机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官(叶片、茎秆)氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期(拔节期、抽穗期、开花期、灌浆期)和3种施氮水平条件下(N1、N2和N3)的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD(soil and plant analyzer development,SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法:随机森林回归(random forest regression,RFR)、支持向量回归(support vector regression,SVR)、偏最小二乘回归(partial least squares regression,PLSR)、高斯过程回归(gaussian process regression,GPR)、深度神经网络回归(deep neural networks,DNN)构建冬小麦叶片和茎秆氮含量估算模型。结果表明:高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期,最佳植被指数双峰冠层植被指数DCNI(double-peak canopy nitrogen index)对叶片氮含量的敏感性最高,R^(2)为0.866。对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数NPQI(normalized phaeophytinization index)与氮含量决定系数R^(2)=0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度,对叶片氮含量,在不同生育期和施氮水平条件下估算精度提升了1%~7%,其中在全生育期的归一化均方根误差NRMSE从0.254降低到0.214,抽穗期的NRMSE提升最大,从0.201降低到0.128。对茎秆氮含量,全生育期的NRMSE从0.443降低到0.400,抽穗期的NRMSE变化最大,从0.323降低到0.268。在全生育期,结合SPAD值的DNN模型对叶片(R^(2)=0.782、NRMSE=0.214)和茎秆(R^(2)=0.802、NRMSE=0.400)氮含量的估算精度最佳。研究说明,SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。

夏玉米叶面积指数的高光谱遥感植被指数法研究

通过不同品种夏玉米在不同供氮水平下的田间试验,测定夏玉米冠层在不同时期的光谱反射率及对应的群体叶面积指数(LAI),综合分析10个常见光谱植被指数与夏玉米LAI的相关性及预测性。结果表明,光谱植被指数的预测性在夏玉米喇叭口-吐丝期最佳,预测性主要依赖于LAI的整体变化,结合不同品种、不同生育时期和氮肥处理的试验资料对其预测性进行检验,说明光谱植被指数能准确地预测LAI。尤其是近红外与绿光波段的比值(R810/R560)与LAI呈显著的指数关系,不受品种类别、生育时期和氮肥水平的影响,回归模型为LAI=0 765e0 2637R810/R560。利用样本A和B对R810/R560的预测性进行综合检验,表明模拟值与实测值之间符合度较高,平均R2=0 9573 ,估算的平均RMSE为0 0365,精确度和准确度平均值分别为95 63%和98 47%。

利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数F_v/F_m

为进一步评价遥感监测紧凑型玉米叶绿素荧光参数Fv/Fm的可行性,通过开展小区紧凑型玉米试验,分析紧凑型玉米整个生育期Fv/Fm与高光谱植被指数的相关关系,建立紧凑型玉米Fv/Fm高光谱监测模型。结果表明,紧凑型玉米Fv/Fm与选取的高光谱植被指数均呈极显著正相关,其中结构敏感色素指数(SIPI)与Fv/Fm的相关性最好,相关系数(r)为0.88。用SIPI建立紧凑型玉米Fv/Fm的监测模型,其决定系数(R2)为0.812 6,均方根误差(RMSE)为0.082。研究表明,利用高光谱植被指数可以有效地监测紧凑型玉米整个生育期的Fv/Fm。

翅碱蓬高光谱植被指数对土壤化学性质的响应

植被覆盖区土壤化学性质遥感监测一直是一个难点,往往只能通过生物地球化学的方法,利用上覆植被信息间接地反映。该研究通过野外采样分析的17个翅碱蓬(Suaeda salsa)光谱数据和其下土壤样品的理化分析配对数据,探讨土壤化学性质与翅碱蓬高光谱植被指数间的关系。结果表明:上覆翅碱蓬高光谱植被指数与土壤有机质、全氮、速效钾之间均无显著相关,高光谱植被指数(NDNI)可用于初步反映土壤全磷的含量变化,NDVI705可用于初步反映土壤pH值的变化,而高光谱植被指数(MSI)可以很好地反映土壤盐分含量的变化。在此基础上,建立了土壤全盐量与19个高光谱植被指数的偏最小二乘回归模型,这为翅碱蓬覆盖区域土壤盐渍化遥感监测提供了一种方法。

