目录
摘 要 1
关键词 1
ABSTRACT 2
KEY WORDS 2
引言 3
1 材料与方法 7
1．1 试验设计 7
1．2 高光谱遥感数据获取方法 7
1．3 叶面积指数获取方法 7
1．4 实验模型 8
1. 4. 1植被指数回归模型 8
1. 4. 2 BP神经网络模型 8
1. 4. 3建模与验证 9
2 结果与分析 9
2．1水稻叶面积指数动态变化特征分析 9
2．2 各生育时期水稻冠层光谱特性 10
2．3 反演叶面积指数模型的构建 11
2. 3. 1 植被指数回归模型 11
2. 3. 2 BP神经网络模型 13
3 讨论 15
致谢 16
参考文献： 17
基于神经网络模型反演水稻叶面积指数
摘 要
水稻是我国主要的粮食作物，关于水稻叶面积指数、水稻产量等的无损快速监测是当前农业遥感的重要发展方向和应用方向.叶面积指数是反映作物生长状况的一个重要参数之一，运用叶面积指数对作物生长情况、作物产量等进行无损快速监测是当前农业遥感的重要发展方向和应用方向，近年来逐渐成熟的遥感技术因其简便快速、灵敏准确、非破坏性等优点，越来越多地在精确农业以及作物长势监测等领域得到广泛应用。而当前神经网络模型越来越多地该领域之中得到运用。本研究以水稻为研究对象，基于不同品种、密度和施氮水平下的田间试验，利用美国Analytical Spectral Device（ASD）公司产品FieldSpec® 4 StandardRes型背挂式野外高光谱辐射仪获取水稻冠层的反射率数据，并同步破坏性取样获取水稻叶面积，分别建立了五种基于单一植被指数的预测模型以及基于BP神经网络的预测模型。结果表明，神经网络模型预测精度较单一植被指数模型更优，神经网络模型在孕穗期预测效果最好，R2为0.7474，RMSE为0.6088。
引言
水稻不仅是世界上三大主要粮食作物中的一种，同时也在我 *51今日免费论文网|www.jxszl.com +Q: *351916072* 
们国家粮食作物中也有着重要地位。目前，我国水稻的播种区面积占地约2800万公顷，这一面积到达了我国总的粮食作物面积的三分之一左右，水稻作物的总产量达到了全国总粮产量的37%，并且水稻是我国人口一半以上的主食。由此可见，保证水稻的高效、高产对于我国的农业生产、经济以及粮食安全问题起到了重要的保障作用。但是，由于社会经济的高速发展，以及我国人口不断增加、农业用地不断下降，关于如何保障我国粮食安全问题在变得迫在眉睫。 新兴技术在农业领域的运用，以及精确农业的发展，对于提高农作物产量、保证我国粮食市场平稳运行、确保当今中国的粮食安全不受威胁就变得极其关键[1]。
叶面积指数被认为是能够表示植被冠层结构、体现作物生长状况的重要指标，这是由于叶面积指数关系到植被的冠层叶绿素含量、光合速率、呼吸作用、蒸腾、碳循环和水截获及生物量变化[23]。获取、测定叶面积的方法大致可以分为三类，破坏性取样在地面直接进行测量、使用叶面积指数测量仪器间接观测以及利用遥感监测反演，对叶面积指数直接测量由于监测、估算工作所需要的农田样本数目巨大、所需测量农学参数繁多，由于这些原因在进行实测叶面积的工作时，往往会出现速度不理想、准确度较差、费工成本高的缺点[4]。如今具有快速、精确、区域广、非接触、非破坏等优点的遥感技术不断成熟，逐渐地在各种作物长势监测、作物产量估算等农业领域得到广泛应用。许多公司推出的高光谱遥感产品由于具有时间跨度长、适用区域广、分辨率高、所包含波段信息丰富等特点[5]，对于作物的生理生化特性和植株细胞的结构组成的监测十分有效，同时由于光谱遥感能够信息获取方式快捷，使其成为了获取大面积作物叶面积信息的理想方法。张兆明等[6]基于高光谱遥感技术获取植被信息，同时将多个构建的植被指数和冠层叶面积指数的相关性进行综合性比对，建立了基于高光谱遥感数据的叶面积指数反演模型，模型预测精度良好。刘轲[7]等使用高光谱遥感和多光谱遥感技术获取图像，分别反演农作物叶面积指数，确定了分辨率高低、波段筛选、模型参数选择这三种较为重要的因素对叶面积指数反演精度提高的作用，发现模型反演精度的提升，在大量的波段信息中进行筛选波段组合，对于最终反演结果的精度尤为重要。当前，国内外学者关于叶面积指数的反演已经做了大量的研究，这其中大规模区域性的研究方法主要是利用遥感手段进行反演，这其中主要包括了经验模型法以及物理模型法两类方法。
在进行光合作用时，作物叶片对可见光吸收能力强，其中对红光吸收最为强烈，所以红光波长范围内的植被的冠层反射率隐含了对叶片生长状况及叶面积指数变化的敏感信息；近红外波段内，植被显示出了高反射率、透射率以及低吸收率的反射光谱变化特性，所以在近红外波长范围内的反射率隐含了作物冠层叶片的大量信息。作物在红光和近红外光这两种波段所表现出的不同反射特性，成为了遥感反演叶面积指数的基本原理。由于近年来高光谱遥感应用与理论不断发展，国内外的学者运用经验模型法来反演叶面积指数的研究不断突破了大量难题。经验模型也可以称为统计模型，经验模型在精确农业领域中多有应用，其中使用经验模型构建叶面积指数反演模型也是一种常用方法。其基本过程是首先获取实测的叶面积指数（如地面实测、叶面积仪测试等）与遥感光谱信息，在其中筛选出相关性最优的波段或者波段组合与作物叶面积指数进行回归分析，从而建立经验模型。如李凤秀等[8]利用高光谱遥感对红光波段(631760 nm)与近红外波段(7601074 nm)，在这两个波段范围内逐波段地构建DVI、NDVI、RVI、TSAVI、PVI共五种植被指数，通过各指数之间的预测效果对比，找出效果最优的波段组合植被指数，从而进行玉米叶面积指数的反演；唐延林等[9]对多重作物进行叶面积指数反演，证明了在众多的光谱波段之中，对于叶面积指数较为敏感、预测效果较好的波段主要集中于红边波段范围，红边是一个对于叶面积指数极其敏感的波段范围，有多重利用方法，如红边斜率、红边面积；Nguyen等[10]建立了归一化植被指数NDVI和土壤调节植被指数SAVI两种植被指数叶面积反演模型，这两种植被指数都对于水稻叶面积指数表现出了良好的预测能力；梁亮等[11]综合比较了共18种植被指数对于小麦叶面积指数的预测效果，同时构建了光谱指数OSAVI适用于小麦叶面积反演，该指数预测精度在18种指数中表现最优。Gilabert等[12]通过分析红边波段与归一化植被指数NDVI和叶面积指数的相关性，得出了红边光谱更能准确预测叶面积指数的结论。上述研究结果都说明，对于植被指数法、光谱指数法这类常用的经验模型在反演各种作物的叶面积指数是具有广泛的研究基础，是一种切实可行的方法。经验模型的建立对参数的需求量较小，简单易行，广泛地使用在叶面积指数反演中，但其劣势是缺乏普适性，模型局限于作物类型，且易受到获取遥感图像时的气象状况、光温情况、土壤背景、作物生长等多种因素的干扰，对于各种情况，同一模型预测效果不一。

原文链接：http://www.jxszl.com/nongxue/zwbh/606141.html