基于机器学习的春小麦叶片水分含量高光谱估算

作者：热依拉·艾合买提; 吾木提·艾山江; 阿不都艾尼·阿不里; 尼加提·卡斯木

来源：麦类作物学报, 2021, 1-9.

• 春小麦
• 机器学习
• 水分含量
• 植被指数
• 高光谱

在干旱半干旱区域,作物叶片水分含量（leaf water content,LWC）遥感监测对于作物干旱诊断与灌溉策略制定至关重要。在田间尺度上,以春小麦冠层高光谱数据为基础,采用两波段组合形式,计算15种光谱参数（比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI和12种水分植被指数）,通过对抽穗期叶片含水量与光谱参数拟合效果进行对比与分析,分别构建了基于机器学习[人工神经网络（Artificial Neural Network,ANN）,K近邻（K-Nearest Neighbors,KNN）和支持向量回归（Support Vector Regression,SVR）]和光谱参数的干旱区春小麦叶片含水量反演模型并对模型精度进行验证,以确定有效波段组合。结果表明,小麦抽穗期LWC与冠层高光谱反射率(R784～950mm)、12种水分植被指数均呈显著相关（P <0.01）;波段组合形式有效地优化了两波段指数的波段组合,在800～1000 nm区间光谱参数(RV1046,1054nm、NDVI1272,1279nm、DVI1272,1279nm)的波段组合计算明显提升了其对LWC的敏感性;在不同的机器学习算法中,基于两波段组合光谱参数的KNN算法所见模型对LWC的预测效果（r2=0.64,RMSE=2.35,RPD=2.01）优于ANN、SVR两种算法。这说明两波段光谱指数的有效计算和KNN算法在作物叶片水分高光谱遥感估算领域具有一定的优势。

• 单位
  浙江大学; 浙江省农业; 伊犁师范大学; 新疆大学