基于全波段高光谱的冬小麦生长参数估算方法比较

作者：纪景纯; 刘建立; 牛玉洁; 宣可凡; 蒋一飞; 邓皓东; 李晓鹏^*

来源：作物杂志, 2020, (06): 180-188.

DOI：10.16035/j.issn.1001-7283.2020.06.027

• 高光谱遥感
• 偏最小二乘回归
• 支持向量回归
• 前馈神经网络
• 作物生长监测

利用高光谱数据监测作物生长情况具有无损和高效的特点,是现代农业的发展方向。为了简化高光谱数据处理流程,直接利用原始的高光谱反射率完成从建模到估算作物生长参数的全过程,应用于作物长势的实时监测。本文利用偏最小二乘回归(partial least squares regression,PLSR)、支持向量回归(support vector regression,SVR)和前馈神经网络(feedforward neural network,FNN)3种方法,利用全波段高光谱数据分别对冬小麦多个关键生育期(拔节、孕穗、扬花和乳熟期)生长参数(地上部生物量、叶面积指数、全氮含量和叶绿素浓度)进行了估算。比较3种方法的建模及估测效果,发现对于建模集数据,SVR对上述生长参数4个生育期的估测结果 R2均值为0.89～0.98,MAPE为1.70%～7.53%,对于验证集数据,R2均值为0.90～0.94,MAPE为4.04%～7.46%,拟合优度和估测精度均超过PLSR和FNN,是估算方法中利用全波段光谱反射率估测冬小麦生长参数的最佳方案。随着无人机载高光谱技术成熟,SVR方法能够用于处理航拍获取的大范围田间高光谱信息,简便快捷地进行建模与参数反演,实时反映作物生长状态。

• 单位
  中国科学院大学; 河海大学; 中国科学院南京土壤研究所