不同水分处理条件下棉花高光谱植被指数与光合参数的相关分析

【目的】建立棉花高光谱数据与光合特征参数的相关模型,有效、快速、非破坏的对棉花生长过程进行诊断与监测,为大面积应用高光谱遥感监测棉花的生长状况提供科学依据。【方法】利用ASD高光谱辐射仪和Li-6400光合仪分别获取5水分处理条件下,棉花新陆早13号、新陆早33号两品种关键生育期的高光谱数据和光合特征参数:净光合速率(Pn)和气孔导度(Gs),利用高光谱数据计算得到棉花两品种归一化植被指数(NDVI)、比值植被指数(RVI)和修改型二次土壤调节植被指数(MSAVI2),分别建立与两品种Pn和Gs的线性、对数和幂函数的相关方程。【结果】三种模型方程均达到显著和极显著的相关性,两品种RVI与Pn和Gs的三种相关模型方程的r值较高,其中,利用新陆早33号RVI与Pn,Gs幂函数方程分别对Pn和Gs估算,并将预测Pn、Gs与实测Pn,Gs进行相关分析,R值均达到极显著水平(r_(实测Pn-估测Pn)=0.827**,RMSE=1.089,r_(实测Gs-估测Gs)=0.586**,RMSE=0.138,n=20,P<0.01),模型方程的估测精度均大于80%。【结论】不同水分处理下新陆早13号和新陆早33号的光谱植被指数与光合参数间存在着显著的相关性,可以利用相关模型对Pn和Gs进行遥感估测,实时监测棉花的生长状况。

基于高光谱植被指数的夏玉米地上干物质量估算模型研究

2011—2014年连续实施夏玉米长势监测定位实验,在5种不同施氮量、4种不同施磷量和2个夏玉米品种处理下,测定了大喇叭口期、吐丝期、灌浆期和成熟期夏玉米冠层高光谱反射率及对应的地上干物质积累量(Aboveground dry matter accumulation,ADMA)。选取了21个光谱植被指数,利用2011年和2013年综合数据进行线性函数、对数函数、二次函数和指数函数模型拟合。在每个生育时期,选择决定系数和F值最高的3个模型,并用2012年和2014年测定光谱数据与地上干物质量对拟合模型进行均方根差和相对误差的验证,选择均方根差和相对误差较小的拟合模型为最适模型。结果表明,在大喇叭口期、吐丝期、灌浆期和成熟期,夏玉米地上干物质量的最佳拟合光谱植被指数分别为GNDVI、PSSRc、NDVI4和DI。

棉花高光谱植被指数与LAI和地上鲜生物量的相关分析

通过测试棉花关键生育阶段350-2500nm波段的冠层高光谱数据,用近红外波段760-850nm及红光波段650-670nm的2个范围内的波段,组成了高光谱归一化植被指数（NDVI）及800和670nm2个波段组成修改型二次土壤调节植被指数（MSAVI2）,分别与棉花叶面积指数（LAI）和地上鲜生物量进行相关分析,结果表明,棉花NDVI和MSAVI2与LAI和地上鲜生物量两个参数均以幂指数相关关系为最佳（RNDVI-LAI=0.7346＊＊,RMSAVI2-LAI=0.7436＊＊,n=81;RNDVI-鲜生物量=0.7426＊＊,RMSAVI2-鲜生物量=0.7934＊＊,n=59）,MSAVI2与LAI和地上鲜生物量的相关性均高于NDVI与LAI和地上鲜生物量的相关性,说明MSAVI2较NDVI更好的消除土壤背景等对反射光谱造成的影响,较精确的提取反映棉花生长状况的叶面积指数和生物量信息。

