论文部分内容阅读
本论文通过获取地面和卫星平台的油菜氮素含量遥感信息,采用统计回归方法和三种人工智能技术（artificial intelligence,简称AI）——后向传播神经网络（Back-Propagation Neural network,简称BP）、径向基函数神经网络（RadialBasis Function Neural network,简称RBF）、支持向量机（Support Vector MachineNetwork,简称SVM）,分别在叶片、冠层、卫星遥感等三个平台下,建立油菜氮素含量估算模型,对油菜氮素含量进行遥感估算和反演,并通过卫星影像提取油菜种植面积,反演油菜氮素含量反演,以得到更为方便、有效准确的油菜氮素诊断方法,对油菜作物大面积产量监测有重要的现实意义。具体研究内容和结果如下:（1）油菜叶片和冠层光谱基本特征为,在550nm处,即形成一个小的反射峰,在700nm左右形成高反射平台。不同供氮水平下的油菜叶片和冠层光谱在近红外波段差异明显,反射率随供氮水平提高而降低,透射率随供氮水平提高而上升。油菜冠层光谱反射率随着生长发育的推进,出现先上升后下降的变化。油菜叶片红边位置随着氮素水平的提高,出现“红移”现象;冠层光谱的红边位置λred具有“双峰”和“红边平台”现象,红边幅值Dλred和红边面积Sred随发育期推进,出现“红移”和“蓝移”现象,这与水稻、玉米等其它农作物不同。（2）油菜叶片水平氮素含量估算方法研究表明,以光谱反射率倒数对数的一阶微分形式（log（1/R））′建立的估算模型验证结果最佳。三种人工智能方法中以RBF方法得到的估算模型验证结果最佳。（3）油菜冠层水平氮素含量估算方法研究表明以光谱反射率倒数对数的一阶微分形式（log（1/R））′建立的估算模型验证结果最佳。三种人工智能方法中以BP方法得到的估算模型验证结果最佳。（4）基于卫星遥感影像的油菜氮素含量遥感反演方法研究表明,5种硬分类法对混合像元的分类能力从SVM、ARTMAP、KNN、BPN、MXL依次降低;高纯度像元比重越大的类别其分类的总精度越高;采用投票法的多分类器结合的分类法可以显著提高分类的总精度;用全模糊分类法能提高分类精度;采用卫星影像的光谱反射率建立油菜氮素含量的估算模型,能保证模型用于大范围油菜氮素含量填图的有效性。总之,本研究在以下几方面取得了新进展或有所创新:系统地研究了不同平台下油菜氮素含量遥感估算方法;将人工智能技术引入到油菜氮素含量遥感估算的全过程;在油菜种植面积提取方法研究上应用了全模糊分类和混合像元对分类结果的影响分析技术,进行了新的有效探索。