[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...[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。展开更多
文摘[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。