黄土高原春小麦叶面积指数与高光谱植被指数相关分析

通过田间小区试验,测定了4个春小麦品种(定西24号、陇春8139、高原602和定西38号)在不同生育期和不同种植密度下的光谱反射率及对应的叶面积指数(LAI)。综合分析比较了9个常见植被指数与春小麦LAI的相关性及预测性。结果表明:在4个不同的生育阶段,这9个植被指数与对应的LAI都有很好的相关性以及对LAI有很好预测性,其中以抽穗-开花期植被指数的表现为最好;全生育期这9个植被指数与春小麦LAI的相关性更高,对LAI的预测性更佳,并且大于任何一个生育阶段;其中以近红外与绿光波段的比值R810/R560的预测力最好,故选取R810/R560(x)作为预测全生育期春小麦LAI(y)的最佳植被指数,建立最优模型y=0.1769x1.5261,并采用不同品种和不同种植密度的数据对模型进行了精度分析,结果表明,模拟值和实测值之间的R2平均为0.9280,估算的RMSE平均为0.0762,准确度平均为0.9068,说明此模型具有较好的可靠性和适用性。

棉花高光谱植被指数与LAI和地上鲜生物量的相关关系研究

通过测试棉花关键生育阶段350～2500nm波段的冠层高光谱数据，用近红外波段760～850nm及红光波段650—670nm的2个范围内的波段，组成了高光谱归一化植被指数（NDW）和800和670nm两个波段组成修改型二次土壤调节植被指数（MSAVI2），分别与棉花叶面积指数（LAI）和地上鲜生物量进行相关分析，结果表明，棉花NDVI和MSAVI2与LAI和地上鲜生物量两个参数均以幂指数相关关系为最佳（RNDVI—LAI=0．7291^＊＊，RMSAVI22—LAI=0．7436^＊＊，n=81；RNDVI-鲜生物量=0．7426^＊＊，RMSAVI2-鲜生物量=0．7911^＊＊，n=59），MSAVI2与LAI和地上鲜生物量的相关性均高于NDVI与LAI和地上鲜生物置的相关性，说明MSAVI2较NDVI能更好的消除土壤背景对反射光谱造成的影响，能较精确的提取反映棉花生长状况的叶面积指数和生物量信息。

基于冠层温度棉花水分胁迫指数与高光谱植被指数的关系

【目的】用红外热图像提取棉花水分胁迫指数(CWSI),并用高光谱遥感植被指数对棉花的CWSI进行遥感估算,为红外热图像和高光谱遥感监测作物水分状况提供科学依据。【方法】通过Fluke热像仪和ASD非成像高光谱仪,分别获取棉花2品种4水平水分处理5个关键生育时期冠层的红外热图像和高光谱数据;对红外热图像进行技术处理,基于Jones定义的作物水分胁迫指数CWSI公式,计算CWSI;与高光谱数据转换得到的4种高光谱植被指数进行回归分析。【结果】CWSI与4种高光谱植被指数均达到了1%极显著的线性相关关系;其中红边归一化植被指数RENDVI与CWSI呈最高的线性负相关关系,利用它们的相关模型方程,估算CWSI,实测值与估算值之间呈极显著的线性相关(r=0.839 9**,n=30,α=1%)。【结论】红外热图像与高光谱遥感技术的结合,可以精确地对棉花水分胁迫指数CWSI进行遥感估算,更好的诊断棉花水分状况。

天山北坡中东段天然草地光谱植被指数特征

据１９９２～１９９４年天山北坡中东段各种主要天然草地类型混合牧草群落光谱观测资料，牧草产量资料分析发现，天然草地牧草产量与光谱植被指数都具有季节变化特征，呈现由低到高，再由高到低的变化规律；天然草地光谱植被指数可以较好地反映牧草产量的年际变化和不同类型天然草地的产量差异，由于降水等自然条件的影响，牧草产量高的年份，光谱植被指数也高，牧草产量低的年份，光谱植被指数也低。从而为天然草地生产力的遥感监测预测提供依据。

