基于光谱变换与SPA-SVR的玉米SPAD值高光谱估测

叶绿素含量快速、无损监测是评估玉米生长状态有效方式之一.以抽雄期玉米为研究对象,研究原始光谱、普通一阶导数光谱、间隙一阶导数光谱、开平方根光谱以及连续统去除光谱的特征波段以及5个传统植被指数与玉米叶绿素含量之间关系.对比分析不同模型(单因素回归模型、结合连续投影与多元线性回归、支持向量回归模型)对抽雄期玉米叶绿素含量预测能力.结果表明,光谱变换可增强特征波段与SPAD值相关性,同时还增加敏感波段数量、提升建模精度;连续投影算法对特征降维效果明显,各类多元模型最优光谱参数为5～9个;各类型光谱下均为多因素模型精度优于单因素模型.其中,基于普通一阶导数光谱的支持向量回归模型为最优模型,其建模R2与验证R2分别达到0.92与0.90.光谱变换在反演玉米叶绿素方面有较大潜力,连续投影与支持向量回归结合可产生较好建模效果.     

基于红边特性和连续小波变换的冬小麦叶绿素含量估算

为充分利用高光谱数据红边区域对冬小麦叶绿素含量进行估算,以关中地区冬小麦为研究对象,基于红边波段反射率的一阶导数进行连续小波变换,对变换后得到的小波系数与叶绿素含量进行相关性分析,选取相关性较好的小波系数分别结合偏最小二乘法（PLS）、BP神经网络（BPNN）算法、随机森林（RF）算法和XGBoost算法构建冬小麦叶绿素含量估算模型。结果表明：（1）通过对建模数据和验证数据的决定系数（R）、均方根误差（RMSE）和相对分析误差（relative predictive derivation,RPD）进行比较,利用XGBoost算法构建的估算模型表现最好;（2）通过XGBoost算法的特征重要性分析得到13个有效小波系数,将其与7个红边指数共同作为自变量代入XGBoost算法发现,优化后的模型精度得到显著提高,建模集决定系数（R=0.91）和验证集决定系数（R=0.802）分别提高了1.34%和11.54%。这说明该方法可以作为一种挖掘高光谱敏感特征信息的途径来估算冬小麦叶绿素含量。     

基于Stacking集成学习的猕猴桃叶片叶绿素含量估算

叶绿素含量能有效表征植物光合作用强度，是反映植物生长状况的重要参量之一。以秦岭北麓壮果期猕猴桃叶片为研究对象，分别测定其叶绿素含量和光谱反射率，通过分析380～1 000 nm范围内高光谱参数与叶绿素含量的相关性，筛选出估测模型的输入特征，选择随机森林、极限梯度提升树、K-近邻、LightGBM算法和岭回归作为基模型，线性回归作为元模型，建立基于Stacking集成学习的猕猴桃叶片叶绿素含量估算模型，并通过网格搜索和交叉验证提高模型泛化能力，将Stacking模型与多个单一模型进行比较。结果表明：(1)不同叶绿素含量的猕猴桃叶片高光谱反射率变化趋势基本一致，在380～1 000 nm范围内呈现“一峰两谷一平台”的特点；(2)各高光谱参数与猕猴桃叶片叶绿素含量相关性较好，优化光谱指数和传统光谱指数中与叶绿素含量相关性最高的分别是比值光谱指数(RSI′_581,438,r=0.947)和红边位置(r=0.914);(3)与多个单一模型相比，Stacking集成模型的估算精度最高(R²=0.807,MAE=0.334,RMSE=0.136),同时，其...     

连续投影与SSA-ELM结合的玉米氮平衡指数高光谱估测

玉米氮平衡指数的快速、无损估测，对监测植株长势和指导田间氮肥施用具有重要现实意义。通过田间试验观测各生育期(拔节期、抽雄期、乳熟期、完熟期)玉米叶片氮平衡指数和对应光谱反射率，应用特征波段和植被指数，构建不同类型的玉米氮平衡指数高光谱反演模型。结果表明：不同氮平衡指数下的叶片高光谱反射特征基本一致，在可见光波段反射率较低、近红外波段反射率较高，不同生育期氮平衡指数与光谱反射率的相关性在抽雄期最高，乳熟期、完熟期次之、拔节期最低；连续投影算法具有良好的降维效果，筛选出的各生育期建模光谱参数为8～20个；各生育期多因素模型均优于单因素模型，抽雄期各类模型效果最佳，其中基于麻雀搜索算法优化的极限学习机回归模型是最优模型，其建模R²与验证R²均为0.93,相对预测偏差分别为2.57、2.31,表明该模型对氮平衡指数具有极好的预测能力。