叶绿素含量是监测作物长势的关键指标,快速、有效、准确的估算对作物健康评估具有重要意义。通过采集3个生长期的无人机高光谱影像,结合地面叶绿素实测数据,选用多种机器学习和集成学习模型,反演春小麦叶绿素含量,并对比不同模型的反演...叶绿素含量是监测作物长势的关键指标,快速、有效、准确的估算对作物健康评估具有重要意义。通过采集3个生长期的无人机高光谱影像,结合地面叶绿素实测数据,选用多种机器学习和集成学习模型,反演春小麦叶绿素含量,并对比不同模型的反演精度。结果表明,春小麦不同生长期冠层反射率基本一致,但在770~900 nm波长范围内显示出明显的光谱反射率强度差异。16种光谱指数均与叶绿素含量呈显著相关,其中优化植被指数1、植物生化指数和归一化差异红边指数在整个生长周期内均与叶绿素含量保持高相关性。Stacking和Voting集成学习模型的预测精度高于基础模型,其中Voting集成学习模型表现更突出,测试集中3个生长期的决定系数(R^(2))分别为0.78、0.77和0.73,均方根误差(root mean square error,RMSE)分别为8.70、11.36和16.17;与随机森林、支持向量机、K_近邻和岭回归相比,其R^(2)平均分别提高约0.17、0.14和0.22,RMSE平均降低4.64、2.54和6.51,显示出良好的预测能力。研究结果可为精准农业和作物健康监测提供新的视角和方法。展开更多
文摘叶绿素含量是监测作物长势的关键指标,快速、有效、准确的估算对作物健康评估具有重要意义。通过采集3个生长期的无人机高光谱影像,结合地面叶绿素实测数据,选用多种机器学习和集成学习模型,反演春小麦叶绿素含量,并对比不同模型的反演精度。结果表明,春小麦不同生长期冠层反射率基本一致,但在770~900 nm波长范围内显示出明显的光谱反射率强度差异。16种光谱指数均与叶绿素含量呈显著相关,其中优化植被指数1、植物生化指数和归一化差异红边指数在整个生长周期内均与叶绿素含量保持高相关性。Stacking和Voting集成学习模型的预测精度高于基础模型,其中Voting集成学习模型表现更突出,测试集中3个生长期的决定系数(R^(2))分别为0.78、0.77和0.73,均方根误差(root mean square error,RMSE)分别为8.70、11.36和16.17;与随机森林、支持向量机、K_近邻和岭回归相比,其R^(2)平均分别提高约0.17、0.14和0.22,RMSE平均降低4.64、2.54和6.51,显示出良好的预测能力。研究结果可为精准农业和作物健康监测提供新的视角和方法。