雷竹叶绿素与高光谱植被指数关系及其反演模型

雷竹Phyllostachys violascens快速生长过程中,采用ASD便携式野外光谱测量仪和CCM-200手持式叶绿素仪对研究区样竹反射光谱曲线和相对叶绿素进行连续观测,在此基础上分析了植被指数与雷竹叶绿素在不同观测时间的相关关系,并构建了叶绿素反演模型。研究结果表明:1绿度指数(GM),红边指数(Vog3),双重差值指数(DD),修正型归一化指数(m ND705),修正型比值指数(m SR705)和红边拐点指数(REP)等6个高光谱植被指数在整个生长过程均与雷竹叶绿素有较好的相关关系,而其他植被指数在某些时间或时间段里与雷竹叶绿素具有较好的关系,且在观测末期,几乎所有植被指数与叶绿素均有较好的相关性;2采用以上6个植被指数建立的一元线性模型,在99%置信水平下的相关系数均在0.85以上,且2种方案所建立的多元线性模型能够对雷竹叶绿素进行高精度的预测,预测与实测叶绿素之间的相关系数在0.89以上。

叶片茸毛对叶片反射光谱及高光谱植被指数的影响研究

很多高光谱植被指数被用于对植被的生化物质含量进行非破坏性的估计与反演。由于这些指数都是利用不同波段的反射率计算而得到的,因而对叶片反射具有很大影响的茸毛等叶表结构对这些植被指数的反演精度的影响不容忽视。本研究发现去茸毛处理使得在400～1 000nm范围的的光谱反射都有所下降,但在各个波段的变化并不均匀。通过对比39个现有的高光谱植被指数在经过去茸毛处理前后的变化,发现一些只单独利用可见光或者近红外波段的高光谱植被指数,如CTR1:R695/R420,D740/D720,WBI:R900/R970,R860/(R550×R708)以及红边指数(REP)比大多数既使用可见光又使用近红外波段的高光谱植被指数受茸毛变化影响小,它们对茸毛的低敏感性可以使其在进行植被生化物质反演时更具有普适性。

冬小麦SPAD值无人机可见光和多光谱植被指数结合估算

SPAD(Soil and plant analyzer development)值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数(IKAW和RBRI)、多光谱植被指数(GNDVI、CI、GMSR和GOSAVI)具有较好的相关性,与可见光植被指数(CIVE)和多光谱植被指数(GNDVI)的相结合指数具有较好的相关性,其估算模型的R^(2)为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R^(2)为0.91,模型验证R^(2)、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R^(2)为0.90,模型验证R^(2)、RMSE和nRMSE分别为0.88、2.51和6.12%。

GF-6 WFV光谱植被指数模型的叶面积指数反演

农业是国家经济发展的基础支柱,同时也是社会发展的基础产业。我国农业遥感技术的进步和发展,大量遥感卫星发射升空,如高分1号、2号和6号等,为我国农情监测、作物长势、农业产业结构调整提供了重要技术支撑。农业遥感成为农业科技创新和精准农业的重要手段。叶面积指数(LAI)是一种可用来衡量植被冠层生理与生化的关键指标,不仅可以用来评估植被冠层表面的最初能量交换情况,提供相应的结构定量数据,还能反映植被冠层的光谱能量信息。同时,在陆地气候变化情况下,叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。此外,研究发现植被冠层受人为活动和气候变化的直接或间接影响时,叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。因此,针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、稳定性较弱的问题。基于GF-6 WFV遥感影像以栾城县为试验区,通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数,采用R^(2)和RMSE进行模型评价,同时利用未参与建模的实测叶面积指数和MODIS LAI产品验证模型。实验结果表明:(1)由相关性分析可知,整体上讲,20种光谱植被指数与LAI具有显著相关性,相关系数在0.4以上,且红边参与构造的光谱指数相关性要高于无红边参与构造的光谱指数,其中NDSI的相关性最优;(2)由拟合分析可知,整体上讲,20种光谱植被指数与LAI拟合效果较好,其中NDS13的拟合精度是最高的,R^(2)为0.803,RMSE为0.3012。(3)由反演的空间分布可知,反演结果符合当地的实际情况。(4)由实测叶面积指数验证模型可知,实测叶面积指数与NDSI3模型反演的LAI整体拟合较好,R^(2)为0.804,RMSE为0.3125,说明该模型能有效反演乳熟期玉米的生长状况。(5)由MODIS LAI产品验证模型可知,LAIMODIS均值要高于LAIGF-6,这与MODIS影像像元混合严重和空间分辨率低有关。综上所述,GF-6WFV反演叶面积指数能力较强,其影像中红边参与构造的光谱植被指数模型能有效反演乳熟期叶面积指数,为玉米长势监测提供依据。

