版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、作物理化信息的準(zhǔn)確、快速獲取是科學(xué)地進(jìn)行農(nóng)業(yè)生產(chǎn)的基礎(chǔ)。以傳統(tǒng)化學(xué)分析方法獲取各種農(nóng)學(xué)參量存在耗時(shí)長,只能獲取點(diǎn)源信息以及難以在宏觀尺度上展開等缺陷,極大地影響了農(nóng)業(yè)決策的全面性、時(shí)效性與客觀性。高光譜技術(shù)的不斷成熟及其在定量分析中表現(xiàn)出的巨大優(yōu)勢,為解決這一問題帶來了新的契機(jī)。本文結(jié)合高光譜與地物光譜分析技術(shù),在已有研究的基礎(chǔ)上改進(jìn)與發(fā)展新的方法,實(shí)現(xiàn)了小麥氮含量、葉綠素含量、含水量以及葉面積指數(shù)的準(zhǔn)確、快速反演,從而為農(nóng)業(yè)生產(chǎn)提供了
2、科學(xué)支持。本文的研究成果主要包括以下幾點(diǎn):
1.實(shí)現(xiàn)了地物光譜與成像光譜預(yù)處理方法的改進(jìn)。首先,針對地物光譜存在隨機(jī)噪聲與背景信息的問題,本文采用小波去噪與導(dǎo)數(shù)處理相結(jié)合的方法進(jìn)行地物光譜數(shù)據(jù)的預(yù)處理,實(shí)現(xiàn)了在去除土壤背景的同時(shí)抑制隨機(jī)噪聲以提高光譜信噪比的目的,從而改進(jìn)了地物光譜的預(yù)處理方法。其次,在成像光譜的預(yù)處理上,本文采用最小噪聲分離(MNF)算法進(jìn)行了成像光譜的消噪,并結(jié)合QUAC與ELC兩種大氣校正方法實(shí)現(xiàn)了高
3、光譜影像大氣校正的優(yōu)化,獲得了接近地面真實(shí)反射率的影像數(shù)據(jù)。地面光譜與成像光譜預(yù)處理方法的改進(jìn)為小麥理化參量的精確反演奠定了基礎(chǔ)。
2.系統(tǒng)地分析了植被指數(shù)提取、分類算法提取以及端元波譜匹配填圖三種方法在目標(biāo)作物覆蓋區(qū)域(目標(biāo)區(qū)域)提取中的優(yōu)缺點(diǎn)以及各自的適應(yīng)范圍。得出以下結(jié)論:植被指數(shù)提取具有操作方法簡單,計(jì)算速度快的優(yōu)點(diǎn),但難以對不同的植被進(jìn)行區(qū)分,適合在植被類型單一或不需要對植被進(jìn)行區(qū)分的時(shí)候使用;分類算法的訓(xùn)練樣本
4、由人工選取,具有一定的主觀性,但交互性較好,可對訓(xùn)練樣本進(jìn)行調(diào)整,并根據(jù)具體的要求對地物類型進(jìn)行劃分,從而得出適合目標(biāo)區(qū)域提取的地物類型劃分方法,實(shí)現(xiàn)較精準(zhǔn)的提取,適合需要對混合區(qū)域進(jìn)行提取時(shí)使用;端元波譜匹配則具有精確客觀的優(yōu)點(diǎn),但對混合地類的提取能力較差,適合目標(biāo)區(qū)域內(nèi)的地物類型較純時(shí)使用。
3.以本文提出的新光潛指數(shù)FD-NDNI實(shí)現(xiàn)了小麥冠層葉片氮含量的反演,并利用最小二乘支撐向量回歸(LS-SVR)算法實(shí)現(xiàn)了建模
5、方法的優(yōu)化。指數(shù)FD-NDNI系小麥反射光譜“藍(lán)邊”與“紅邊”陡峭度的歸一化值,可敏感反映出小麥冠層葉片氮含量信息,其反演模型校正集與預(yù)測集R2分別達(dá)0.846與0.838,優(yōu)于mNDVI705、mSR705與NDNI等常用指數(shù)的反演結(jié)果。進(jìn)一步分析發(fā)現(xiàn),在各指數(shù)中,F(xiàn)D-NDNI與葉面積指數(shù)的相關(guān)性最低(r=0.67),能最有效地避免冠層郁閉度等因素對冠層葉片氮含量估測的影響。利用反演模型實(shí)現(xiàn)了氮含量的遙感填圖,并將反演結(jié)果與地面實(shí)測
