科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】基于光谱指数的遥感估测方法因计算简单而被用于作物生长实时监测，但在作物生育前期易受土壤背景的影响而后期容易失去灵敏性。随着人工智能的快速发展，利用机器学习算法对叶绿素进行估测成为提高遥感监测精度的普遍接受的方法。然而机器学习算法种类较多，且估测结果与输入变量有很大的关系，本研究选用最常用的偏最小二乘法和随机森林算法，比较不同投入变量对这两个算法马铃薯叶绿素含量估测精度的影响。【方法】2019—2020年，在内蒙古马铃薯主产区进行不同氮素水平田间试验，在马铃薯关键生育时期获取光谱数据和叶绿素值，利用试验数据对光谱指数进行波段优化，寻找叶绿素敏感的优化光谱指数。分别利用全反射光谱波段和优化光谱指数作为输入变量，代入随机森林和偏最小二乘法模型对马铃薯叶绿素含量进行估测，将试验数据分为75%的建模集和25%的验证集，比较模型的精确度，同时对模型进行评价。【结果】光谱指数优化波段主要集中在紫光和绿光范围，基于中心波段408和552 nm的光谱指数Opt-NDVI优化效果最好。通过优化，光谱指数与马铃薯叶绿素含量的相关性显著提高，但是相关性受生育时期影响较大，马铃薯花后生育时期其相关性高于花前生育时期。利用随机森林和偏最小二乘法建模结果表明，与优化光谱指数相比，机器学习模型显著提高了对马铃薯叶绿素含量的估测能力，随机森林和偏最小二乘法模型都具有较高的估测精度。通过验证集数据和PROSAIL物理模型的验证和评价证明，基于优化光谱指数的随机森林模型具有更好的建模能力，实测值与估测值具有良好的线性拟合，且验证效果最好，同时克服了生育时期的影响。【结论】光谱指数的预测能力受生育时期的影响较大，优化光谱指数作为输入变量不仅可有效减少输入变量数量从而提高随机森林算法和偏最小二乘法的计算效率，而且可使预测精度有所提高。基于优化光谱指数的随机森林算法对马铃薯叶绿素含量的估测精度最高，在各生育时期都具有较好的估测能力，克服了生育时期的影响，利用该方法可对马铃薯叶绿素含量进行估测。
- 单位
