• 
    

    
    

      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)多光譜的葡萄氮含量監(jiān)測(cè)研究

      2022-06-22 09:37:08唐渲運(yùn)高何璇高曉陽(yáng)李紅嶺賈尚云
      關(guān)鍵詞:植被指數(shù)生育期反演

      唐渲運(yùn), 高何璇, 高曉陽(yáng)*, 李紅嶺, 賈尚云, 張 旭,2

      (1.甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院,甘肅 蘭州 730070;2.甘肅省葡萄與葡萄酒工程學(xué)重點(diǎn)實(shí)驗(yàn)室,甘肅 蘭州 730070;3.甘肅省干旱生境作物學(xué)重點(diǎn)實(shí)驗(yàn)室,甘肅 蘭州 730070;4.蘭州銀行網(wǎng)絡(luò)金融部,甘肅 蘭州 730000)

      目前,葡萄在我國(guó)栽培地域廣且產(chǎn)量大,葡萄品質(zhì)對(duì)食用和葡萄酒口感影響很大,而氮素是影響其產(chǎn)量和品質(zhì)的重要因素之一[1]。利用遙感技術(shù)快速監(jiān)測(cè)植被元素含量,在現(xiàn)代精準(zhǔn)農(nóng)業(yè)的智能化施肥決策中發(fā)揮著越來(lái)越重要的作用[2-9]。通過(guò)無(wú)人機(jī)搭載光譜相機(jī)組成的遙感監(jiān)測(cè)系統(tǒng),研究使用大面積遙感實(shí)驗(yàn)數(shù)據(jù)對(duì)元素含量進(jìn)行反演,可快速獲得植被元素含量[12]。目前農(nóng)業(yè)光譜應(yīng)用多集中在小麥、水稻等大田作物[17-20],國(guó)內(nèi)外鮮有對(duì)葡萄植株所含元素的光譜研究。本文使用無(wú)人機(jī)搭載多光譜相機(jī)獲取的葡萄植株多光譜數(shù)據(jù)生成植被指數(shù)進(jìn)行葡萄植株的氮素反演,以求為葡萄關(guān)鍵生長(zhǎng)期施肥管理提供決策依據(jù)。

      1 材料與方法

      1.1 研究試驗(yàn)區(qū)域與試驗(yàn)設(shè)計(jì)

      試驗(yàn)研究地點(diǎn)位于甘肅省武威市涼州區(qū)清源鎮(zhèn)威龍沙漠綠洲有機(jī)葡萄莊園(102°47′33″ E,37°54′0″ N),試驗(yàn)地域?qū)儆诘湫蜏貛Т箨懶詺夂?,日照時(shí)數(shù)2 800小時(shí)左右,光照充足,晝夜溫差較大,蒸發(fā)量大,干旱少雨。選用馬瑟蘭葡萄為研究對(duì)象,種植株距為3 m,行距5 m,柱架栽培。葡萄4月19日出土上架,萌芽期在5月10號(hào)左右,6月初為開(kāi)花期,6月中旬進(jìn)入果實(shí)膨大期,9月初為果實(shí)著色期,全生育期150~165天。試驗(yàn)研究過(guò)程中,分別在葡萄的4個(gè)生育期獲取多光譜圖進(jìn)行建模反演。試驗(yàn)選取60個(gè)樣本小區(qū),利用矯正后的光譜圖,提取小區(qū)的平均反射率構(gòu)建植被指數(shù),對(duì)應(yīng)采樣葉片在實(shí)驗(yàn)室測(cè)定其氮含量數(shù)據(jù),構(gòu)成建模數(shù)據(jù)樣本集。其中隨機(jī)選取45個(gè)樣本小區(qū)用于建模,剩余15個(gè)樣本小區(qū)用于模型精度驗(yàn)證。從每個(gè)樣本小區(qū)摘取6片葉片,使用保溫箱冷藏后帶回實(shí)驗(yàn)室,使用干燥箱干燥,研磨成粉后經(jīng)甘肅省農(nóng)業(yè)科學(xué)研究院使用凱氏定氮法測(cè)取其氮含量。葉片采樣時(shí),測(cè)定并記錄每個(gè)樣本點(diǎn)GPS數(shù)值,便于后期與多光譜影像對(duì)應(yīng)處理。

      1.2 多光譜影像數(shù)據(jù)的采集與處理

      本試驗(yàn)研究采用大疆M200系列四旋翼無(wú)人機(jī)搭載RedEdge-M多光譜相機(jī)。無(wú)人機(jī)飛行時(shí),為確保生成正射影像圖,相機(jī)鏡頭保持垂直向下;為保證光譜數(shù)據(jù)的質(zhì)量,采集均選在天氣晴朗無(wú)云并且陽(yáng)光正射地面的中午時(shí)間,飛行高度為45 m,選定飛行實(shí)驗(yàn)區(qū)域后,自動(dòng)規(guī)劃航線飛行。RedEdge-M多光譜相機(jī)共有五個(gè)通道,分別為紅、綠、藍(lán)、紅邊、近紅五通道,拍攝時(shí)內(nèi)置SD卡用于圖像儲(chǔ)存。利用Pix4D mapper對(duì)光譜圖像進(jìn)行拼接、校準(zhǔn)、提取各波段反射率,編輯植被指數(shù)公式,生成反演所用的光譜變量。

