为实现不同施肥水平下大豆冠层叶绿素相对含量(Soil and Plant Analyzer Development,SPAD)监测,利用无人机获取大豆始粒期(R5)多光谱遥感图像,提取图像波段反射率,筛选6种植被指数,分析6种植被指数与SPAD值之间的相关性系数,将6种植被...为实现不同施肥水平下大豆冠层叶绿素相对含量(Soil and Plant Analyzer Development,SPAD)监测,利用无人机获取大豆始粒期(R5)多光谱遥感图像,提取图像波段反射率,筛选6种植被指数,分析6种植被指数与SPAD值之间的相关性系数,将6种植被指数作为模型输入量,采用偏最小二乘回归(Partial Least Squares Regression,PLSR)、BP神经网络和遗传算法(Genetic Algorithm,GA)优化BP神经网络(GA-BP)3种方法构建大豆冠层SPAD值反演模型,并对比不同模型反演精度,确定最佳模型。研究结果表明:GA-BP神经网络以6种植被指数估算SPAD值的效果要优于PLSR、BP神经网络方法,其X6施肥水平下利用GA-BP神经网络估算SPAD值精度达到最高,R2和RMSE分别为0.93和0.48。该方法能快速获取不同施肥水平下大豆冠层SPAD值,可为土肥专家合理施肥提供决策依据。展开更多
文摘蒸散发(Evapotranspiration,ET)是作物需水量的核心组分,也是区域水资源优化配置的关键依据。本文以陕西关中宝鸡峡灌区夏玉米为研究对象,采用BP神经网络(Back propagation neural network,BPNN)、支持向量机(Support vector machine,SVM)、极限学习机(Extreme learning machine,ELM)和极致梯度提升树(eXtreme gradient boosting,XGBoost)4种机器学习算法构建无人机-卫星多源遥感数据协同校正模型,并以最优算法建立的模型校正卫星多光谱数据,实现无人机和卫星数据的尺度转换。利用校正后高精度卫星数据反演夏玉米叶面积指数(Leaf area index,LAI)与株高(Crop height,hc)为蒸散发模型提供数据输入。分别采用双作物系数法、METRIC模型及Penman-Monteith(P-M)冠层阻力模型进行夏玉米蒸散发估算,引入贝叶斯模型平均(Bayesian model averaging,BMA)实现不同生育阶段各方法/模型权重的动态分配,最终得到玉米拔节-完熟期性能稳健的蒸散发BMA融合模型。结果表明:XGBoost算法在夏玉米拔节-完熟期的B/G/R/NIR波段建模精度均为最高,四波段建模结果决定系数(Coefficient of determination,R^(2))较算法ELM高出8.43%、8.67%、6.79%和10.41%;校正后的卫星多光谱数据LAI与hc反演结果R^(2)较原始卫星数据分别平均提高97%和67.5%;BMA融合模型在夏玉米拔节-抽雄期和蜡熟-完熟期较单一最优方法/模型(METRIC模型)均方根误差(Root mean squared error,RMSE)降低39.3%~58.5%。本研究利用“协同校正-动态融合”显著提升了蒸散发遥感监测精度,可为水资源精细化管理提供理论支撑。
文摘为实现不同施肥水平下大豆冠层叶绿素相对含量(Soil and Plant Analyzer Development,SPAD)监测,利用无人机获取大豆始粒期(R5)多光谱遥感图像,提取图像波段反射率,筛选6种植被指数,分析6种植被指数与SPAD值之间的相关性系数,将6种植被指数作为模型输入量,采用偏最小二乘回归(Partial Least Squares Regression,PLSR)、BP神经网络和遗传算法(Genetic Algorithm,GA)优化BP神经网络(GA-BP)3种方法构建大豆冠层SPAD值反演模型,并对比不同模型反演精度,确定最佳模型。研究结果表明:GA-BP神经网络以6种植被指数估算SPAD值的效果要优于PLSR、BP神经网络方法,其X6施肥水平下利用GA-BP神经网络估算SPAD值精度达到最高,R2和RMSE分别为0.93和0.48。该方法能快速获取不同施肥水平下大豆冠层SPAD值,可为土肥专家合理施肥提供决策依据。
