基于无人机数码和高光谱影像的马铃薯生物量及产量估算

作     者：吴智超 

作者单位：河南理工大学 

学位级别：硕士

导师姓名：李长春

授予年度：2020年

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 09[农学] 0901[农学-作物学] 

主      题：马铃薯 无人机影像 HSI颜色空间变换 生物量 产量 

摘      要：作物生物量是反映作物长势以及作物育种和管理的重要指标,也是影响作物产量和收益的关键因素之一。马铃薯在保障粮食安全上具有不可替代的作用。运用遥感技术获取马铃薯生物量以及覆盖度信息,并对产量进行估算,可以为农田生产管理提供决策信息,本论文的主要研究内容和结论如下。(1)基于无人机数码影像的马铃薯生物量估算基于无人机数码影像和HSI颜色空间变换,计算相应的影像指数,利用影像植被指数与马铃薯地上、地下生物量分别进行相关性分析。筛选相关性达到显著性相关的指数,结合单变量分析、多元线性回归、偏最小二乘法等方法分别构建地上生物量估算模型和地下生物量估算模型。1)地上生物量估算结果显示:单变量分析法,成熟期模型精度最大,建模R为0.61,验证R、RMSE和NRMSE分别是0.49、248.41kg/mu和26.16%。多元线性回归法,自变量个数为6时成熟期模型精度最高,建模R和RMSE分别为0.787和97.143kg/mu,验证R和RMSE分别是0.396和296.191kg/mu。偏最小二乘法,块茎形成期模型精度最大,建模R、RMSE和NRMSE分别为0.48、182.52kg/mu和24.39%,验证R、RMSE和NRMSE分别为0.33、200.48kg/mu和28.74%;地上生物量估算模型分生育期分析:块茎形成期,多元线性回归法模型精度最高,建模的R和RMSE分别为0.509和65.752kg/mu,验证R和RMSE分别为0.445和219.8154kg/mu,块茎增长期,多元线性回归法模型精度最高,建模R和RMSE分别为0.509和147.187kg/mu,验证R和RMSE分别为0.41和226.289kg/mu,淀粉积累期,多元线性回归法模型精度最高,建模R和RMSE分别为0.545和167.947kg/mu,验证R和RMSE分别是0.526和130.612kg/mu,成熟期,多元线性回归法模型精度最高,建模R和RMSE分别为0.658和131.158kg/mu,验证R和RMSE分别是0.587和264.001kg/mu。2)地下生物量估算结果显示:单变量分析法,成熟期模型精度最大,建模R为0.34,验证R、RMSE和NRMSE分别是0.71、465.92kg/mu和25.71%。多元线性回归法,自变量个数为6时成熟期模型精度最高,建模R2和RMSE分别为0.698和272.377kg/mu,验证R和RMSE分别是0.167和616.91kg/mu。偏最小二乘法,块茎形成期模型精度最高,建模R、RMSE和NRMSE分别为0.24、52.04kg/mu和25.33%,验证R、RMSE和NRMSE分别为0.33、38.36kg/mu和19.36%;地下生物量估算模型分生育期分析:块茎形成期,多元线性回归法模型精度最高,建模的R和RMSE分别为0.4和39.976kg/mu,验证R和RMSE分别为0.419和60.051kg/mu,块茎增长期,多元线性回归法模型精度最高,建模R和RMSE分别为0.32和197.194kg/mu,验证R和RMSE分别为0.335和288.585kg/mu,淀粉积累期,多元线性回归法模型精度最高,建模R和RMSE分别为0.508和262.266kg/mu,验证R和RMSE分别是0.433和386.685kg/mu,成熟期,多元线性回归法模型精度最高,建模R和RMSE分别为0.533和315.203kg/mu,验证R和RMSE分别是0.417和718.776kg/mu。(2)基于无人机高光谱影像的马铃薯生物量估算分析不同条件下的无人机高光谱影像光谱反射特性,对不同波段的高光谱信息与生物量进行相关性分析,筛选出最佳原始光谱,构建高光谱影像植被指数,并与生物量进行相关性分析,筛选出显著性相关的植被指数,利用单变量分析法、多元线性回归法和偏最小二乘法构建生物量估算模型。1)不同方法估算结果显示:单变量分析法,块茎增长期生物量估算模型精度最高,建模R2为0.56,验证R、RMSE和NRMSE分别为0.45、123.28kg/mu和26.8%。多元线性回归法,自变量个数为6时成熟期模型精度最高,建模R和RMSE分别为0.703和106.831kg/mu,验证R和RMSE分别是0.74和107.068kg/mu。偏最小二乘法,淀粉积累期生物量估算模型整体精度最好,模型的建模R、RMSE和NRMSE分别为0.39、174.45kg/mu和25.63%,验证R、RMSE和NRMSE分别是0.63、161.28kg/mu和28.18%。2)不同生育期估算结果显示:块茎形成期,多元线性回归法模型的精度最高,建模的R和RMSE分别为0.538和38.56kg/mu,验证R和RMSE分别为0.452和47.969kg/mu,块茎增长期,多元线性回归法模型精度最高,建模R和RMSE分别为0.648和82.562kg/mu,验证R和RMSE分别为0.589和113.205kg/mu,淀粉积累期,多元线性回归法模型精度最高,建模R和RMSE分别为0.562和88.009kg/mu,验证R和RMSE分别是0.572和96.35kg/mu,成熟期,多元线性回归法模型精度最高,建模R和RMSE分别为0.703和106.831kg/mu,验证R和RMSE分别是0.74和107.068kg/mu。(3)基于无人机数码影像的马铃薯覆盖度提取基于植被判定流程图等方法的基础,提出新的植被覆盖度提取方法(H-A),并与植被指数法和最大似然监督分类法进行比较分析,结果表明H-A法精度较高,建模R为0.97,植被覆盖度提取结果可靠。同时,利用H-A法获取不同生育期各个研究小区的马铃薯覆盖度。(4)基于无人机影像的马铃薯产量估算基于生物量和覆盖度的估算结果,结合产量实测值,采用参数(生物量)—产量模型的产量估算方法,构建产量估算模型。基于无人机数码影像生物量的马铃薯产量估算结果表明,块茎增长期的估产模型精度最好,模型的建模精度R为0.66,验证R、RMSE和NRMSE分别是0.75、329.29kg/mu和22.15%;基于无人机高光谱影像生物量的马铃薯产量估算结果表明,块茎增长期的估产模型精度最好,模型的建模精度R为0.53,验证R、RMSE和NRMSE分别是0.74、355.14kg/mu和22.37%;基于无人机数码影像覆盖度的马铃薯产量估算结果表明,成熟期的估产模型精度最好,模型的建模精度R为0.26,验证R、RMSE和NRMSE分别是0.48、101.74kg/mu和20.61%。研究结果表明,无人机数码和高光谱影像可以很好的进行马铃薯地上和地下生物量的估算,并利用估算得到的生物量对产量进行估算。同时,表明利用覆盖度进行马铃薯估产的可行性。