冬小麦拔节期叶绿素状况估算对于冬小麦营养诊断非常重要。本文利用无人机遥感平台获取冬小麦拔节期长势遥感信息,提取多光谱植被指数、RGB影像纹理特征及覆盖度信息,基于多元线性回归(Multivariate linear regression,MLR)、随机森林回...冬小麦拔节期叶绿素状况估算对于冬小麦营养诊断非常重要。本文利用无人机遥感平台获取冬小麦拔节期长势遥感信息,提取多光谱植被指数、RGB影像纹理特征及覆盖度信息,基于多元线性回归(Multivariate linear regression,MLR)、随机森林回归(Random forest regression,RFR)构建了冬小麦SPAD值估算模型。分析多光谱植被指数、纹理特征和覆盖度信息,以及相互结合对于冬小麦SPAD值估算的影响。结果表明:多光谱植被指数、纹理特征、覆盖度的结合(2种类型或3种类型参数结合)可以用于冬小麦拔节期SPAD值的估算,而且相较于单类型参数或两类型参数结合,更多类型参数结合提高了冬小麦拔节期SPAD值的估算精度。而基于相同参数利用随机森林构建的冬小麦拔节期SPAD值估算模型精度均高于多元线性回归构建的模型精度。其中,基于3种类型参数构建的冬小麦SPAD值估算模型精度最高,R^(2)为0.78,RMSE为2.08。各类型参数对冬小麦拔节期SPAD值估算精度的影响由大到小依次为多光谱植被指数、纹理特征、覆盖度。其中,多光谱植被指数构建的模型精度与纹理特征构建的模型精度相近(R^(2)和RMSE分别为0.71、2.36及0.70、2.45)。覆盖度虽然对于SPAD值的估算精度提升最小,但结合其他特征可提高冬小麦SPAD值估算精度(对于RFR模型,R^(2)提高0.02~0.03)。多光谱植被指数、纹理特征、覆盖度的结合提高了模型估算精度,为冬小麦拔节期SPAD值快速估算提供了技术参考。展开更多
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
文摘冬小麦拔节期叶绿素状况估算对于冬小麦营养诊断非常重要。本文利用无人机遥感平台获取冬小麦拔节期长势遥感信息,提取多光谱植被指数、RGB影像纹理特征及覆盖度信息,基于多元线性回归(Multivariate linear regression,MLR)、随机森林回归(Random forest regression,RFR)构建了冬小麦SPAD值估算模型。分析多光谱植被指数、纹理特征和覆盖度信息,以及相互结合对于冬小麦SPAD值估算的影响。结果表明:多光谱植被指数、纹理特征、覆盖度的结合(2种类型或3种类型参数结合)可以用于冬小麦拔节期SPAD值的估算,而且相较于单类型参数或两类型参数结合,更多类型参数结合提高了冬小麦拔节期SPAD值的估算精度。而基于相同参数利用随机森林构建的冬小麦拔节期SPAD值估算模型精度均高于多元线性回归构建的模型精度。其中,基于3种类型参数构建的冬小麦SPAD值估算模型精度最高,R^(2)为0.78,RMSE为2.08。各类型参数对冬小麦拔节期SPAD值估算精度的影响由大到小依次为多光谱植被指数、纹理特征、覆盖度。其中,多光谱植被指数构建的模型精度与纹理特征构建的模型精度相近(R^(2)和RMSE分别为0.71、2.36及0.70、2.45)。覆盖度虽然对于SPAD值的估算精度提升最小,但结合其他特征可提高冬小麦SPAD值估算精度(对于RFR模型,R^(2)提高0.02~0.03)。多光谱植被指数、纹理特征、覆盖度的结合提高了模型估算精度,为冬小麦拔节期SPAD值快速估算提供了技术参考。
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。
