【摘要】：【目的】氮素是作物生長(zhǎng)發(fā)育過(guò)程中最重要的營(yíng)養(yǎng)元素之一,研究葉氮含量反演的有效光譜指標(biāo)設(shè)置,為應(yīng)用高光譜植被指數(shù)反演作物葉氮含量,以及作物的實(shí)時(shí)監(jiān)測(cè)與精確診斷提供重要依據(jù)�！痉椒ā恳远←湠槔�,選取涵蓋冬小麥全生育期不同覆蓋程度225組冠層光譜與葉氮含量數(shù)據(jù),通過(guò)遙感方法建立模型,模擬了不同光譜指標(biāo),即中心波長(zhǎng)、信噪比和波段寬度對(duì)定量模型的影響,通過(guò)模型精度評(píng)價(jià)指標(biāo)決定系數(shù)(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均絕對(duì)誤差(mean absolute error,MAE)、平均相對(duì)誤差(mean relative error,MRE)和顯著性檢驗(yàn)水平(P0.01)確定最優(yōu)模型及最佳指標(biāo),分析光譜指標(biāo)對(duì)葉氮含量定量模型反演的敏感性和有效性�！窘Y(jié)果】反演冬小麥葉氮含量的最佳植被指數(shù)為MTCI_B,與實(shí)測(cè)葉氮含量的相關(guān)性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11個(gè)百分點(diǎn),且P0.01),對(duì)應(yīng)的最佳指標(biāo)為中心波長(zhǎng)420 nm、508 nm和405 nm,波段寬度1 nm,信噪比大于70 DB;高覆蓋狀況反演的最優(yōu)指數(shù)為RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44個(gè)百分點(diǎn),且P0.01),最優(yōu)中心波長(zhǎng)為826 nm和760 nm;低覆蓋狀況反演的最優(yōu)指數(shù)為MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22個(gè)百分點(diǎn),且P0.01),最優(yōu)中心波長(zhǎng)為750 nm、693 nm和680 nm;應(yīng)用最適于高低覆蓋的植被指數(shù)RVIinf_r和MTCI構(gòu)建的聯(lián)合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16個(gè)百分點(diǎn),且P0.01),明顯優(yōu)于最佳單一指數(shù)MTCI_B;模擬Hyperion和HJ1A-HSI傳感器數(shù)據(jù),聯(lián)合反演模型精度(R~2為0.92—0.93,RMSE在0.37%—0.39%,MAE為0.285%左右,MRE約為7.00個(gè)百分點(diǎn))明顯優(yōu)于單一植被指數(shù)反演精度(R~2為0.79—0.81,RMSE為0.63%—0.66%,MAE為0.455%左右,MRE約為10.90個(gè)百分點(diǎn))�！窘Y(jié)論】利用高光譜植被指數(shù)可有效實(shí)現(xiàn)作物葉氮含量反演,作物葉氮含量定量反演對(duì)不同光譜指標(biāo)—中心波長(zhǎng)、信噪比和波段寬度,具有較強(qiáng)敏感性。應(yīng)用多指數(shù)聯(lián)合反演模型,可顯著提高反演精度,并且聯(lián)合反演模型在不同高光譜傳感器下有一定普適性。
[Abstract]:[Objective] N is one of the most important nutrient elements in the process of crop growth and development, and the effective spectral index of the inversion of leaf nitrogen content is set up to provide an important basis for the application of high-spectral vegetation index to the inversion of crop leaf nitrogen content, as well as real-time monitoring and accurate diagnosis of crops. [Method] Taking winter wheat as an example, the data of the canopy spectrum and leaf nitrogen content of 225 groups covering the whole growth period of the winter wheat were selected, and the model was established by the remote sensing method. The effects of the central wavelength, the signal-to-noise ratio and the band width on the quantitative model were simulated. The optimal model and the best index were determined by the model accuracy evaluation index determination coefficient (R ~ 2), the root mean square error (RMSE), the mean absolute error (MAE), the mean relative error (MRE) and the significance test level (P0.01), and the sensitivity and the effectiveness of the spectral index to the inversion of the leaf nitrogen content quantitative model were analyzed. [Results] The best vegetation index for the inversion of the leaf nitrogen content of winter wheat is MTCI _ B, and the correlation with the measured leaf nitrogen content is the best (R ~ 2 = 0.7674, RMSE = 0.5511%, MAE = 0.4625%, MRE = 11.11%, and P 0.01), the corresponding best index is the center wavelength of 420 nm,508 nm and 405 nm, the band width is 1 nm, the signal-to-noise ratio is greater than 70 DB, the optimal index for the inversion of the high coverage condition is RVIinf r (R ~ 2 = 0.6739, RMSE = 0.2964%, MAE = 0.2851%, MRE = 6.44%, and P0.01), the optimal center wavelength is 826 nm and 760 nm; the optimal index for low coverage condition inversion is MTCI (R ~ 2 = 0.8252, RMSE = 0.4032%, MAE = 0.4408%, MRE = 12.22%, and P0.01) The RMSE is 0.37% (0.39%, MAE is about 0.285%, and the MRE is about 7.00%), which is obviously superior to that of single vegetation index (R ~ 2 is 0.79, 0.81, RMSE is 0.63%, 0.66%, MAE is about 0.455%, and MRE is about 10.90%). [Conclusion] Using the high-spectral vegetation index, the inversion of the crop leaf nitrogen content and the quantitative inversion of the leaf nitrogen content of the crop have a strong sensitivity to the central wavelength, the signal-to-noise ratio and the band width of different spectral targets. The multi-index joint inversion model can be used to significantly improve the inversion precision, and the joint inversion model has a certain universality under different high-spectral sensors.
【作者單位】： 中國(guó)科學(xué)院遙感與數(shù)字地球研究所;中國(guó)地質(zhì)大學(xué)地球科學(xué)與資源學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(41371359,41671362) 廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金(151400727) 高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)(30-Y30B13-9003-14/16,11-Y20A40-9002-15/17)
【分類號(hào)】：S512.11;S127

