多元回归与BP神经网络在烟草叶片SPAD反演时的建模精度比较

为比较多元线性回归和BP神经网络在烟草叶片SPAD反演建模时的效果,采集烟草冠层的多光谱影像并提取植被指数,分别构建多元线性回归和BP神经网络反演回归模型。结果表明,基于提取出的24种植被指数所构建的反演模型中,以BP神经网络的回归反演效果最好,模型的R2达到0.85,RMSE为2.21;采用多元线性回归方法所构建的模型的R2仅为0.51,RMSE为1.52。该研究的结果说明,在进行烟草叶片SPAD监测时,可以采用BP神经网络构建反演模型。

基于纹理参数的烟草叶片SPAD建模反演

为探讨纹理参数对烟草叶片SPAD反演建模效果的影响,通过设置0 kg/667 m2、3.5 kg/667 m2、7.0 kg/667 m2的氮肥用量田间试验,在下部叶成熟期,采用六旋翼无人机搭载四波段多光谱相机,采集烟草冠层光谱影像并提取纹理参数,利用极限学习机、随机森林算法,构建烟草叶片SPAD的反演回归模型。结果表明,在基于纹理参数所构建的反演模型中,极限学习机模型的R2为0.88,RMSE为1.90;随机森林模型的R2为0.79,RMSE为2.55,极限学习机的预测效果最好。该研究的结果说明,纹理参数可以作为一种新的光谱参数,进行高精度的叶片SPAD反演建模。