• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于無(wú)人機(jī)可見光影像與生理指標(biāo)的小麥估產(chǎn)模型研究

      2021-12-08 03:28:58王嘉盼武紅旗王德俊軒俊偉李永康
      麥類作物學(xué)報(bào) 2021年10期
      關(guān)鍵詞:估產(chǎn)植被指數(shù)生理

      王嘉盼,武紅旗,王德俊,軒俊偉,郭 濤,李永康

      (1.新疆農(nóng)業(yè)大學(xué)草業(yè)與環(huán)境科學(xué)學(xué)院, 新疆烏魯木齊 830052; 2.新疆土壤與植物生態(tài)過(guò)程實(shí)驗(yàn)室,新疆烏魯木齊 830052; 3.新疆草地修復(fù)與環(huán)境信息重點(diǎn)實(shí)驗(yàn)室,新疆烏魯木齊 830052)

      小麥作為主要的糧食作物之一[1],其生產(chǎn)能力對(duì)保障我國(guó)人民生活和國(guó)家糧食安全具有十分重要的意義[2]。及時(shí)、準(zhǔn)確地掌握小麥產(chǎn)量信息,可為農(nóng)業(yè)管理者和生產(chǎn)者實(shí)現(xiàn)小麥田間和市場(chǎng)管理決策提供科學(xué)技術(shù)指導(dǎo)[3]。目前,作物估產(chǎn)手段主要分為傳統(tǒng)和遙感兩種方式。傳統(tǒng)估產(chǎn)主要通過(guò)人工實(shí)地抽樣開展,具有成本高、耗時(shí)費(fèi)力、人工誤差等缺點(diǎn);遙感技術(shù)憑借其覆蓋范圍廣、更新速度快[4]、無(wú)損獲取地物信息[5]等優(yōu)勢(shì)被廣泛應(yīng)用于小麥估產(chǎn),現(xiàn)已達(dá)到實(shí)用化階段[2,6-7]。低空無(wú)人機(jī)可為小尺度遙感影像的獲取提供平臺(tái),具有操作方便、快速高效、成本較小等特點(diǎn)[8-9]。國(guó)內(nèi)外學(xué)者在作物估產(chǎn)方面的研究已取得了豐碩成果[10-14]。如李昂利用無(wú)人機(jī)搭載數(shù)碼相機(jī)獲取影像,進(jìn)而構(gòu)建水稻從抽穗期到成熟期的多元線性回歸產(chǎn)量估測(cè)模型,取得了滿意的結(jié)果[15];王妮利用無(wú)人機(jī)平臺(tái)獲取的多光譜數(shù)據(jù)提取植被指數(shù),構(gòu)建小麥抽穗、開花和灌漿期的多元回歸估產(chǎn)模型,其精度達(dá)到0.65,RRMSE為15%[16];劉紅超等利用Landsat TM遙感數(shù)據(jù),建立小麥拔節(jié)后期產(chǎn)量的一元回歸模型,取得了較好的研究成果[17]。譚昌偉等基于國(guó)產(chǎn)衛(wèi)星HJ-1A/B遙感數(shù)據(jù),利用間接方法建立的小麥估產(chǎn)模型精度好于直接方法[18]。目前,多數(shù)研究采用單一方法進(jìn)行建模估產(chǎn),關(guān)于多生育時(shí)期多種方法之間的對(duì)比分析研究較少。本研究以春小麥關(guān)鍵生育時(shí)期無(wú)人機(jī)影像作為數(shù)據(jù)源,結(jié)合地面實(shí)測(cè)生理指標(biāo),采用一元線性回歸(UR)、多元逐步回歸(SMLR)和主成分回歸(PCAR)方法,探究各生育時(shí)期植被指數(shù)、生理指標(biāo)與小麥產(chǎn)量間的相關(guān)性,評(píng)估篩選與產(chǎn)量顯著相關(guān)的敏感變量,分別構(gòu)建不同時(shí)期的小麥估產(chǎn)模型,以期為及時(shí)掌握小麥田間長(zhǎng)勢(shì)信息和產(chǎn)量豐欠變化提供參考。