6、值進(jìn)行擬合分析。發(fā)現(xiàn)兩組數(shù)據(jù)擬合模型R2達(dá)0.721,RMSE為0.421,具有較高的擬合度。表明FD-NDNI是進(jìn)行小麥冠層葉片氮含量反演的優(yōu)選指數(shù),從而為實(shí)現(xiàn)小麥氮含量的反演提供了一條新的途徑。
4.對18種高光譜指數(shù)進(jìn)行了比較分析,篩選出了可敏感反映小麥冠層葉片葉綠素含量的光譜指數(shù)REP,并對其物理意義進(jìn)行了探討。利用指數(shù)REP建立了葉綠素含量的反演模型,并采用LS-SVR算法實(shí)現(xiàn)了模型的優(yōu)化。分析表明,指數(shù)REP所
7、建立的反演模型在各指數(shù)中精度最高(C-R2與P-R2分別達(dá)0.751與0.722),且其遙感填圖結(jié)果與地面實(shí)測值具有較高擬合度(擬合模型R2達(dá)0.676),是進(jìn)行小麥葉綠素反演的優(yōu)選指數(shù)。
5.提出了可敏感反映小麥冠層葉片含水量信息的新光譜指FD730-955、FD730-1145與FD730-1330,并對其物理意義進(jìn)行了探討。以最優(yōu)指數(shù)FD730-955實(shí)現(xiàn)了小麥冠層含水量的反演,并利用LS-SVR算法實(shí)現(xiàn)了建模方法的
8、優(yōu)化。分析表明,指數(shù)FD730-955所建立的反演模型校正集與預(yù)測集R2分別達(dá)0.797與0.820,優(yōu)于WBI、NDWI與MSI等常用指數(shù)的反演結(jié)果;其反演模型遙感填圖結(jié)果與地面實(shí)測值回歸擬合模型R2值達(dá)0.647,具有較高擬合度。表明指數(shù)FD730-955可較好地表征小麥冠層的水分信息,是進(jìn)行含水量反演的優(yōu)選指數(shù)。
6.對18種高光譜指數(shù)進(jìn)行了比較分析,篩選出了可敏感反映小麥葉面積指數(shù)(LAI)的光譜指數(shù)OSAVI,并
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于高光譜的抽穗期冬小麥冠層理化參量的估測研究.pdf
- 基于高光譜遙感的樟樹幼樹生理化參量的反演.pdf
- 基于高光譜影像小麥理化參數(shù)的定量反演方法研究.pdf
- 不同水肥條件冬小麥主要農(nóng)藝?yán)砘瘏⒘孔兓捌溥b感反演.pdf
- 基于高光譜遙感的冬小麥白粉病反演研究.pdf
- 冬小麥葉面積指數(shù)高光譜遙感反演方法研究.pdf
- 高光譜植被生化組分反演研究.pdf
- 小麥冠層和單葉氮素營養(yǎng)指標(biāo)的高光譜監(jiān)測研究.pdf
- 晚霜凍脅迫下冬小麥株高變化與冠層光譜關(guān)系研究.pdf
- 基于植被冠層光譜BRDF模型的LAI反演研究.pdf
- 利用偏振高光譜反演植被葉綠素含量.pdf
- 基于無人機(jī)激光雷達(dá)和高光譜的冬小麥生物量反演研究.pdf
- 雷竹葉綠素高光譜遙感反演研究.pdf
- 高光譜數(shù)據(jù)庫的地物特征反演研究.pdf
- 基于高光譜的小麥水分狀況監(jiān)測研究.pdf
- 潮灘灘面高程的高光譜遙感反演研究.pdf
- 礦區(qū)植被生化組分高光譜遙感定量反演.pdf
- 礦業(yè)擾動(dòng)區(qū)水質(zhì)參數(shù)高光譜遙感反演.pdf
- 基于高光譜影像的大氣參數(shù)反演和大氣校正.pdf
- 水稻冠層光譜反演水稻地重金屬含量研究.pdf
評論
0/150
提交評論