基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

发布时间：2024-05-15 00:33

　　叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。

【文章页数】：8 页

【部分图文】：

图1本研究试验小区设计

试验于2015—2017年在沈阳农业大学卡利马试验站进行(41°47′N、122°71′E),数据采集为每年的6—9月覆盖粳稻生长的分蘖期、拔节期、抽穗期、灌浆期等的关键生育期,选用品种为北粳1号。粳稻试验小区设计为4个氮肥梯度处理,分别为CK、N1、N2、N3,每种处理再进行3....

图2SVR法单波段相关性分析性结果

表2粳稻叶片高光谱特征PCA、CCA、KCCA提取结果分析Table2AnalysisoftheresultsofhyperspectralPCA,CCAandKCCAextractionfromjaponica-riceleaves特征提取方法....

图3NN法单波段相关性分析性结果

图2SVR法单波段相关性分析性结果图4RF法单波段相关性分析性结果

图4RF法单波段相关性分析性结果

图3NN法单波段相关性分析性结果图5PLSR法单波段相关性分析性结果

本文编号：3973641