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王福民;黃敬峰;王秀珍;;基于水稻背景特性的植被指數(shù)參數(shù)修正研究[J];農(nóng)業(yè)工程學(xué)報(bào);2008年05期

2 何彬方;馮妍;吳文玉;范偉;;安徽省近十年植被指數(shù)時(shí)空變化特征[J];生態(tài)學(xué)雜志;2010年10期

3 解文歡;張有智;吳黎;;基于植被指數(shù)對(duì)望奎縣糧食作物產(chǎn)量預(yù)測(cè)方法的研究[J];黑龍江農(nóng)業(yè)科學(xué);2011年04期

4 康耀江;;植被指數(shù)在草地遙感中的應(yīng)用初探[J];湖南農(nóng)業(yè)科學(xué);2011年Z1期

5 張仁華,饒農(nóng)新,廖國(guó)男;植被指數(shù)的抗大氣影響探討[J];植物學(xué)報(bào);1996年01期

6 國(guó)紅;彭世揆;趙博光;;內(nèi)蒙古鄂托克前旗地區(qū)苦豆子植被指數(shù)信息提取的研究[J];林業(yè)資源管理;2008年04期

7 范文義;白新源;馮欣;李明澤;杜華強(qiáng);;哈爾濱熱島效應(yīng)與植被指數(shù)關(guān)系的動(dòng)態(tài)分析[J];東北林業(yè)大學(xué)學(xué)報(bào);2009年06期

8 杜春雨;范文義;;葉面積指數(shù)與植被指數(shù)關(guān)系研究[J];林業(yè)勘查設(shè)計(jì);2013年02期

9 楊潔;隋學(xué)艷;楊麗萍;郭洪海;朱振林;;山東省植被指數(shù)影像數(shù)據(jù)庫(kù)的設(shè)計(jì)與實(shí)現(xiàn)[J];安徽農(nóng)業(yè)科學(xué);2011年29期

10 胡曉雯;曹爽;趙顯富;;基于植被指數(shù)的綠地信息提取的比較[J];南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

相關(guān)會(huì)議論文 前10條

1 付卓;王錦地;施建成;宋金玲;靳華安;張立新;張鐘軍;趙少杰;陳柏松;;微波植被指數(shù)與光學(xué)植被指數(shù)在地面尺度上的關(guān)系研究[A];遙感定量反演算法研討會(huì)摘要集[C];2010年

2 辛紅梅;張杰;馬毅;初佳蘭;;基于植被指數(shù)的赤潮高光譜敏感波段確定方法初探[A];第十四屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文選集[C];2003年

3 范錦龍;;我國(guó)晴空分布及對(duì)旬合成植被指數(shù)的影響[A];推進(jìn)氣象科技創(chuàng)新加快氣象事業(yè)發(fā)展——中國(guó)氣象學(xué)會(huì)2004年年會(huì)論文集（下冊(cè)）[C];2004年