      1 材料與方法

      1.1 研究區(qū)概況

      本研究以新疆農(nóng)業(yè)大學(xué)三坪實(shí)驗(yàn)教學(xué)基地(43°56′19″~43°56′22″N,87°21′08″~87°21′11″E)為研究區(qū)(圖1)。其地處天山北麓,海拔約 594 m,地勢(shì)南高北低,屬典型中溫帶大陸性干燥氣候,年均降雨量為236 mm,年均氣溫2.8~ 13.0 ℃,土壤類型為灰漠土。供試小麥材料為具有代表性的380份小麥品種,其中每份材料均設(shè)置4個(gè)重復(fù),每個(gè)重復(fù)區(qū)周邊均有保護(hù)行,所有供試品種均按照編號(hào)進(jìn)行種植,每小區(qū)種植3行,行長(zhǎng)2 m,寬0.2 m。整個(gè)試驗(yàn)田種植密度水平均為150萬(wàn)株·hm-2,其他管理方式與普通大田一致。春小麥于2019年4月上旬播種,同年7月下旬收獲,試驗(yàn)地寬55.8 m,長(zhǎng) 65.2 m,共279行,行距0.2 m占地3.64×103m2。

      1.2 數(shù)據(jù)來(lái)源

      1.2.1 無(wú)人機(jī)影像獲取及預(yù)處理

      試驗(yàn)借助大疆精靈4A無(wú)人機(jī)搭載高清數(shù)碼相機(jī)作為數(shù)據(jù)獲取平臺(tái)。田間數(shù)據(jù)采集時(shí)間為抽穗期(6月1日)、灌漿期(6月17日)和成熟期(7月6日)。數(shù)據(jù)采集當(dāng)天晴朗無(wú)云,太陽(yáng)光照強(qiáng)度穩(wěn)定,無(wú)人機(jī)飛行高度為20 m,橫縱向重疊度均為80%,影像空間分辨率為0.01 m。影像采用Pix4Dmapper軟件拼接處理,得到春小麥各生育時(shí)期高清數(shù)字正射影像(digital orthophoto map,DOM),可見光植被指數(shù)通過(guò) ENVI5.1軟件計(jì)算獲得。

      1.2.2 地面實(shí)測(cè)數(shù)據(jù)獲取

      地面數(shù)據(jù)采集與無(wú)人機(jī)作業(yè)同步進(jìn)行,共選取83個(gè)采樣點(diǎn)(圖1),在各采樣點(diǎn)隨機(jī)選取6株小麥,按照植株冠層的上中下依次測(cè)量,取其平均值作為各采樣點(diǎn)的實(shí)測(cè)數(shù)值。各項(xiàng)生理指標(biāo)[葉綠素相對(duì)含量(SPAD值)、葉片含氮量和葉片含水量]采用SY-S02植株?duì)I養(yǎng)測(cè)定儀測(cè)量,葉面積指數(shù)(LAI)采用LAI-2200冠層分析儀測(cè)量。每個(gè)采樣點(diǎn)共獲取12組數(shù)值,取其平均值作為各采樣點(diǎn)的觀測(cè)值。小麥成熟后,每個(gè)小區(qū)選取1 m2代表性區(qū)域,調(diào)查穗數(shù),收獲該區(qū)域帶回實(shí)驗(yàn)室測(cè)定穗粒數(shù)和千粒重,計(jì)算各小區(qū)產(chǎn)量數(shù)據(jù)。

      圖1 研究區(qū)概況Fig.1 Sketch map of the study area

      1.3 研究方法

      1.3.1 植被指數(shù)的選取

      在遙感研究領(lǐng)域中,植被指數(shù)作為一種對(duì)地表狀況的有效度量手段[19],可作為模型的輸入變量對(duì)農(nóng)作物進(jìn)行估產(chǎn)。本研究選取10種可見光植被指數(shù)作為自變量參與建模。這些植被指數(shù)分別為歸一化綠藍(lán)差異指數(shù)(mormalized green-blue difference index,NGBDI)[20]、超綠指數(shù)(excess green index,ExG)[21]、超紅指數(shù)(excess red index,ExR)[22]、紅光標(biāo)準(zhǔn)化值(normalized redness intensity,NRI)[23]、綠光標(biāo)準(zhǔn)化值(normalized greenness intensity,NGI)[23]、藍(lán)光標(biāo)準(zhǔn)化值(normalized blueness intensity,NBI)[23]、紅綠比指數(shù)(red-green ratio index,RGRI)[24]、可見光綠葉指數(shù)(visible-band difference vegetation index,VDVI)[25]、紅綠藍(lán)植被指數(shù)(red, green and blue vegetation index,RGBVI)[26]、改進(jìn)型綠紅植被指數(shù)(modified green red vegetation index,MGRVI)[26]。

