为了探究无人机多指标构建叶面积指数(Leaf Area Index,LAI)估算模型的能力,该研究通过不同纹理组合方式优选纹理指数,分别以光谱特征、纹理指数和作物覆盖度作为输入量建立一元线性模型,3类指标结合构建多元逐步回归和人工神经网络模型...为了探究无人机多指标构建叶面积指数(Leaf Area Index,LAI)估算模型的能力,该研究通过不同纹理组合方式优选纹理指数,分别以光谱特征、纹理指数和作物覆盖度作为输入量建立一元线性模型,3类指标结合构建多元逐步回归和人工神经网络模型,分析多指标结合估算LAI的精度。结果表明:新的纹理指数能够明显提高纹理特征值与LAI的相关性,近红外波段均值与蓝波段均值的差值较近红外波段均值提高了13.54%;将绿度归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)、差值纹理指数和作物覆盖度结合来估算水稻LAI的精度最好,多指标结合的多元逐步回归模型的决定系数为0.866,调整后决定系数为0.816,均方根误差为0.308,人工神经网络模型结果再次验证这一结论。该研究成果可为基于无人机平台估算作物结构参数提供理论依据,并为其他作物LAI估算提供借鉴。展开更多
【目的】花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用。因此,了解花青素含量的动态信息,可以间接了解植物的营养健...【目的】花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用。因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标。湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义。提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法。为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础。【方法】以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率。选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种。对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型。【结果】比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34%。【结论】基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测。展开更多
文摘【目的】花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用。因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标。湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义。提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法。为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础。【方法】以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率。选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种。对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型。【结果】比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34%。【结论】基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测。
