一、小序

分蘖期是水稻助长流程中伏击时代之一，由于分蘖并不是齐能成穗，独一是有用分蘖才能成穗，其分蘖的数目是径直影响水稻有用穗数、单元面积产量和品性的伏击身分。高光谱遥感手艺动作主要遥感手艺之一，具有信息量大、分辨率高、梗概识别物体构成等优点。在农业坐蓐、地盘附近等范畴得到了平凡应用。高光谱影像数据不错提给水稻助长流程中多个波段的光谱信息，这些信息不错反应出水稻植株的助长气象和生理气象，同期，高光谱影像也梗概提供更高的空间分辨率和更为精细的地物分类信息，因此在对大面积水稻进行监测时也具有一定的上风。

谈判假想与数据网络

2.1谈判区域概况

实验小区位于辽宁省抚顺市东部的新宾满族自治县红升乡。红升乡位于温带大陆性季风征象区，具有典型的四季分明的征象特征。冬季清凉干燥，夏令和煦多雨，春秋季温差较大，气温变化赫然。由于其专有的征象和地盘条目，该地区一直是水稻谈判的伏击基地之一。

图1谈判区概况

2.2实验数据网络

2.2.1水稻冠层无东说念主机高光谱影像得到

本谈判领受了先进的高光谱成像手艺和无东说念主机手艺，针对水稻分蘖期的田间环境进行了高光谱数据网络，并在网络、科罚流程中选拔多项措施拔擢数据准确性，为水稻分蘖数的监测提供了可靠的数据撑抓。

图2无东说念主机高光谱成像系统

2.2.2大地样本点地舆位置测量

本谈判领受对40个实验小区的分蘖数样本采样区域的地舆位置进行高精度测量并详备纪录。测量时，使用该仪器自带的水平仪进行校准，确保测量确立与大地保抓垂直。通过领受该测绘仪器，准确得到实验区内各小区分蘖数样本采样区域的地舆位置信息。

图3样本点位置

2.3时空水稻分蘖数统计特质分析

2020年新宾小区实验，在大地样本点共网络地舆位置信息以及水稻分蘖数有用数据360组。360组样本的水稻分蘖数的概率密度函数如图4所示。

图4水稻360组分蘖数的正态分散

由图4可知，360组水稻分蘖数呈现正态分散，其中均值为18.05万穗/亩，最大值为47.33万穗/亩，最小值为4.12万穗/亩，循序差为6.93万穗/亩，变异悉数为38.40%，首肯对水稻分蘖数进行建模展望的要求。本谈判笔据水稻分蘖数本色网络时刻，将分蘖期鉴别为三个阶段，分别为：分蘖初期、分蘖盛期以及有用分蘖临界期。三个阶段的分蘖数统计数据如表1所示，各阶段正态分散如图5所示

图5水稻分蘖三个不同阶段分蘖数的正态分散

表1分蘖期三个不同阶段的分蘖数统计数据表

皑皑水稻高光谱索要与光谱特质分析

3.1皑皑水稻光谱索要限度对比分析

本谈判通过领受GMM、SVM、DT三种算法对团结幅水稻高光谱影像进行分类科罚，索要出皑皑的水稻高光谱信息，分类限度如图6所示。

图6不同分类算法的遵循图

如图6所示，不雅察到3种不同算法的分类遵循齐不雷同，其中一定存在分类诞妄的问题。是以，本谈判以客不雅角度去对3种算法的分类遵循进行分析，领受浑浊矩阵的款式去对分类器进行精度训诫，从而去精准地得到分类的限度，限度如表2所示。

表2三种分类设施的精度评价表

3.2水稻冠层高光谱特质分析

3.2.1水稻分蘖期三个阶段冠层高光谱特质分析

水稻冠层高光谱特质信息以及变化是展望水稻分蘖数的基础。如图7所示，在0水平循序插秧丛距，循序施肥密度下，水稻分蘖期三个不同阶段水稻冠层光谱弧线。

图7水稻分蘖期三个不同阶段的光谱弧线

由图7所示，水稻的光谱弧线在分蘖期的三个阶段齐说明脱险些换取的波动轨则。在可见光区域，400nm至680nm之间，三个阶段反射率一直处于很低的水平，这可能是由于水稻投入分蘖期之后，光互助用日渐变强，不休有新叶片长出，LAI不休增大，对红光以及蓝光的主动接收增强。在510nm至570nm之间，出现一处小反射率峰，解说对绿光接收较弱。在570nm至680nm之间反射率裁汰，对黄绿光的接收齐在加强，标明水稻在不休助长。在近红外区域，从分蘖初期到有用分蘖临界期，光谱弧线有较大波动，三个阶段的光谱反射率均增大。光谱反射率弧线举座说明为分蘖初期低于分蘖盛期和有用分蘖临界期，其中有用分蘖临界期举座光谱反射率最高。

