一、媒介
分蘖期是水稻助长经由中进犯时间之一，由于分蘖并不是皆能成穗，独一是灵验分蘖才能成穗，其分蘖的数目是凯旋影响水稻灵验穗数、单元面积产量和品性的进犯要素。高光谱遥感本领看成主要遥感本领之一，具有信息量大、分辨率高、八成识别物体构成等优点。在农业分娩、地皮应用等限制得到了等闲应用。高光谱影像数据不错提给水稻助长经由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现象和生理现象，同期，高光谱影像也八成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。
探讨想象与数据聚积
2.1探讨区域概况
实际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口头区，具有典型的四季分明的口头特征。冬季凉爽干燥，夏令祥和多雨，春秋季温差较大，气温变化明显。由于其私有的口头和地皮条目，该地区一直是水稻探讨的进犯基地之一。
图1探讨区概况
2.2实验数据聚积
2.2.1水稻冠层无东说念主机高光谱影像取得
本探讨收受了先进的高光谱成像本领和无东说念主机本领，针对水稻分蘖期的田间环境进行了高光谱数据聚积，并在聚积、惩办经由中选拔多项方法拔擢数据准确性，为水稻分蘖数的监测提供了可靠的数据救济。
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
本探讨收受对40个实际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正式纪录。测量时，使用该仪器自带的水平仪进行校准，确保测量诞生与大地保合手垂直。通过收受该测绘仪器，准确取得实际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年新宾小区实际，在大地样本点共聚积地舆位置信息以及水稻分蘖数灵验数据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，轨范差为6.93万穗/亩，变异扫数为38.40%，满足对水稻分蘖数进行建模猜度的要求。本探讨凭据水稻分蘖数本色聚积时候，将分蘖期分辨为三个阶段，分别为：分蘖初期、分蘖盛期以及灵验分蘖临界期。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
皎白水稻高光谱索求与光谱特质分析
3.1皎白水稻光谱索求截至对比分析
本探讨通过收受GMM、SVM、DT三种算法对团结幅水稻高光谱影像进行分类惩办，索求出皎白的水稻高光谱信息，分类截至如图6所示。
图6不同分类算法的成果图
如图6所示，不雅察到3种不同算法的分类成果皆不相同，其中一定存在分类无理的问题。是以，本探讨以客不雅角度去对3种算法的分类成果进行分析，收受浑浊矩阵的方式去对分类器进行精度历练，从而去精准地取得分类的截至，截至如表2所示。
表2三种分类才略的精度评价表
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猜度水稻分蘖数的基础。如图7所示，在0水平轨范插秧丛距，轨范施肥密度下，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皆发达出的确疏浚的波动限定。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，这可能是由于水稻参预分蘖期之后，光互助用日渐变强，不时有新叶片长出，LAI不时增大，对红光以及蓝光的主动领受增强。在510nm至570nm之间，出现一处小反射率峰，评释对绿光领受较弱。在570nm至680nm之间反射率镌汰，对黄绿光的领受皆在加强，标明水稻在不时助长。在近红外区域，从分蘖初期到灵验分蘖临界期，光谱弧线有较大波动，三个阶段的光谱反射率均增大。光谱反射率弧线全体发达为分蘖初期低于分蘖盛期和灵验分蘖临界期，其中灵验分蘖临界期全体光谱反射率最高。
3.2.2五个施氮量惩办水平的水稻冠层高光谱特质分析
如图8所示，为在0水平轨范插秧丛距，五个不同施氮量惩办水平下，水稻灵验分蘖临界期冠层光谱弧线。
图8水稻五个施氮量惩办水平下的光谱弧线
由图8所示，水稻光谱弧线在轨范插秧丛距下的五个施氮量惩办水平下，发达出节略疏浚的波动限定。在可见光400nm-500nm边界内，该波段区间的光谱反射率较为解析。在500nm-550nm边界内，该波段区间的光谱反射率跟着施氮量的增多而增多。因此，较高的施氮量有可能促进水稻助长。在近红外边界内，施氮量为-2水平的光谱反射率明显低于其余4个水平。总体的波动限定发达一致，跟着施氮量增多，在可见光边界内高光谱反射率镌汰，在近红外边界内反射率增多，这可能是由于水稻叶绿素含量、助长现象以及LAI等其他生物量增多导致的影响。从光谱信息不错看出，施氮量的增多可能对水稻助长有促进作用。要而论之，跟着施氮量的增多，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明显。
3.2.3五个插秧丛距惩办水平的水稻冠层高光谱特质分析
如图9所示，为在0水平轨范施氮量，五个不同插秧丛距惩办水平下，水稻灵验分蘖临界期冠层光谱弧线。
图9水稻五个插秧丛距惩办水平下的光谱弧线
由图9所示，水稻光谱弧线在轨范施氮量五个插秧丛距惩办水平下，发达出节略疏浚的波动限定。在400-700nm波段内，水稻叶片主要领受蓝色光和红光，反射绿光，跟着水稻分蘖数的增多，绿光反射率呈现出稍许的飞腾趋势，而蓝光和红光反射率则呈现出下跌趋势。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，而领受蓝色光和红光的才气较弱，因此近红外光反射率呈现出下跌趋势，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。要而论之，跟着插秧丛距的增多，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明显。
回顾
本文通过将朔方边远栽种的粳优653看成实际对象，基于无东说念主机遥感本领获汲水稻分蘖期不同阶段的冠层数码影像和高光谱影像，并对光谱影像进行皎白水稻的索求。通过不同预惩办才略对皎白水稻光谱影像进行平滑去噪，分析去噪成果欧洲杯体育，找到适合预惩办才略，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，分别收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，杀青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，有一定的探讨收货，本探讨基于无东说念主机遥感平台聚积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。分别应用GMM、SVM、DT三种才略对光谱影像进行皎白水稻光谱索求。截至标明，相对非监督高斯羼杂模子而言，两种机器学习的才略均能灵验疏远大宗皎白水稻光谱，能灵验地剔除水体等其他地物的干涉，有诡计树分类才略的分类成果最好，精度达到91.1357%，Kappa扫数为0.8172。