以馬鈴薯為研究對(duì)象,利用無(wú)人機(jī)得到現(xiàn)蕾期、塊莖形成期、塊莖增長(zhǎng)期、淀粉積累期和成熟期的高光譜數(shù)據(jù)實(shí)測(cè)了地上生物量（Above ground biomass,AGB）數(shù)據(jù)。首先利用成像高光譜影像提取每個(gè)生育期馬鈴薯冠層高光譜反射率數(shù)據(jù);然后,利用分?jǐn)?shù)階微分計(jì)算高光譜0～2階微分（間隔0.2）,將各階微分下的光譜數(shù)據(jù)與地上生物量進(jìn)行相關(guān)性分析,挑選出相關(guān)系數(shù)絕對(duì)值較大的前9個(gè)微分波段;最后,利用多元線性回歸（Multiple linear regression,MLR）、隨機(jī)森林（Random forest,RF）和人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network,ANN） 3種方法構(gòu)建基于分?jǐn)?shù)階微分光譜的整體、不同品種、不同密度和不同施肥下的馬鈴薯AGB估算模型,并進(jìn)行了對(duì)比。結(jié)果表明:各生育期相關(guān)系數(shù)絕對(duì)值最大值出現(xiàn)的階數(shù)不同,現(xiàn)蕾期為0.8階微分（470 nm）;塊莖形成期為1.8階微分（710 nm）;塊莖增長(zhǎng)期和淀粉積累期為1.6階微分（718、722、766 nm）;成熟期為1.0階微分（622 nm）。相較于整數(shù)階微分,高光譜分?jǐn)?shù)階微分與AGB的相關(guān)性更高,分... 

【文章來(lái)源】：農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020,51(12)北大核心EICSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

馬鈴薯試驗(yàn)位置和試驗(yàn)設(shè)計(jì)

為篩選出與馬鈴薯AGB相關(guān)性較好的原始冠層光譜波段，通過(guò)相關(guān)性分析，得到各個(gè)生育期原始冠層光譜與AGB的相關(guān)性，結(jié)果如圖3所示。從圖3可以看出:(1)現(xiàn)蕾期，冠層原始光譜在波段454～718 nm范圍內(nèi)與馬鈴薯AGB呈極顯著負(fù)相關(guān)(P<0.01)，在波段746～914 nm范圍內(nèi)與AGB呈極顯著正相關(guān)。由于與AGB相關(guān)的光譜波段主要是可見光波段，故選取相關(guān)性較大的波長(zhǎng)478、674 nm，其相關(guān)系數(shù)分別為-0.64和-0.66。(2)塊莖形成期，冠層原始光譜分別在波段558～698 nm、726～950 nm與AGB呈極顯著負(fù)、正相關(guān)。相關(guān)性較高的波長(zhǎng)為766、778 nm，其相關(guān)系數(shù)分別為0.63和0.63。(3)塊莖增長(zhǎng)期，冠層原始光譜分別在波段454～702 nm、718～950 nm與AGB呈極顯著負(fù)、正相關(guān)。相關(guān)性較大的波長(zhǎng)為610、770 nm，其相關(guān)系數(shù)分別為-0.72和0.71。(4)淀粉積累期，冠層原始光譜分別在波段454～710 nm、714～950 nm與AGB呈極顯著負(fù)、正相關(guān)。相關(guān)性較高的波長(zhǎng)為482、618、746 nm，其相關(guān)系數(shù)分別為-0.70、-0.67和0.76。(5)成熟期，冠層原始光譜在波段914～950 nm與AGB呈極顯著負(fù)相關(guān)，未見波段與AGB呈極顯著正相關(guān)。在可見光波段范圍內(nèi)選擇相關(guān)系數(shù)絕對(duì)值較大的波長(zhǎng)550、694 nm，其相關(guān)系數(shù)為-0.33和0.25。圖3 馬鈴薯不同生育期原始冠層光譜與AGB相關(guān)系數(shù)

馬鈴薯不同生育期原始冠層光譜與AGB相關(guān)系數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]基于高光譜遙感與SAFY模型的冬小麥地上生物量估算[J]. 劉明星,李長(zhǎng)春,李振海,馮海寬,楊貴軍,陶惠林.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(02)
[2]基于無(wú)人機(jī)高光譜長(zhǎng)勢(shì)指標(biāo)的冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 陶惠林,徐良驥,馮海寬,楊貴軍,苗夢(mèng)珂,林博文.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(02)
[3]基于無(wú)人機(jī)數(shù)碼影像的冬小麥株高和生物量估算[J]. 陶惠林,徐良驥,馮海寬,楊貴軍,楊小冬,苗夢(mèng)珂,代陽(yáng).  農(nóng)業(yè)工程學(xué)報(bào). 2019(19)
[4]分?jǐn)?shù)階微分對(duì)鹽漬土野外光譜預(yù)處理精度提升的機(jī)理分析[J]. 田安紅,熊黑鋼,趙俊三,付承彪.  光譜學(xué)與光譜分析. 2019(08)
[5]分?jǐn)?shù)階微分算子在煤礦監(jiān)測(cè)數(shù)據(jù)融合處理中的應(yīng)用[J]. 左延紅,程樺,程堂春.  煤炭學(xué)報(bào). 2020(02)
[6]基于機(jī)器學(xué)習(xí)算法的冬小麥不同生育時(shí)期生物量高光譜估算[J]. 吳芳,李映雪,張緣園,張雪紅,鄒曉晨.  麥類作物學(xué)報(bào). 2019(02)
[7]基于Hyperion高光譜影像的冬小麥地上干生物量反演[J]. 任建強(qiáng),吳尚蓉,劉斌,陳仲新,劉杏認(rèn),李賀.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(04)
[8]基于綜合指標(biāo)的冬小麥長(zhǎng)勢(shì)無(wú)人機(jī)遙感監(jiān)測(cè)[J]. 裴浩杰,馮海寬,李長(zhǎng)春,金秀良,李振海,楊貴軍.  農(nóng)業(yè)工程學(xué)報(bào). 2017(20)
[9]光譜分?jǐn)?shù)階微分與玉米葉片重金屬銅含量的相關(guān)性分析[J]. 張文文,楊可明,夏天,劉聰,孫彤彤.  科學(xué)技術(shù)與工程. 2017(25)
[10]Sentinel-2數(shù)據(jù)的冬小麥地上干生物量估算及評(píng)價(jià)[J]. 鄭陽(yáng),吳炳方,張淼.  遙感學(xué)報(bào). 2017(02)



本文編號(hào)：3626255