3.2.2五个施氮量科罚水平的水稻冠层高光谱特质分析

如图8所示，为在0水平循序插秧丛距，五个不同施氮量科罚水平下，水稻有用分蘖临界期冠层光谱弧线。

图8水稻五个施氮量科罚水平下的光谱弧线

由图8所示，水稻光谱弧线在循序插秧丛距下的五个施氮量科罚水平下，说明出粗略换取的波动轨则。在可见光400nm-500nm范畴内，该波段区间的光谱反射率较为褂讪。在500nm-550nm范畴内，该波段区间的光谱反射率跟着施氮量的加多而加多。因此，较高的施氮量有可能促进水稻助长。在近红外范畴内，施氮量为-2水平的光谱反射率赫然低于其余4个水平。总体的波动轨则说明一致，跟着施氮量加多，在可见光范畴内高光谱反射率裁汰，在近红外范畴内反射率加多，这可能是由于水稻叶绿素含量、助长气象以及LAI等其他生物量加多导致的影响。从光谱信息不错看出，施氮量的加多可能对水稻助长有促进作用。总而言之，跟着施氮量的加多，水稻冠层反射率越大，在可见光区域的反射率变化较小，而在近红外波段内的反射率变化赫然。

3.2.3五个插秧丛距科罚水平的水稻冠层高光谱特质分析

如图9所示，为在0水平循序施氮量，五个不同插秧丛距科罚水平下，水稻有用分蘖临界期冠层光谱弧线。

图9水稻五个插秧丛距科罚水平下的光谱弧线

由图9所示，水稻光谱弧线在循序施氮量五个插秧丛距科罚水平下，说明出粗略换取的波动轨则。在400-700nm波段内，水稻叶片主要接收蓝色光和红光，反射绿光，跟着水稻分蘖数的加多，绿光反射率呈现出稍许的高潮趋势，而蓝光和红光反射率则呈现出着落趋势。这可能是因为较大的插秧丛距导致水稻叶片的绿色区域相对较少，使得绿光在叶片上的反射比例相对减少。在700-1000nm波段内，水稻叶片主要反射近红外光，而接收蓝色光和红光的材干较弱，因此近红外光反射率呈现出着落趋势，这可能是因为较大的插秧丛距导致水稻植株的笼罩率减少，从而使得近红外光的反射比例相对减少。总而言之，跟着插秧丛距的加多，水稻冠层反射率越小，在可见光区域的反射率变化较小，而在近红外波段内的反射率变化较为赫然。

追思

本文通过将朔方深广造就的粳优653动作实验对象，基于无东说念主机遥感手艺获打水稻分蘖期不同阶段的冠层数码影像和高光谱影像，并对光谱影像进行皑皑水稻的索要。通过不同预科罚设施对皑皑水稻光谱影像进行平滑去噪，分析去噪遵循，找到相宜预科罚设施，随后筛选出分蘖期三个不同阶段的特征波段以及光谱指数，分别领受机器学习和深度学习对分蘖期三个阶段的分蘖数进行建模分析，结束了基于无东说念主机高光谱影像的水稻分蘖数监测模子的构建，有一定的谈判得益，本谈判基于无东说念主机遥感平台网络的高清数码以及高光谱影像，对两者数据进行空间配准，配合田间分蘖数实测数据以及样本区地舆位置信息，构建分蘖数监测数据集。分别附近GMM、SVM、DT三种设施对光谱影像进行皑皑水稻光谱索要。限度标明，相对非监督高斯搀杂模子而言，两种机器学习的设施均能有用提倡多数皑皑水稻光谱，能有用地剔除水体等其他地物的干与，有盘算树分类设施的分类遵循最好，精度达到91.1357%，Kappa悉数为0.8172。