基于GA-PLS-SPA的辣椒叶片叶绿素含量高光谱估测

叶绿素对辣椒的长势评估和营养状况管理具有重要的意义,针对高光谱存在数据量大和冗余度高的问题,探究不同特征选择算法相结合进行高光谱叶绿素含量估测的可行性。以贵州省遵义市栽培辣椒为研究对象,采集盛果期辣椒冠层高光谱数据,通过卷积平滑(SG)、一阶微分(FD)、二阶微分(SD)和多元散射校正(MSC)处理原始光谱数据,比较不同预处理方法下的贝叶斯优化随机森林(BO-RF)估测效果,以MSC预处理后的数据为基础,运用遗传偏最小二乘算法结合连续投影算法(GA-PLS-SPA)进行最优特征波段选取,最后以GA-PLS、SPA和GA-PLS-SPA分别选取的特征波段作为输入变量,建立BO-RF、RF和BP神经网络模型来验证GA-PLS-SPA的普适性和广泛性。结果表明,MSC相比其他预处理方法对叶绿素含量的反演效果最好;相同估测模型条件下,基于GA-PLS-SPA建立的估测模型精度最高,选取特征波段数量最少,为7个,GA-PLS-SPA-BO-RF是估测叶绿素含量的最佳模型,训练集的R^(2)、RMSE和RPD分别为0.896、2.791和3.124,测试集的R^(2)、RMSE和RPD分别为0.913、2.965和3.414;相同算法建模条件下,BO-RF的精度明显高于RF和BP神经网络。MSC处理后的光谱能极大程度提取出辣椒叶片的叶绿素信息,GA-PLS-SPA能有效实现特征波段选取,降低模型复杂度,BO-RF具有良好的叶绿素含量反演能力。

基于近邻子空间划分的高光谱影像波段选择方法

在降低高光谱遥感影像数据的冗余度方面,波段选择一直是一种有效的方法.近年来,提出了许多用于高光谱波段选择的聚类算法,但大多数算法只有在选择足够多的聚类中心时才能够表现出良好的性能.在选择少量波段时,往往效果很不理想,不能满足实际使用的目的.而且,随着聚类中心数量的增加,大多数波段选择算法的精度存在不同程度的下降趋势.针对当前基于聚类的波段选择方法存在对聚类中心数的强敏感性和选择的特征波段子集高相关性的问题,提出了一种基于近邻子空间划分的波段选择方法(SEASP).该方法主要包括近邻子空间划分和特征波段选取两个步骤.考虑到高光谱波段之间的有序性,SEASP首先计算出相邻波段之间的相关系数,得到相关系数向量.若两个波段之间的相关性在某个区间内最小,即相关系数的变化率在该区间内最大,说明这两个波段在很大概率上不属于同一组,为两个相邻分组之间的分割点.因此,在相关系数向量的基础上,计算出其对应的若干个极小值,通过极小值的选取来确定最终划分的子空间.最后以信息熵为度量标准从划分的子空间中选出特征波段子集.在3个公开数据集的实验结果表明,提出的SEASP算法与其他算法相比,不仅原理简单,而且在精度和计算效率方面,均表现出了更好的效果.