基于不同植被指数的植被-土壤混合像元高光谱偏振信息与模型研究

高光谱遥感被越来越多的应用于确定混合像元的地物组分和比例。将不同面积比例的植被-土壤混合像元作为研究对象,使用偏振装置和ASD FieldSpec~3光谱仪得到植被—土壤组成的混合像元的偏振反射光谱曲线,计算得到八种植被指数值,讨论不同面积比例,不同偏振角度下植被-土壤混合像元的高光谱偏振特性。研究发现,随着叶片占混合像元面积比例的增大,植被-土壤光谱曲线越来越明显地表现出植被光谱"五谷四峰"的特性,且峰值与谷底的位置与植被光谱基本相同。偏振角越大,混合像元的光谱偏振反射比越大;混合像元条件下,植被所占混合像元的面积比例越大,光谱受偏振角的影响越大。各植被指数与混合像元中植被面积大小呈线性关系,其中植被衰减指数和改进红边归一化植被指数的相关系数最大,可以达到98%左右,适合用于建立植被指数与植被占混合像元面积比例之间的相关模型。在植被面积发生变化时,改进红边比值植被指数的灵敏性更好。在利用光谱吸收特征参数进行植被指数估算时,发现吸收谷深度与光化学植被指数的二次函数模型拟合度最强,决定系数R2为0.963 3;光谱吸收指数与光化学植被指数的二次函数模型拟合度最强,决定系数R2为0.960 5。

基于加权高光谱植被指数的植被分类提取方法

针对常见植被指数不能很好地降低非植被地物对植被分类提取的影响，设计了一种基于植被光谱特征的加权高光谱植被指数，并提出了一种基于加权高光谱植被指数的植被分类提取方案。先利用加权高光谱植被指数对植被信息进行提取，得到较为完整的植被分布信息，再利用典型分类算法进行植被分类，实验结果表明，本文提出的方案能够有效降低非植被地物的影响，提高植被分类提取的精度。