      1.3.2 模型構(gòu)建及驗(yàn)證

      利用SPSS軟件從83個(gè)樣本中隨機(jī)抽取55個(gè)作為建模樣本,按照一元回歸(UR)、多元逐步回歸(SMLR)[27]和主成分回歸(PCAR)方法[28]選取合適自變量建立估產(chǎn)模型,用剩余28個(gè)樣本對(duì)所建模型精度進(jìn)行驗(yàn)證并制做實(shí)測(cè)值和模擬值的1∶1散點(diǎn)圖。選取決定系數(shù)(R2)、均方根誤差(RMSE)以及標(biāo)準(zhǔn)均方根誤差(nRMSE)作為模型的評(píng)價(jià)指標(biāo)。R2表示實(shí)測(cè)值和預(yù)測(cè)值的擬合程度,RMSE用來(lái)衡量實(shí)測(cè)值和預(yù)測(cè)值之間的離散程度,R2越大,RMSE和nRMSE越小,模型的估算效果越好,反之則越差。

      (1)

      (2)

      (3)

      2 結(jié)果與分析

      2.1 小麥生理指標(biāo)與產(chǎn)量的相關(guān)性

      從相關(guān)分析結(jié)果(表1)看,小麥各生育時(shí)期生理指標(biāo)與產(chǎn)量相關(guān)性均表現(xiàn)為葉片含氮量>LAI>葉片葉綠素相對(duì)含量>葉片含水量。從抽穗期到成熟期,LAI、葉綠素相對(duì)含量、葉片含水量、葉片含氮量與產(chǎn)量的相關(guān)性均呈下降趨勢(shì)。這可能因?yàn)槌樗肫谑切←溕L(zhǎng)發(fā)育最旺盛時(shí)期,也是植株對(duì)養(yǎng)分、水分及光照需求最多的時(shí)期,因而該時(shí)期小麥生理特征與產(chǎn)量相關(guān)性高于其他時(shí)期。

      表1 不同生育時(shí)期小麥產(chǎn)量與生理指標(biāo)的相關(guān)性Table 1 Correlation of wheat yield and various physiological indices at different growth stages

      2.2 小麥植被指數(shù)與產(chǎn)量的相關(guān)性分析

      相關(guān)性分析表明,小麥各生育時(shí)期植被指數(shù)與產(chǎn)量的相關(guān)性均達(dá)到顯著或極顯著水平(表2)。其中,單波段植被指數(shù)(NRI、NGI和NBI)與產(chǎn)量的相關(guān)性在三個(gè)時(shí)期都較低。NGI、ExG和ExR與產(chǎn)量呈負(fù)相關(guān),其他植被指數(shù)呈正相關(guān)。同一生育時(shí)期不同植被指數(shù)與產(chǎn)量的相關(guān)性存在顯著差異,抽穗期、灌漿期和成熟期相關(guān)性最大的植被指數(shù)分別為NGBDI、VDVI和MGRVI,最小的分別為NGI、NRI和NRI;不同生育時(shí)期各植被指數(shù)與產(chǎn)量的相關(guān)性均表現(xiàn)為抽穗期>灌漿期>成熟期。

      表2 不同生育期小麥產(chǎn)量與植被指數(shù)的相關(guān)性Table 2 Correlation between wheat yield and vegetation index at different growth stages

      2.3 基于生理指標(biāo)的估產(chǎn)模型擬合效果

      利用UR、SMLR和PCAR三種回歸方法分別基于生理指標(biāo)構(gòu)建小麥估產(chǎn)模型。UR模型選用與產(chǎn)量相關(guān)性最大的葉片含氮量作為自變量,該模型在各生育時(shí)期的擬合精度表現(xiàn)為抽穗期>灌漿期>成熟期(表3),其中抽穗期的R2、RMSE和nRMSE分別為0.604、550.42 kg·hm-2和18.76%。SMLR模型在不同時(shí)期所選的自變量不同,各時(shí)期的擬合精度也隨生育進(jìn)程呈下降趨勢(shì),其中模型抽穗期的R2、RMSE和nRMSE分別為0.811、359.34 kg·hm-2和12.33%。PCAR模型的擬合精度變化規(guī)律與其他兩種模型相似,也以抽穗期擬合效果最佳,R2、RMSE和nRMSE分別為0.644、493.14 kg·hm-2和16.92%。

      表3 基于生理指標(biāo)的估產(chǎn)模型擬合精度Table 3 Fitting accuracy of yield estimation model based on physiological indicators

      2.4 基于植被指數(shù)的估產(chǎn)模型擬合效果

      與生理指標(biāo)相似,基于植被指數(shù)的三類小麥估產(chǎn)模型擬合精度均表現(xiàn)為抽穗期>灌漿期>成熟期(表4)。在抽穗期,UR模型的R2、RMSE和nRMSE分別為0.505、581.78 kg·hm-2和 19.95%,SMLR模型的R2、RMSE和nRMSE分別為0.674、472.06 kg·hm-2和16.19%;PCAR模型的R2、RMSE和nRMSE分別為 0.703、 450.19 kg·hm-2和15.44%。三種模型中,PCAR模型的擬合精度最高。