      1.3 植被指數(shù)的選取

      參考已有植物氮素反演研究文獻(xiàn)[21-31],本文選取5個(gè)波段反射率和11個(gè)植被指數(shù),以16個(gè)光譜變量對(duì)葡萄葉片氮含量進(jìn)行反演試驗(yàn)研究,表1為試驗(yàn)研究選用的光譜變量。

      表1 試驗(yàn)研究選用的光譜變量

      1.4 數(shù)據(jù)分析方法

      1.4.1 逐步回歸分析

      在多元線性回歸中,如何選擇最優(yōu)自變量是需要考慮的重要環(huán)節(jié),自變量數(shù)目太少,則會(huì)造成偏差過(guò)大;若選擇全部自變量,則由于許多不顯著自變量會(huì)使自由度減小而導(dǎo)致誤差δ2增大等問(wèn)題[32]。為建立最優(yōu)回歸方程,本研究采用逐步回歸的思想方法,首先對(duì)引入的因子進(jìn)行顯著性檢驗(yàn),只保留顯著者;其次,反復(fù)引入因子,每引入一個(gè)新因子就進(jìn)行一次顯著性檢驗(yàn),保留顯著并剔除不顯著因子,直到進(jìn)入的因子都顯著,而沒(méi)有進(jìn)入的因子都不顯著為止。

      Note:RGRE、RRED、RBLU、RREG、RREG and RNIRare reflectance values in green,red,blue,red edge and near infrared bands.

      1.4.2 建模方法

      首先將實(shí)測(cè)葡萄葉片氮含量與選取的植被指數(shù)做相關(guān)性分析,以相關(guān)性顯著作為逐步回歸基礎(chǔ);其次,隨機(jī)選取45個(gè)樣本數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集來(lái)構(gòu)建葡萄氮含量模型,剩余15個(gè)樣本數(shù)據(jù)為檢驗(yàn)數(shù)據(jù)集,對(duì)建立的估算模型進(jìn)行能力檢驗(yàn)。本文采用后退逐步回歸建模,選擇16個(gè)經(jīng)過(guò)檢驗(yàn)顯著的植被指數(shù)為初始變量,之后再分析逐個(gè)剔除其中最不顯著者,綜合考慮模型精度以及復(fù)雜程度,選擇出最優(yōu)植被指數(shù)變量構(gòu)建最終反演模型,用于智慧農(nóng)業(yè)的氮肥決策。

      1.4.3 評(píng)價(jià)指標(biāo)

      本文選取決定系數(shù)R2、調(diào)整后R2、均方根誤差(RMSE)作為模型精度評(píng)價(jià)指標(biāo)。所建模型R2越大,相應(yīng)的RMSE越小,模型估算能力將越好。模型評(píng)價(jià)指標(biāo)見(jiàn)公式(1)-(3)。

      (1)

      (2)

      (3)

      2 結(jié)果與分析

      2.1 葉片氮含量與光譜變量相關(guān)性分析

      相關(guān)性分析是回歸建模的前提。當(dāng)因變量與自變量的相關(guān)性越高,回歸模型才具有較高可解釋性。從萌芽期、開(kāi)花期、果實(shí)膨大期、著色期等4個(gè)主要生育期數(shù)據(jù)樣本集中隨機(jī)選取45組數(shù)據(jù),對(duì)生育期的光譜構(gòu)建的植被指數(shù)與葉片實(shí)際氮含量進(jìn)行相關(guān)性分析,各生育期相關(guān)性分析結(jié)果如圖1所示。

      圖1 光譜變量與葡萄葉片氮含量相關(guān)性系數(shù)

      本試驗(yàn)研究通過(guò)對(duì)萌芽期、開(kāi)花期、果實(shí)膨大期、果實(shí)著色期等4個(gè)生育期植被指數(shù)與實(shí)測(cè)葉片氮含量相關(guān)性分析可知,在萌芽期,GNDVI與氮含量相關(guān)性系數(shù)最高,并且P<0.01,極顯著;在開(kāi)花期,MNLI與氮含量相關(guān)性系數(shù)最高,P<0.01,極顯著;在果實(shí)膨大期,GNDVI、MNLI與氮含量相關(guān)性系數(shù)最高;在著色期,MNLI與氮含量相關(guān)性系數(shù)最高,P<0.01,極顯著。

      2.2 葉片氮含量最佳估測(cè)模型

      由上述分析可知,5個(gè)通道的光譜反射率以及所構(gòu)成的11個(gè)植被指數(shù)與葉片氮含量具有較高的相關(guān)性。本文選用SPSS軟件對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行后退逐步回歸分析,使用16個(gè)光譜變量與葉片氮含量構(gòu)建多元線性回歸模型,首先將全變量建模中不顯著變量剔除,然后采用后退逐步回歸逐個(gè)剔除變量中最不顯著變量,步進(jìn)法條件使用F的概率,進(jìn)入為0.05,去除為0.1。為規(guī)避偽回歸風(fēng)險(xiǎn),首先將原始數(shù)據(jù)標(biāo)準(zhǔn)化,取自然數(shù)對(duì)數(shù)后進(jìn)行回歸分析。綜合考慮模型精度和簡(jiǎn)潔度,選取合適的模型建模,回歸結(jié)果如表2所示。