不同作物叶片和茎全磷含量与高光谱植被指数的关系

为研究不同作物叶片和茎全磷含量与不同高光谱植被指数的关系,于2020年11月至2021年10月进行田间试验,测定冬小麦、油菜、蚕豆、大豆、玉米、红薯6种作物不同生长阶段的叶片、茎全磷含量和高光谱冠层反射率,进而计算归一化植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、增强植被指数(EVI)、光化学植被指数(PRI)、红边叶绿素指数(RECI)6种高光谱植被指数。利用Pearson相关分析研究了不同作物叶片、茎全磷含量与高光谱植被指数的关系,并以多元非线性回归建立了基于高光谱植被指数的叶片、茎全磷含量模拟模型。结果表明,随着作物生长,冬小麦、油菜、蚕豆、大豆叶片全磷含量逐渐降低,玉米、红薯叶片全磷含量在生长季中期较高,6种作物茎全磷含量与叶片全磷含量的季节变化规律类似。6种作物叶片全磷含量季节平均值均高于茎全磷含量季节平均值。6种作物NDVI、DVI、RVI、EVI、PRI、RECI在生长中期相对较高。6种作物叶片全磷含量与不同高光谱植被指数之间的相关系数不同,且与叶片和茎全磷含量存在显著相关关系的高光谱植被指数也不同。基于6种植被指数NDVI、DVI、RVI、EVI、PRI、RECI的模型可模拟6种作物叶片全磷含量33.9%(R^(2)=0.339)~75.2%(R^(2)=0.752)的季节变化,6种作物叶片全磷含量实测值与模拟值之间的一元线性回归线接近1∶1线,一元线性回归方程R^(2)=0.657。基于5种植被指数NDVI、RVI、EVI、PRI、RECI的模型可模拟6种作物茎全磷含量23.4%(R^(2)=0.234)~60.0%(R^(2)=0.600)的季节变化,6种作物茎全磷含量实测值与模拟值之间的一元线性回归线接近1∶1线,一元线性回归方程R^(2)=0.524。不同作物叶片或茎全磷含量的特征植被指数不同,基于多种植被指数的多元回归模型可较好地模拟冬小麦、油菜、蚕豆、大豆、玉米、红薯叶片和冬小麦、油菜、玉米、红薯茎全磷含量季节变化。

基于Hyperion植被指数的干旱地区稀疏植被覆盖度估测

受稀疏植被与明亮土壤背景影响,干旱地区植被覆盖精确遥感估测难度较大。以Hyperion影像为数据源,选取甘肃省民勤绿洲-荒漠过渡带为研究区,系统比较了利用不同类型高光谱及多光谱植被指数估测干旱地区稀疏植被覆盖度的能力,以期确定干旱地区稀疏植被覆盖度估测的最佳植被指数。不同植被指数估测稀疏植被覆盖度的能力利用线性回归R2及留一交叉验证的均方根误差进行比较,结果表明:高光谱植被指数估测稀疏植被覆盖度的能力显著优于相应的多光谱植被指数,抗大气植被指数(ARVI)及抗土壤和大气植被指数(SARVI)表现明显优于归一化植被指数(NDVI)与土壤调节植被指数(SAVI),其中以基于833.3nm/640.5nm波段组合的ARVI表现最佳,R2可达0.7294,均方根误差(RMSE)仅为5.5488。

基于无人机多时相植被指数的冬小麦产量估测

通过无人机搭载多光谱相机,对不同水分亏缺条件下冬小麦多个生育期进行遥感监测,采用不同种类多光谱植被指数表征冬小麦的生长特征,分析了植被指数与冬小麦产量的相关关系,并利用多时相植被指数构建产量估测数据集,采用偏最小二乘回归、支持向量机回归和随机森林回归3种机器学习算法进行冬小麦产量估测。结果表明,随着冬小麦的生长,多个植被指数与产量的相关性不断增强,灌浆末期相关系数达到0.7,植被指数与产量的线性回归决定系数也达到最大。多时相植被指数反映了冬小麦生长的变化特征,进一步提高了冬小麦产量估测精度,采用开花期和灌浆初期的多时相植被指数进行估产比采用单个生育期的植被指数估测产量的精度高,采用偏最小二乘回归模型的估测精度R^(2)提高约0.021,支持向量机回归模型R^(2)提高约0.015,随机森林回归模型R^(2)提高约0.051。采用灌浆末期的多时相植被指数,3种模型均有较高的估测精度,偏最小二乘回归模型估测精度最高时的R^(2)、RMSE分别为0.459、1 822.746 kg/hm^(2),支持向量机回归模型估测精度最高时的R^(2)、RMSE分别为0.540、1 676.520 kg/hm^(2),随机森林回归模型估测精度最高时的R^(2)、RMSE分别为0.560、1 633.896 kg/hm^(2),本文数据集训练的随机森林回归模型估测精度最高,且稳定性更好。