为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least...为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least squares support vector regression,LS-SVR)算法建立了小麦冠层叶绿素含量反演模型,其校正决定系数C-R2与预测决定系数P-R2分别为0.751与0.722,在各指数中反演精度最高。进一步分析表明,REP对叶绿素含量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对叶绿素含量估测的影响。利用LS-SVR反演模型完成了OMIS影像叶绿素含量的遥感填图,并以地面实测值进行检验,其拟合模型R2与RMSE值分别为0.676与1.715。结果表明,高光谱指数REP所建立的LS-SVR模型实现了叶绿素含量的准确估测,可用于小麦叶绿素含量信息的快速、无损获取。展开更多
为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合(小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise),并利用去噪后的小麦冠层光谱建立偏最小二乘回归(P...为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合(小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise),并利用去噪后的小麦冠层光谱建立偏最小二乘回归(PLS)模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差(RMSEC)为0.260,预测集均方根误差(RMSEP)为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析(PCA)进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型(LS-SVR),其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明:以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。展开更多
文摘为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least squares support vector regression,LS-SVR)算法建立了小麦冠层叶绿素含量反演模型,其校正决定系数C-R2与预测决定系数P-R2分别为0.751与0.722,在各指数中反演精度最高。进一步分析表明,REP对叶绿素含量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对叶绿素含量估测的影响。利用LS-SVR反演模型完成了OMIS影像叶绿素含量的遥感填图,并以地面实测值进行检验,其拟合模型R2与RMSE值分别为0.676与1.715。结果表明,高光谱指数REP所建立的LS-SVR模型实现了叶绿素含量的准确估测,可用于小麦叶绿素含量信息的快速、无损获取。
文摘为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合(小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise),并利用去噪后的小麦冠层光谱建立偏最小二乘回归(PLS)模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差(RMSEC)为0.260,预测集均方根误差(RMSEP)为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析(PCA)进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型(LS-SVR),其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明:以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。