      表2 光譜變量與葡萄葉片氮含量回歸結(jié)果

      表3 不同生育期葡萄葉片氮含量回歸結(jié)果

      圖2 氮含量預(yù)測(cè)值與實(shí)際值的關(guān)系

      3 討論

      利用無(wú)人機(jī)搭載RedEdge-M多光譜相機(jī)采集的紅、藍(lán)、綠、近紅和紅邊波段等低空農(nóng)業(yè)遙感光譜數(shù)據(jù),在田塊尺度上包含的精準(zhǔn)農(nóng)業(yè)信息豐富,作物生長(zhǎng)檢測(cè)和數(shù)據(jù)處理也較為簡(jiǎn)單,相比于高光譜其價(jià)格優(yōu)勢(shì)明顯,便于實(shí)際推廣應(yīng)用。

      葡萄氮含量與其葉綠素含量有很強(qiáng)的關(guān)聯(lián)性,氮素含量隨著葉綠素量增加而增加[33],在氮素含量研究中可適當(dāng)選取一些對(duì)葉綠素敏感的波段。本研究發(fā)現(xiàn),綠光波段在可見(jiàn)光中最為敏感,光譜指數(shù)GNDVI在不同生育期和氮素相關(guān)性也都較高,說(shuō)明綠光及其綠光波段所構(gòu)成的光譜指數(shù)可以很好地對(duì)葡萄氮含量進(jìn)行反演。

      此外,還嘗試了采用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等構(gòu)建模型實(shí)驗(yàn),但由于樣本集數(shù)量過(guò)少,所訓(xùn)練的模型無(wú)法滿足精度要求;就線性模型而言,本文選用一年采集的試驗(yàn)數(shù)據(jù)所構(gòu)建的多元線性回歸模型,相比于采用最優(yōu)植被指數(shù)的已有反演模型研究[21-30],其模型精度仍相對(duì)較高。多元回歸模型即避免了全變量建模的多重共線性,方便模型的解釋,又保證了模型的穩(wěn)定性。為進(jìn)一步提高所建模型的魯棒性,今后還應(yīng)適當(dāng)增加實(shí)驗(yàn)區(qū)域,并采用多年數(shù)據(jù)來(lái)構(gòu)建模型。

      4 結(jié)論

      基于無(wú)人機(jī)多光譜影像,采用逐步回歸分析方法構(gòu)建葡萄四個(gè)生育期的葉片氮素含量模型,實(shí)現(xiàn)對(duì)葡萄氮含量的有效估測(cè)。本文試驗(yàn)研究的結(jié)果如下。

      (1)葡萄氮含量與多光譜相機(jī)的5個(gè)波段相關(guān)性分析結(jié)果表明,綠色、紅邊、近紅波段對(duì)植被指數(shù)都很敏感,在四個(gè)生長(zhǎng)期近紅外波段與葡萄氮含量相關(guān)性都是最高的。

      (2)經(jīng)后退逐步回歸分析法,篩選出各生育期葡萄氮含量模型的最優(yōu)光譜變量。萌芽期為GNDVI、B、R、MNLI、G、NIR;開(kāi)花期為 GRVI、GNDVI、B、RE、R、G、NIR、MNLI、NDVI;果實(shí)膨大期為GRVI、RE、MNLI、NLI、GNDVI、NDVI;著色期為GRVI、NIR、B、RE、R、G、MNLI、NLI、GNDVI。

      猜你喜歡
      植被指數(shù)生育期反演
      反演對(duì)稱變換在解決平面幾何問(wèn)題中的應(yīng)用
      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
      基于低頻軟約束的疊前AVA稀疏層反演
      基于自適應(yīng)遺傳算法的CSAMT一維反演
      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
      基于作物生育期的潛在蒸散的時(shí)空演變特征及R/S 分析
      西藏科技(2015年5期)2015-09-26 11:55:25
      基于MODIS數(shù)據(jù)的植被指數(shù)與植被覆蓋度關(guān)系研究
      疊前同步反演在港中油田的應(yīng)用
      2013-2014年度二二二團(tuán)冬小麥各生育期氣象條件分析
      广饶县| 汕头市| 含山县| 宁都县| 上蔡县| 凉城县| 潞西市| 黔江区| 湛江市| 同德县| 吴堡县| 遵化市| 昌吉市| 七台河市| 东阳市| 巩义市| 金山区| 祥云县| 页游| 常熟市| 云浮市| 泰州市| 龙门县| 安塞县| 佛山市| 精河县| 叙永县| 黑山县| 榆林市| 项城市| 新巴尔虎右旗| 惠安县| 盐津县| 凤凰县| 岳池县| 棋牌| 吉水县| 清水县| 临颍县| 肥西县| 谢通门县|