为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合(小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise),并利用去噪后的小麦冠层光谱建立偏最小二乘回归(P...为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合(小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise),并利用去噪后的小麦冠层光谱建立偏最小二乘回归(PLS)模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差(RMSEC)为0.260,预测集均方根误差(RMSEP)为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析(PCA)进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型(LS-SVR),其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明:以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。展开更多
叶面积指数(leaf area index,LAI)是表征植被冠层结构和光合面积的重要参数。实时动态的植被LAI监测对于诊断植被生长状况及趋势具有重要作用。本研究旨在通过对高光谱数据的数学变换与特征分析,构建东洞庭湖苔草LAI的最佳估算模型。...叶面积指数(leaf area index,LAI)是表征植被冠层结构和光合面积的重要参数。实时动态的植被LAI监测对于诊断植被生长状况及趋势具有重要作用。本研究旨在通过对高光谱数据的数学变换与特征分析,构建东洞庭湖苔草LAI的最佳估算模型。通过分析52组苔草样本640~780 nm波段范围内的反射率、一阶微分及倒数的对数的光谱特征,选择特征波段,运用多元逐步线性回归法与偏最小二乘回归法建立估算模型。研究发现特征波段为707~758 nm,以上3种光谱数据的多元逐步线性回归模型决定系数分别为0.526、0.815、0.565,均方根误差分别为0.320、0.269、0.273,3者偏最小二乘回归模型的决定系数均高达0.9以上,均方根误差分别为0.189、0.262、0.134。结果表明:偏最小二乘回归法优于多元逐步线性回归法,该估算模型可有效估算苔草LAI。展开更多
文摘为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合(小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise),并利用去噪后的小麦冠层光谱建立偏最小二乘回归(PLS)模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差(RMSEC)为0.260,预测集均方根误差(RMSEP)为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析(PCA)进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型(LS-SVR),其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明:以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。
文摘叶面积指数(leaf area index,LAI)是表征植被冠层结构和光合面积的重要参数。实时动态的植被LAI监测对于诊断植被生长状况及趋势具有重要作用。本研究旨在通过对高光谱数据的数学变换与特征分析,构建东洞庭湖苔草LAI的最佳估算模型。通过分析52组苔草样本640~780 nm波段范围内的反射率、一阶微分及倒数的对数的光谱特征,选择特征波段,运用多元逐步线性回归法与偏最小二乘回归法建立估算模型。研究发现特征波段为707~758 nm,以上3种光谱数据的多元逐步线性回归模型决定系数分别为0.526、0.815、0.565,均方根误差分别为0.320、0.269、0.273,3者偏最小二乘回归模型的决定系数均高达0.9以上,均方根误差分别为0.189、0.262、0.134。结果表明:偏最小二乘回归法优于多元逐步线性回归法,该估算模型可有效估算苔草LAI。