基于无人机高光谱遥感的烤烟叶片叶绿素含量估测

[目的/意义]烤烟叶片叶绿素含量(Leaf Chlorophyll Content,LCC)是表征烤烟光合作用、营养状况和长势的重要指标。本研究的目的为高效精确地估测不同生长期烤烟LCC。[方法]以中烟100烟叶为研究对象,利用无人机搭载Resonon Pika L高光谱成像仪采集烤烟在6个关键生育期冠层反射率数据。基于相关分析筛选了21种LCC的敏感光谱指数,通过比较不同光谱组合及不同回归分析算法的预测精度,最终建立了基于多种光谱指数组合的LCC回归估测模型。采用一元线性回归(Unary Linear Regression,ULR)、多元线性回归(Multivariable Linear Regression,MLR)、偏最小二乘回归(Partial Least Squares Regression,PLSR)、支持向量回归(Support Vector Regression,SVR)和随机森林回归(Random Forest Regression,RFR) 5种建模方法进行LCC估测。[结果和讨论]在不同生育期大部分光谱参数与LCC的相关性达到极显著(P<0.01);相较于传统植被指数,新组合的光谱指数显著提升了与LCC的相关性;对单变量LCC估测模型ULR,以移栽后75 d新组合的归一化光谱指数与红光比率光谱指数的单变量建模精度最高,两者决定系数(Coefficient of Determination,R~2)和均方根误差(Root Mean Square Error,RMSE)分别为0.822和0.814,0.226和0.230。MLR、PLSR、SVR和RFR建模方法预测结果表明,RFR算法在LCC估测中效果最好,其中使用移栽后75 d数据验证集的R~2和RMSE可达0.919和0.146。[结论]本研究通过分析多种光谱指数与烤烟LCC的响应规律,构建可靠的烤烟叶片LCC估测模型,可为烤烟叶LCC估测以及烤烟的生长发育监测提供理论依据和技术支撑。

基于信息熵特征选择的小麦冠层叶绿素含量估测方法

为运用图像颜色特征估测作物的叶绿素含量,以自然环境下的小麦冠层图像为研究对象,提出一种基于熵权法的颜色特征选择方法,并应用机器学习方法建立小麦冠层叶绿素含量估测模型。熵权法通过信息熵来衡量颜色特征指标权重,实现冠层图像特征排序,机器学习方法选用多元线性回归(Multiple linear regression, MLR)、岭回归(Ridge regression, RR)和支持向量回归模型(Support vector regression, SVR)估测小麦冠层叶绿素含量。试验结果表明,与皮尔逊相关系数法和主成分分析法选取的特征集进行对比,熵权法得到a^(*)、R-G-B、R-G、(a^(*)+b^(*))/L、a^(*)/b^(*)、(R-G)/(R+G+B)、(R-B)/(R+B)、H/S、(R-G)/(R+G)等9个特征组成的特征集,可以利用较少的特征指标达到最优的预测效果。在选取相同特征指标参数的情况下,SVR的预测能力优于其它模型,其R^(2)和RMSE的平均值分别为0.80、1.89,相比于MLR和RR模型R^(2)分别提升2.8%、1.1%,RMSE分别下降0.13和0.05。将基于熵权法建立的SVR模型应用到2021年采集的小麦冠层图像数据,结果表明模型具有很好的稳定性。

引黄灌区水稻不同生育期叶绿素含量估测

叶绿素是植物光合作用的物质基础。为了探讨不同生育期水稻冠层光谱与叶绿素含量的响应规律,以宁夏引黄灌区水稻为材料,经小区试验测定水稻冠层光谱与叶绿素含量,分析冠层光谱反射率与叶绿素含量的相关性,建立两者之间的相关模型,结果表明:不同生育期内,水稻冠层光谱反射率差异较大;水稻冠层光谱反射率与叶绿素含量相关性随着生育期的推进而逐渐降低;基于全波段归一化光谱指数(NDSI)构建的拔节期(NDSI_((456,475)),R^2=0.6502)、抽穗期(NDSI_((748,782)),R^2=0.5264)、乳熟期(NDSI_((822,823)),R^2=0.5708)、蜡熟期(NDSI_((730,731)),R^2=0.4396)叶绿素模型能较好地预测水稻冠层叶绿素含量。