      表4 基于植被指數(shù)的估產(chǎn)模型擬合精度Table 4 Fitting accuracy of yield estimation model based on vegetation index

      2.5 結(jié)合生理指標(biāo)和植被指數(shù)的估產(chǎn)模型擬合精度

      由于所有候選自變量中葉片含氮量與產(chǎn)量相關(guān)性最高,UR模型最終選用其作為自變量。兩類參數(shù)結(jié)合后,SMLR和PCAR模型的R2在各時(shí)期較單一類型參數(shù)模型均有所提高,RMSE和nRMSE均下降或接近。所有模型相比,抽穗期SMLR模型的擬合效果最好,R2、RMSE和nRMSE分別為0.828、362.53 kg·hm-2和 12.53%(表5)。

      表5 結(jié)合生理指標(biāo)和植被指數(shù)的估產(chǎn)模型擬合精度Table 5 Fitting accuracy of yield estimation model combining physiological indicators and vegetation indices

      2.6 小麥估產(chǎn)模型的預(yù)測(cè)精度

      利用剩余30%樣本對(duì)各時(shí)期小麥估產(chǎn)模型進(jìn)行驗(yàn)證(圖2、圖3和圖4)。無(wú)論是以單一類型參數(shù)建立的模型,還是以兩類參數(shù)結(jié)合所建的模型,模型的預(yù)測(cè)精度均表現(xiàn)為抽穗期>灌漿期>成熟期,抽穗期的估產(chǎn)模型估產(chǎn)效果最佳。雖然以植被指數(shù)為自變量構(gòu)建的估產(chǎn)模型整體穩(wěn)定性較好(圖3),但結(jié)合兩類參數(shù)所建的模型預(yù)測(cè)精度優(yōu)于以單一類型參數(shù)所建模型。從圖4可以看出,其中結(jié)合兩類參數(shù)的模型中,以抽穗期的SMLR模型預(yù)測(cè)精度最高,其R2、RMSE和nRMSE分別為0.776、222.68 kg·hm-2和 7.82%;灌漿期和成熟期的PCAR模型預(yù)測(cè)精度均較低,R2、RMSE和nRMSE分別為0.706、 315.25 kg·hm-2、11.07%和0.583、502.01 kg·hm-2、17.63%(圖2)。因此可在抽穗期基于結(jié)合小麥生理指標(biāo)和植被指數(shù)兩類參數(shù)的SMLR模型進(jìn)行估產(chǎn)。

      圖2 基于生理指標(biāo)構(gòu)建的小麥各生育時(shí)期估產(chǎn)模型精度驗(yàn)證Fig.2 Validation of the accuracy of the estimation model for each wheat growth stage based on physiological indexes

      圖3 基于植被指數(shù)構(gòu)建的小麥各生育時(shí)期估產(chǎn)模型精度驗(yàn)證Fig.3 Accuracy verification of the yield estimation model for each wheat growth stage based on vegetation indexes

      圖4 結(jié)合兩類變量構(gòu)建的小麥各生育時(shí)期估產(chǎn)模型精度驗(yàn)證Fig.4 Accuracy verification of the yield estimation model for each wheat growth stage constructed by combining the two variables

      利用抽穗期的無(wú)人機(jī)遙感影像,結(jié)合植被指數(shù)與生理指標(biāo)作為自變量構(gòu)建抽穗期的最優(yōu)模型,生成與產(chǎn)量相關(guān)的各敏感變量數(shù)值圖,通過(guò)柵格計(jì)算,得到整個(gè)試驗(yàn)地的小麥產(chǎn)量估測(cè)圖(圖5)。由圖5可知,整個(gè)試驗(yàn)地產(chǎn)量主要分布于800~2 000 kg·hm-2范圍內(nèi),與成熟期小麥實(shí)際收獲樣點(diǎn)產(chǎn)量數(shù)據(jù)相接近,其中<200 kg·hm-2的為裸地,符合實(shí)際情況,≥4 000 kg·hm-2的頻率較少,可能與土壤養(yǎng)分狀況、空氣濕度等環(huán)境因素相關(guān)。

