为了实现夏玉米叶片光合色素含量的快速、无损检测,以陕西省关中地区夏玉米“大丰26号”为研究对象,探究了不同总色素含量水平的玉米叶片反射光谱特征。分别提取与叶绿素a、叶绿素b、类胡萝卜素和总色素含量相关性较强的15个光谱参数,...为了实现夏玉米叶片光合色素含量的快速、无损检测,以陕西省关中地区夏玉米“大丰26号”为研究对象,探究了不同总色素含量水平的玉米叶片反射光谱特征。分别提取与叶绿素a、叶绿素b、类胡萝卜素和总色素含量相关性较强的15个光谱参数,通过单变量回归、多元逐步回归和随机森林回归分析,建立光合色素含量估算模型并进行精度比较。结果表明:基于随机森林方法构建的光合色素估算模型精度最高,其中,叶绿素a、叶绿素b、类胡萝卜素的建模 R 2为0.93,总色素的建模 R 2为0.92;叶绿素a和类胡萝卜素的检验 R 2为0.74,叶绿素b和总色素的检验 R 2为0.71;各模型的均方根误差( RMSE)和相对误差(RE)相差不大;拟合精度由高到低依次为叶绿素a、类胡萝卜素、总色素和叶绿素b的RF模型。证实了随机森林方法在夏玉米叶片光合色素含量估算中的优越性,并构建了高精度的光合色素RF估算模型。展开更多
【目的】为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。【方法】利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样(CARS)、连续投影算法(SPA)、遗传算法(GA)筛选土壤电导率...【目的】为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。【方法】利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样(CARS)、连续投影算法(SPA)、遗传算法(GA)筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络(BPNN)、支持向量机(SVM)、极限学习机(ELM)三种机器学习算法模型,引入偏最小二乘模型(PLSR)进行对照,比较其模型精度。【结果】研究区土壤电导率值变化范围0.02~17.22 mS cm^(−1),平均值为2.61 mS cm^(−1),变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS>SPA>GA;三种机器学习算法模型均优于PLSR模型,决定系数(R^(2))平均增加20.57%,相对分析误差(RPD)平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79和1.68 mS cm^(−1),RPD分别为2.04和2.00。土层深度20~30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm^(−1),RPD分别为2.41和2.50。【结论】基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。展开更多
文摘为了实现夏玉米叶片光合色素含量的快速、无损检测,以陕西省关中地区夏玉米“大丰26号”为研究对象,探究了不同总色素含量水平的玉米叶片反射光谱特征。分别提取与叶绿素a、叶绿素b、类胡萝卜素和总色素含量相关性较强的15个光谱参数,通过单变量回归、多元逐步回归和随机森林回归分析,建立光合色素含量估算模型并进行精度比较。结果表明:基于随机森林方法构建的光合色素估算模型精度最高,其中,叶绿素a、叶绿素b、类胡萝卜素的建模 R 2为0.93,总色素的建模 R 2为0.92;叶绿素a和类胡萝卜素的检验 R 2为0.74,叶绿素b和总色素的检验 R 2为0.71;各模型的均方根误差( RMSE)和相对误差(RE)相差不大;拟合精度由高到低依次为叶绿素a、类胡萝卜素、总色素和叶绿素b的RF模型。证实了随机森林方法在夏玉米叶片光合色素含量估算中的优越性,并构建了高精度的光合色素RF估算模型。
文摘【目的】为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。【方法】利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样(CARS)、连续投影算法(SPA)、遗传算法(GA)筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络(BPNN)、支持向量机(SVM)、极限学习机(ELM)三种机器学习算法模型,引入偏最小二乘模型(PLSR)进行对照,比较其模型精度。【结果】研究区土壤电导率值变化范围0.02~17.22 mS cm^(−1),平均值为2.61 mS cm^(−1),变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS>SPA>GA;三种机器学习算法模型均优于PLSR模型,决定系数(R^(2))平均增加20.57%,相对分析误差(RPD)平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79和1.68 mS cm^(−1),RPD分别为2.04和2.00。土层深度20~30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm^(−1),RPD分别为2.41和2.50。【结论】基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。