于光譜信息、紋理信息、光譜和紋理耦合的小麥葉層氮含量的最佳監(jiān)測模型，從而為便攜式作物成像氮素營養(yǎng)監(jiān)測儀的研制開發(fā)及空間遙感信息的解析利用提供核心波段選擇，為小麥氮素營養(yǎng)的實時監(jiān)測和精確診斷提供有效技術支撐。
　　首先在充分考慮不同生育時期下小麥冠層成像光譜特征和田間生長狀況的基礎上，利用新型光譜指數(shù)分類、紋理分類、光譜與紋理信息相耦合等分類方法，探索近地面高光譜影像

3、地物分類的最佳方法。結果表明，基于新型光譜指數(shù)分類法能較好地提取返青期、拔節(jié)期、孕穗期的光照小麥和陰影小麥;受麥穗的影響，新型光譜指數(shù)分類法不能較好的提取抽穗期的光照小麥和陰影小麥;基于數(shù)學形態(tài)學的紋理分類雖然能有效地提取返青期、拔節(jié)期、孕穗期、抽穗期的純小麥信息，但不能較好的將純小麥細分為光照小麥和陰影小麥;將光譜指數(shù)分類與紋理紋理相結合能較好地區(qū)分小麥各生育期的光照小麥和陰影小麥，與傳統(tǒng)的基于光譜信息的非監(jiān)督分類和監(jiān)督分類相比，總體

4、分類精度和Kappa系數(shù)均有較大提高，且運行時間縮短。研究結果為高光譜影像用于其他作物上的分類提供了參考。
　　基于光譜與紋理信息相結合的分類方法，提取了未去背景小麥、去背景小麥、光照小麥和陰影小麥圖像中的均值作為各目標成分的光譜反射率。本研究選取各目標成分在可見光和近紅外區(qū)域與葉層氮含量相關性最高的波段構建監(jiān)測模型預測小麥葉層氮含量，其中未去背景小麥、去背景小麥、光照小麥和陰影小麥相關系數(shù)最高的波段分別是635.06 nm和93

5、8.54 nm，612.20 nm和939.87 nm，574.29 nm和917.25 nm，570.25 nm和970.60 nm。結果表明，基于去背景小麥單波段的監(jiān)測模型，其建模集和檢驗集在可見光和近紅外的決定系數(shù)R2高于其他目標成分0.05-0.25。為了進一步驗證各目標成分預測小麥葉層氮含量的能力，本研究以歸一化光譜指數(shù)(NormalizedDifference Spectral Index，NDSI)、比值植被指數(shù)(Rati

6、o Spectral Index，RSI)和差值植被指數(shù)(Difference Spectral Index，DSI)為例，構建小麥葉層氮含量的光譜指數(shù)監(jiān)測模型，研究表明基于去背景小麥的光譜指數(shù)NDSI、RSI和DSI監(jiān)測小麥葉層氮含量的預測精度高于其他目標成分，且預測結果的1∶1線斜率接近于1。
　　利用連續(xù)投影算法(Successive Projections Algorithm，SPA)分別提取了未去背景小麥、去背景小麥、光

7、照小麥和陰影小麥基于小麥葉層氮含量的特征波段，同時獲取各目標成分特征波段基于灰度共生矩陣的紋理信息。分別將特征波段的光譜信息、紋理信息、光譜紋理相結合的信息作為自變量，構建任意兩波段的最佳植被指數(shù)(Normalized Difference Vegetable Index,NDVI、Ratio Vegetale Index,RVI和DifferenceVegetable，DVI)。研究表明，利用光譜紋理信息相結合構建光譜紋理指數(shù)時，基于