不同水平油菜氮素含量遙感信息提取方法研究.pdf

1、本論文通過獲取地面和衛(wèi)星平臺(tái)的油菜氮素含量遙感信息，采用統(tǒng)計(jì)回歸方法和三種人工智能技術(shù)(artificial intelligence，簡稱AI)——后向傳播神經(jīng)網(wǎng)絡(luò)(Back-Propagation Neural network，簡稱BP)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RadialBasis Function Neural network，簡稱RBF)、支持向量機(jī)(Support Vector Machine Network，簡稱SVM)，分

2、別在葉片、冠層、衛(wèi)星遙感等三個(gè)平臺(tái)下，建立油菜氮素含量估算模型，對(duì)油菜氮素含量進(jìn)行遙感估算和反演，并通過衛(wèi)星影像提取油菜種植面積，反演油菜氮素含量反演，以得到更為方便、有效準(zhǔn)確的油菜氮素診斷方法，對(duì)油菜作物大面積產(chǎn)量監(jiān)測(cè)有重要的現(xiàn)實(shí)意義。具體研究內(nèi)容和結(jié)果如下：(1)油菜葉片和冠層光譜基本特征為，在550 nm處，即形成一個(gè)小的反射峰，在700 nm左右形成高反射平臺(tái)．不同供氮水平下的油菜葉片和冠層光譜在近紅外波段差異明顯，反射率隨供氮

3、水平提高而降低，透射率隨供氮水平提高而上升。油菜冠層光譜反射率隨著生長發(fā)育的推進(jìn)，出現(xiàn)先上升后下降的變化。油菜葉片紅邊位置隨著氮素水平的提高，出現(xiàn)“紅移”現(xiàn)象；冠層光譜的紅邊位置λred具有“雙峰”和“紅邊平臺(tái)”現(xiàn)象，紅邊幅值Dλred和紅邊面積Sred隨發(fā)育期推進(jìn)，出現(xiàn)“紅移”和“藍(lán)移”現(xiàn)象，這與水稻、玉米等其它農(nóng)作物不同。(2)油菜葉片水平氮素含量估算方法研究表明，以光譜反射率倒數(shù)對(duì)數(shù)的一階微分形式(10g(1/R))'建立的估算模

4、型驗(yàn)證結(jié)果最佳。三種人工智能方法中以RBF方法得到的估算模型驗(yàn)證結(jié)果最佳。(3)油菜冠層水平氮素含量估算方法研究表明以光譜反射率倒數(shù)對(duì)數(shù)的一階微分形式(log(1/R))'建立的估算模型驗(yàn)證結(jié)果最佳。三種人工智能方法中以BP方法得到的估算模型驗(yàn)證結(jié)果最佳。(4)基于衛(wèi)星遙感影像的油菜氮素含量遙感反演方法研究表明，5種硬分類法對(duì)混合像元的分類能力從SVM、ARTMAP、KNN、BPN、MXL依次降低；高純度像元比重越大的類別其分類的總精度

5、越高；采用投票法的多分類器結(jié)合的分類法可以顯著提高分類的總精度；用全模糊分類法能提高分類精度；采用衛(wèi)星影像的光譜反射率建立油菜氮素含量的估算模型，能保證模型用于大范圍油菜氮素含量填圖的有效性。 總之，本研究在以下幾方面取得了新進(jìn)展或有所創(chuàng)新：系統(tǒng)地研究了不同平臺(tái)下油菜氮素含量遙感估算方法；將人工智能技術(shù)引入到油菜氮素含量遙感估算的全過程；在油菜種植面積提取方法研究上應(yīng)用了全模糊分類和混合像元對(duì)分類結(jié)果的影響分析技術(shù)，進(jìn)行了新的有