基于高光譜影像小麥理化參數(shù)的定量反演方法研究.pdf

1、本文以2001年的冬小麥試驗(yàn)為基礎(chǔ)，以研究區(qū)高光譜影像及農(nóng)學(xué)參數(shù)的地面實(shí)測值為數(shù)據(jù)源，引入地理加權(quán)回歸算法，對小麥理化參數(shù)的定量反演方法展開相關(guān)研究。研究的主要內(nèi)容包括：將影像數(shù)據(jù)與實(shí)測農(nóng)學(xué)數(shù)據(jù)結(jié)合，提取對應(yīng)采樣點(diǎn)的光譜反射率以構(gòu)建用于建模反演理化參數(shù)的指標(biāo)信息，篩選出能夠表征作物生長信息空間變異的最佳指標(biāo)；分析所選最佳指標(biāo)的空間結(jié)構(gòu)特征變化；借助于 GWR4軟件分別為葉綠素及葉面積指數(shù)構(gòu)建地理加權(quán)回歸模型，對比分析地理加權(quán)回歸與全局回

2、歸的模型反演精度，并探討了局部回歸系數(shù)的空間差異性。研究所取得的主要成果有以下幾個(gè)方面：
　　（1）基于常規(guī)分析法，通過分析光譜反射率、光譜特征組合參數(shù)、主成分影像波段信息分別與葉綠素及葉面積指數(shù)之間的相關(guān)關(guān)系，并遵循以相關(guān)系數(shù)為主，變異系數(shù)為輔，相關(guān)系數(shù)相近時(shí)選取變異系數(shù)大的指標(biāo)的原則分別為葉綠素 a、葉綠素 b、葉綠素ab及葉面積指數(shù)LAI篩選出了4種能夠表征它們生長狀況的最佳指標(biāo)；為以上4種參數(shù)各自所選的4個(gè)指標(biāo)分別為：MN

3、F11、REP、SR、EVI，SR、IC21、ARVI、NDVI， MNF11、SR、EVI、VOG1及SR、PC32、EVI、ARVI。
　?。?）將地統(tǒng)計(jì)學(xué)的空間變異理論應(yīng)用于所選指標(biāo)，分別為所選植被指數(shù)及主成分波段信息進(jìn)行半方差變異函數(shù)計(jì)算及理論模型擬合，以分析它們的空間結(jié)構(gòu)特征變化；結(jié)果表明：平行于壟向時(shí)，各指標(biāo)的空間分布均一度高，其函數(shù)圖基本都能保持類似理想化空間變異曲線的走勢；垂直于壟向時(shí)，各指標(biāo)的空間分布較為復(fù)雜，受

4、多種因素的綜合影響，其空間變異性受隨機(jī)因素的影響更為顯著。
　?。?）由地理加權(quán)回歸模型反演小麥理化參數(shù)的結(jié)果可知：無論是單變量還是多變量回歸模型，地理加權(quán)回歸均比全局回歸取得更高的模型反演精度；用于建模反演葉綠素及葉面積指數(shù)的各指標(biāo)都存在因空間地理位置變化而引起的局部差異性，均不能達(dá)到將其作為全局項(xiàng)而構(gòu)建半?yún)?shù)回歸模型的標(biāo)準(zhǔn)；各指標(biāo)與理化參數(shù)間的相關(guān)性越強(qiáng)，構(gòu)建模型時(shí)最優(yōu)帶寬的選取范圍越小，相關(guān)性越弱，最優(yōu)帶寬的選取范圍越大；同