基于SVM与RF的苹果树冠LAI高光谱估测

叶面积指数(leaf area index,LAI)是反映作物群体大小的较好的动态指标。运用高光谱技术快速、无损地估测苹果树冠叶面积指数,为监测苹果树长势和估产提供参考。以盛果期红富士苹果树为研究对象,采用ASD地物光谱仪和LAI-2200冠层分析仪,在山东省烟台栖霞研究区,连续2年测量了30个果园90棵苹果树冠层光谱反射率及LAI值;通过相关性分析方法构建并筛选出了最优的植被指数;利用支持向量机(support vector machine,SVM)与随机森林(random forests,RF)多元回归分析方法构建了LAI估测模型。新建的GNDVI527,NDVI676,RVI682,FD-NVI656和GRVI517五个植被指数及前人建立的两个植被指数NDVI670和NDVI705与LAI的相关性都达到了极显著水平;建立的RF回归模型中,校正集决定系数C-R2和验证集决定系数V-R2为0.920,0.889,分别比SVM回归模型提高了0.045和0.033,校正集均方根误差C-RMSE、验证集均方根误差V-RMSE为0.249,0.236,分别比SVM回归模型降低了0.054和0.058,校正集相对分析误C-RPD、验证集相对分析误V-RPD达到了3.363和2.520,分别比SVM回归模型提高了0.598和0.262,校正集及验证集的实测值与预测值散点图趋势线的斜率C-S和V-S都接近于1,RF回归模型的估测效果优于SVM。RF多元回归模型适合盛果期红富士苹果树LAI的估测。

黄河三角洲土壤有机质含量的高光谱反演

【目的】土壤有机质(SOM)具有改良土壤结构、促进团粒结构形成、增加土壤疏松性、改善土壤通气性和透水性以及促进植物生长发育的作用。传统测定土壤有机质的方法,虽然精度高,但是实时性差。本文通过对土壤高光谱数据进行变换和分析,筛选出与土壤有机质含量相关性高的敏感波长,构建能够实时、快速反演黄河三角洲土壤有机质含量的数学统计模型。【方法】60个土壤样品采于黄河三角州。利用ASD Fieldspec3光谱仪,在室内环境下对黄河三角洲不同有机质含量的风干土壤样本进行了光谱测量,利用化学方法测定了土壤的有机质含量。在对土壤样品高光谱反射率进行去包络线处理的基础上,与土壤有机质含量进行相关分析,筛选敏感波长;运用主成分回归分析、多元线性回归分析、二次多项式逐步回归分析和支持向量机回归分析方法,分别建立了有机质含量的反演模型。【结果】确定了估测土壤有机质含量的敏感波长,建立了能够快速反演黄河三角洲土壤有机质含量的数学统计模型。从土壤光谱反射率曲线可以看出在1400 nm、1900 nm和2200 nm等波段附近有十分明显的水分吸收谷。经对比相关性可以看出,去包络线的数据处理方法明显提高了光谱反射率与土壤有机质之间的相关性。1278 nm、1307 nm、1314 nm、1322 nm、1328 nm、1334 nm、1343 nm 7个相关性较高的波长作为估测土壤有机质含量的敏感波长。基于主成分回归分析、多元线性回归分析、二次多项式逐步回归分析和支持向量机回归分析方法,分别构建了反演有机质含量的模型。其中,二次多项式逐步回归模型校正集的决定系数达到了0.865,验证集的决定系数最大,达到了0.837,为黄河三角洲土壤有机质含量的最佳反演模型。【结论】去包络线的数据处理方法可提高光谱反射率与土壤有机质之间的相关性,确定的1278 nm、1307 nm、1314 nm、1322 nm、1328 nm、1334 nm、1343 nm 7个波长是估测黄河三角洲土壤有机质含量的敏感波长。由于二次多项式逐步回归模型校证集的决定系数最高、均方根误差最小,其拟合效果最好。因此二次多项式逐步回归模型对反演黄河三角洲土壤有机质含量是最佳的。

生态文明建设目标下的土地整治科技创新探究——以山东省夏津县为例

土地整治是保障发展、保护耕地、统筹城乡土地配置、推动土地可持续利用的基础性措施,在"建设美丽中国,实现生态文明"中将发挥重要作用。以夏津县为例,分析夏津县土地整治现状及存在的生态问题,探索夏津县在生态型土地整治模式中的思路及方法,寻求适合夏津土地整治开展的创新模式。

基于连续统去除法的苹果树冠SPAD高光谱估测

准确、快捷、实时地对苹果树冠层土壤和作物分析仪器开发（SPAD）值进行高光谱估测，对苹果树的长势监测具有重要意义。连续2年测量了62个果园的196棵苹果树冠层光谱反射率及SPAD值，分析了原始光谱及连续统去除法处理后的光谱与SPAD的相关性，并对连续统去除法处理后的光谱在350～1300nm范围内，计算了任意两波段组合而成的归一化植被指数（NDVI）、比值植被指数（RVI）和差值植被指数（DVI）等光谱指数。利用逐步回归和主成分分析法，提取主成分作为自变量，构建了估测SPAD的支持向量机回归模型，并用第2年采集的数据进行了验证。新建的3类植被指数中，与SPAD相关性最大的植被指数分别为NDVI（406，563）、RVI（406，565）和DVI（646，695），相关系数（r）分别达到了0．677、0．690和0．711。对支持向量机回归模型进行验证，预测集决定系数（PR2）达到了0．837，预测集相对误差（REP）为1．190％，预测集相对分析误差（RPDP）达到了2．213。连续统去除法及光谱指数均能提高光谱与果树冠层SPAD的相关性，并且与SPAD相关性较高的光谱指数是由可见光波段组合而成，支持向量机回归模型对新梢旺长期苹果树冠层SPAD具有较好的估测能力。