利用生态因子和遥感分区对小麦品质监测的研究

【摘要】：生态因子是影响小麦品质形成的重要因素,本论文通过综合利用生态因子和遥感分区进行小麦籽粒蛋白质含量遥感监测,以期提高监测精度。以北京地区冬小麦为研究对象,开展以下研究： (1)基于神经网络的冬小麦蛋白质含量关键生态因子的筛选分析,针对影响冬小麦主要品质--蛋白质的百分含量,利用神经网络算法,确定了各个因子对品质影响力的大小并将其定量化表达；(2)利用所筛选的决定小麦品质关键生态因子,基于各个因子分别与其权重叠加的结果与各个因子不考虑权重叠加的结果两种分区模型进行区划研究,选择最优的区划模型实现了北京地区优质冬小麦品质等级分类的区划；(3)针对不同的分区构建综合生态因子和遥感信息的小麦品质监测模型,并与单一遥感监测模型、生态因子模型对比,选择最优的小麦品质监测模型,以期实现北京地区小麦品质的遥感监测。本研究对于增强小麦品质遥感监测机理、提高精度具有重要意义。 研究取得的主要成果表现在以下几个方面： 1.基于神经网络的冬小麦蛋白质含量关键生态因子初步分析 利用北京地区具有代表性的小麦种植点的气象数据和土壤养分数据,通过神经网络方法来评估温度、降雨、光照和土壤养分含量等因子对小麦籽粒蛋白质含量影响的相对重要程度。研究表明,影响北京地区冬小麦籽粒蛋白质含量的主要因素依次有：蜡熟初期(6月6日至6月10日)的光照时间、气温大于32℃的天数、土壤碱解氮含量、整个灌浆期即籽粒形成关键期(5月上旬至6月上旬)的平均气温、灌浆期后期(5月26日至5月30日)的平均气温、灌浆期中后期(5月下旬至6月上旬)≥0℃的积温、乳熟期(6月1日至6月5日)的平均气温、灌浆期中后期(5月下旬至6月上旬)的温差、灌浆期中后期(5月下旬至6月上旬)的降雨量和土壤有机质含量；针对关键因子利用神经网络模型制作了响应曲线以反映蛋白质含量随生态因子的变化趋势。 2.基于遥感与地理信息系统的北京地区冬小麦品质分区的研究 在ARCGIS支持下,利用影响冬小麦蛋白质含量的各个关键生态因子进行空间插值,将点状关键因子数据空间化,建立多因子空间数据库,根据神经网络对每一因子计算出的RATIO设定一个权重值多层叠加,在ENVI环境下,用气象因子和土壤因子分层分析、整合各种因素,比较等权重和差异权重两种分区模型的分区结果,最终作出北京地区冬小麦品质分区的各种区域的不同分类；并对分类结果进行了分析。 3.基于分区的小麦品质形成关键期蛋白质含量遥感监测 以北京地区的主推冬小麦品种--中优206籽粒蛋白质为研究对象,利用遥感数据提取北京地区冬小麦不同生育时期多种植被指数(VIs)和中优206籽粒蛋白质进行相关性研究,结果表明：5月11日的NDVIgreen值与籽粒蛋白质相关性最好且达极显著水平,因此该时期为建立冬小麦遥感品质监测模型的最佳时相。利用生态环境数据和光谱数据分别构建了冬小麦光谱品质模型、生态环境品质模型以及光谱与生态环境综合品质模型；通过对冬小麦光谱品质模型、生态环境品质模型以及光谱与生态环境综合品质模型预测效果进行F检验,表明各模型均达到极显著水平；但是与其它两种模型相比,光谱与生态环境综合品质模型的决定系数(R2)有明显的提高,并且相对均方根误差(RRMSE)和相对误差(RE)降低,且降幅度较大。说明光谱与生态环境综合品质模型比单纯的生态环境品质模型和光谱品质模型有较好的预测效果。再进一步的五类分区建立模型的研究中,细分的模型各个精度都比整体模型精度有不同程度的提高,其中最优质区域预测精度为91.6%,二类区89.3%,三类区85.6%,四类区83.6%,品质最差区域为92.2%；对比发现,分区域建立模型在预测精度上比整体模型预测分别提高了12%、10.5%、7.3%、11.7%和14.3%。因此,利用遥感和生态环境数据建立模型进行冬小麦品质分区监测是可行的,且精度更高。 本研究的创新点包括： 1.引入非线性的神经网络研究冬小麦蛋白质含量与生态因子间的复杂关系,定量分析了影响冬小麦蛋白质含量关键的生态因子。 2.构建了基于关键生态因子的权重的冬小麦品质分区模型,使品质分区更科学合理。 3.提出了综合生态因子和遥感数据进行冬小麦品质遥感监测方法,并构建了综合模型,提高了冬小麦籽粒蛋白质含量监测精度。