4 張樹(shù)譽(yù);李登科;李星敏;周輝;;遙感植被指數(shù)及其在縣域生態(tài)環(huán)境監(jiān)測(cè)評(píng)估中的應(yīng)用[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

5 安培浚;頡耀文;;綠洲植被指數(shù)的遙感定量研究-以民勤綠洲為例[A];第十五屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2005年

6 江東;王乃斌;楊小喚;劉紅輝;;植被指數(shù)—地面溫度特征空間及其應(yīng)用[A];第十三屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2001年

7 傅軍;張杰;辛紅梅;馬毅;;基于植被指數(shù)的高光譜遙感水陸識(shí)別方法初探[A];第十四屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2003年

8 肖乾廣;肖嵐;李亞君;;EOS/MODIS,FY-1D/MVISR,NOAA/AVHRR的歸一化植被指數(shù)的同化研究[A];全國(guó)國(guó)土資源與環(huán)境遙感應(yīng)用技術(shù)研討會(huì)論文集[C];2009年

9 楊道勇;肖云岫;;利用WT-10接收的1B高分辨云圖數(shù)據(jù)生成植被指數(shù)圖像[A];中國(guó)氣象學(xué)會(huì)2005年年會(huì)論文集[C];2005年

10 何全軍;曹靜;張?jiān)戮S;;基于MODIS的廣東省植被指數(shù)序列構(gòu)建與應(yīng)用[A];中國(guó)氣象學(xué)會(huì)2007年年會(huì)生態(tài)氣象業(yè)務(wù)建設(shè)與農(nóng)業(yè)氣象災(zāi)害預(yù)警分會(huì)場(chǎng)論文集[C];2007年

相關(guān)重要報(bào)紙文章 前1條

1 魏景云;氣象衛(wèi)星監(jiān)測(cè)干旱 全國(guó)旱情一目了然[N];中國(guó)氣象報(bào);2003年

相關(guān)博士學(xué)位論文 前4條

1 衛(wèi)煒;MODIS雙星數(shù)據(jù)協(xié)同的耕地物候參數(shù)提取方法研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

2 張立福;通用光譜模式分解算法及植被指數(shù)的建立[D];武漢大學(xué);2005年

3 岳文澤;基于遙感影像的城市景觀格局及其熱環(huán)境效應(yīng)研究[D];華東師范大學(xué);2005年

4 劉占宇;水稻主要病蟲(chóng)害脅迫遙感監(jiān)測(cè)研究[D];浙江大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 劉吉?jiǎng)P;基于HJ衛(wèi)星數(shù)據(jù)的甘蔗長(zhǎng)勢(shì)監(jiān)測(cè)與估產(chǎn)研究[D];南京信息工程大學(xué);2015年

2 鄭亞云;榆林NDVI時(shí)空變化及驅(qū)動(dòng)因子研究[D];長(zhǎng)安大學(xué);2015年

3 何春萌;經(jīng)濟(jì)利益驅(qū)動(dòng)下的工礦開(kāi)發(fā)對(duì)人類生存環(huán)境的影響[D];內(nèi)蒙古大學(xué);2015年

4 劉曉靜;基于不同遙感數(shù)據(jù)源的秦嶺地區(qū)植被指數(shù)對(duì)比分析[D];長(zhǎng)安大學(xué);2015年

5 王鑫梅;氮素水平對(duì)不同土壤質(zhì)地楊樹(shù)葉片光譜特性和光合能力的影響[D];河北農(nóng)業(yè)大學(xué);2015年

6 官雨薇;基于遙感影像的全球荒漠化指數(shù)構(gòu)建及趨勢(shì)分析[D];電子科技大學(xué);2015年

7 胡文;黑龍江省雹災(zāi)遙感監(jiān)測(cè)及時(shí)空特征分析[D];東北農(nóng)業(yè)大學(xué);2015年

8 吳明業(yè);基于TVDI的土壤干旱遙感監(jiān)測(cè)研究及驗(yàn)證[D];安徽農(nóng)業(yè)大學(xué);2014年

9 馬瑞;增強(qiáng)植被指數(shù)算法的研究及其在生態(tài)環(huán)境遙感產(chǎn)品生產(chǎn)分系統(tǒng)的應(yīng)用[D];河南大學(xué);2015年

10 曾水生;雙季稻生長(zhǎng)指標(biāo)光譜監(jiān)測(cè)模型研究[D];江西農(nóng)業(yè)大學(xué);2015年

，

本文編號(hào)：2505137