基于三波段光谱指数的春小麦叶片水分含量估算

作者：尼加提·卡斯木; 张志从; 吾木提·艾山江; 孜尼哈尔·祖努尼江^*

来源：麦类作物学报, 2023, 1-10.

• 春小麦
• 叶片水分
• 高光谱
• 波段组合
• 机器学习

为探讨利用三波段植被指数(three-band index,3BI)对春小麦叶片水分含量(leaf water content,LWC)估算的可行性,在田间尺度上,利用ASD-FieldSpec-3光谱仪测定春小麦抽穗期冠层光谱反射率,采用任意波段组合方法,分别建立两波段植被指数(two-band index,2BI)包括比值植被指数(RVI)、归一化植被指数(NDVI)、差值植被指数(DVI)及3BI,并对单波段反射率、两波段植被指数和三波段植被指数与春小麦抽穗期LWC之间进行相关性分析,筛选稳定的光谱参数,基于人工神经网络(artificial neural network,ANN)、K近邻(K-nearest neighbors,KNN)和支持向量回归(support vector regression,SVR)等3种机器学习算法,建立有效波段组合运算的抽穗期春小麦LWC估算模型,并利用独立样本对模型精度进行检验和评价。结果表明,单波段反射率、2BI和3BI与春小麦抽穗期LWC之间的相关性均达极显著水平(P<0.01),而相关系数差异较大,绝对值分别为0.23、0.62、0.94,说明组合波段展现了光谱隐含信息,避免有效光谱信息的丢失;估算模型中,春小麦抽穗期以KNN算法和最佳3BI组合变量(3BI-5((1075,1095,1085))、3BI-6((1100,400,1097)))构建的模型拟合度最高(r2=0.83),均方根误差最小(RMSE=2.14%),相对偏差百分比超出了2.0以上(RPD=2.31),说明该模型具有一定的预测能力。由此可见,通过任意波段组合,可明显提高3BI与春小麦LWC的关联度,且基于K近邻算法构建的模型具有较好的稳定性和估算能力。

• 单位
  伊犁师范大学