      圖5 小麥單產(chǎn)預(yù)測(cè)圖Fig.5 Forecast of wheat yield

      3 討 論

      本研究中,基于無(wú)人機(jī)圖像提取的植被特征指數(shù)與小麥產(chǎn)量間的相關(guān)性較高,其中MGRVI、NGBDI、ExR、RGBVI和VDVI與產(chǎn)量的相關(guān)性較好,這與陳晨等[29]得到的結(jié)果基本一致。較灌漿期和成熟期,抽穗期估產(chǎn)效果最優(yōu),各項(xiàng)生理指標(biāo)與小麥單產(chǎn)均具有較好的敏感性,也印證了劉靜等[30]和劉原峰[31]的研究結(jié)果?;诓煌龝r(shí)期的估產(chǎn)模型中,SMLR和PCAR模型整體上都優(yōu)于UR模型,且結(jié)合兩種參數(shù)構(gòu)建的抽穗期SMLR模型擬合精度最高,R2=0.828,相較于單一類型參數(shù)模型的精度都有所提升,但SMLR驗(yàn)證模型較一元回歸和和PCAR模型精度有所降低,可能是由于自變量的增加導(dǎo)致模型結(jié)構(gòu)復(fù)雜產(chǎn)生過(guò)擬合的原因,各時(shí)期模型精度整體上相較于譚昌偉等的[3,18]偏低,其原因可能是試驗(yàn)小區(qū)測(cè)產(chǎn)面積小,邊際效應(yīng)明顯,加之測(cè)產(chǎn)時(shí)人工誤差的存在,都對(duì)研究結(jié)果產(chǎn)生一定影響。

      本研究基于無(wú)人機(jī)平臺(tái)構(gòu)建春小麥各生育時(shí)期的估產(chǎn)模型整體上預(yù)測(cè)能力較好,但還存在一些需要改進(jìn)的地方:(1)盡管采集數(shù)據(jù)時(shí)保證其他條件一致,但由于不同尺度的地物空間異質(zhì)性存在,使得各時(shí)期所得光譜影像數(shù)據(jù)存在一定差異,這也可能是導(dǎo)致整體模型精度偏低的原因,后續(xù)研究需要深入考慮;(2)小麥產(chǎn)量形成更多的是基于其他非線性因素,本研究?jī)H將SMLR、UR和PCAR方法進(jìn)行對(duì)比,應(yīng)該加入隨機(jī)森林、支持向量機(jī)等機(jī)器學(xué)習(xí)算法,以尋求更優(yōu)的估產(chǎn)模型;(3)經(jīng)驗(yàn)?zāi)P椭饕罁?jù)作物產(chǎn)量與光譜數(shù)據(jù)或者遙感反演作物冠層參數(shù)之間的定量關(guān)系實(shí)現(xiàn)[32],由于缺少對(duì)作物產(chǎn)量形成的機(jī)理性解釋,也將導(dǎo)致模型精度偏低;(4)植物在不同的波段會(huì)呈現(xiàn)不同的特征,而小麥的響應(yīng)敏感波段不在可見光范圍內(nèi)也是影響模型精度的原因之一,在今后的研究中需要考慮增加多光譜或高光譜數(shù)據(jù),進(jìn)行不同數(shù)據(jù)源之間的對(duì)比分析,以提高模型精度。

      猜你喜歡
      估產(chǎn)植被指數(shù)生理
      基于無(wú)人機(jī)多光譜遙感數(shù)據(jù)的煙草植被指數(shù)估產(chǎn)模型研究
      遙感技術(shù)在大豆種植情況監(jiān)測(cè)中的應(yīng)用
      打破生理“平衡”
      基于BP神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)血泵生理控制
      AMSR_2微波植被指數(shù)在黃河流域的適用性對(duì)比與分析
      河南省冬小麥產(chǎn)量遙感監(jiān)測(cè)精度比較研究
      媽媽們產(chǎn)后的生理煩惱
      Coco薇(2017年5期)2017-06-05 13:03:24
      基于地級(jí)市的區(qū)域水稻遙感估產(chǎn)與空間化研究
      主要植被指數(shù)在生態(tài)環(huán)評(píng)中的作用
      西藏科技(2015年1期)2015-09-26 12:09:29
      “DIY式”小創(chuàng)新在神經(jīng)電生理監(jiān)測(cè)中的應(yīng)用
      镇安县| 华宁县| 梓潼县| 安达市| 黄浦区| 岳阳市| 平潭县| 烟台市| 无为县| 蒙城县| 衡东县| 资中县| 沙河市| 太白县| 黄龙县| 江川县| 吉水县| 泗洪县| 东辽县| 洱源县| 吉首市| 新化县| 湟中县| 翼城县| 合山市| 龙川县| 洱源县| 南昌县| 遂平县| 和平区| 巴南区| 星子县| 甘洛县| 仙游县| 大渡口区| 韶山市| 澜沧| 江口县| 孙吴县| 泰宁县| 大足县|