基于GA-BP神经网络高光谱反演模型分析玉米叶片叶绿素含量

叶绿素是评价玉米健康状况的重要生理生化参数,而快速、准确检测玉米叶片叶绿素含量,是实现玉米长势及健康状况精准诊断的关键。为提高玉米叶片叶绿素含量的高光谱反演精度,以玉米试验小区为基础,测定了东北地区玉米不同生长期的叶片光谱反射率及其对应的叶绿素含量。首先采用一阶微分方法提取光谱特征,构建9种高光谱特征参数(Db、Dy、Dr、λb、λy、λr、SDb、SDy和SDr),并分析一阶微分光谱、高光谱特征参数与叶绿素含量间的相关关系,优选出与叶绿素含量相关性较高的3种特征参数作为自变量,分别为535nm处的一阶微分值、蓝边内最大一阶微分值Db、蓝边面积SDb,叶绿素含量实测值作为因变量,随后采用遗传算法对BP神经网络进行优化,建立BP神经网络(BPNN)和遗传算法优化的BP神经网络(GA-BPNN)反演模型,并对模型进行验证;再结合主成分回归(PCR)和偏最小二乘回归(PLSR)模型进行比较。结果表明:叶绿素含量与一阶微分光谱在535nm处具有最大相关系数(R=-0.738),并且与特征参数Db、SDb呈显著相关,相关系数R分别为-0.732和-0.728;遗传算法可以有效地对BPNN初始权值随机化、易陷入局部极值等不足实现优化,并为其定位出理想的搜索空间;GA-BPNN模型的建模集与验证集R2分别为0.878和0.898,RMSE为0.731,与其他反演模型相比,GA-BPNN模型的稳定性和预测能力均表现最好,可为定量预测玉米叶片叶绿素含量提供一定的理论和技术依据。     

基于RF-VR的紫丁香叶片叶绿素含量高光谱反演

利用高光谱技术精确估测植物叶片叶绿素含量,对植物生长趋势和营养状况的监测和管理具有重要意义。本文以紫丁香为研究对象,针对高光谱所含波段数量大、波段间相关性强导致数据中冗余信息增多的现象,通过卷积平滑和二阶微分(SG-SD)处理光谱数据,应用随机蛙跳(RF)算法筛选特征波段,最后结合偏最小二乘(PLSR)和投票回归器(VR)建立了植物叶片叶绿素含量反演模型,并与全波段光谱法和5种经典变量提取方法进行了比较。结果显示,相比于原始光谱数据,SG-SD是一种有效的提高建模精度的光谱预处理方法;相比于全波段光谱和经典变量提取方法,RF算法筛选出的敏感波段建模效果最佳;相比于PLSR模型,VR模型的预测精度和预测稳定性能更优。本文对原始光谱数据进行SG-SD预处理后,对经RF算法筛选出的特征波段建立VR模型,变量数由全波段数204个减少为35个,建模集决定系数0.944 2,验证集决定系数0.951 4,最后利用RF-VR模型结合伪彩图技术得到紫丁香叶片叶绿素分布反演图,为紫丁香叶片养分分布提供更直观的信息表达。结果表明,该方法可为紫丁香叶片营养含量诊断和长势监测提供技术支持。     

基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。     

玉米叶片叶绿素含量的高光谱反演模型探究

叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。     

107杨叶片叶绿素含量高光谱反演的研究

利用Field-Spec Pro测定107杨叶片光谱特征参数,研究不同叶绿素含量的107杨叶片的光谱特性、叶绿素含量与11种植被指数之间的关系以及107杨叶片叶绿素含量的光谱反演模式。结果表明:1)光谱反射率呈现典型的植物光谱特征,蓝紫谷位于350~500nm之间,其中多集中在350nm处;绿峰位于500~600nm之间,其中大部分集中在552nm处;红谷位于600~700nm之间,多集中在672nm处。700nm后进入近红外高反射平台,以762nm居多;2)107杨叶片叶绿素含量与11种植被指数之间均具有很强的相关性,其中mND705植被指数与叶片叶绿素含量相关性最强,R2为0.69;3)基于植被指数建立叶绿素反演模型,结果显示mND705植被指数的高光谱反演模型y=0.09x1.621 7反演精度较高,拟合R2和预测R2均达到最大,分别为0.812 4、0.703 5;均方根误差最小,为0.007 0,说明可以利用测量107杨叶片光谱的方法来监测叶片叶绿素含量。     

基于高光谱和BP神经网络的双子叶植物叶片叶绿素遥感估算

针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R~2和最优验证样本R_V~2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R~2和最优验证样本R_V~2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V~2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。     

基于高光谱和GA-BP神经网络模型的冬小麦叶绿素含量反演

叶绿素是绿色植被进行光合作用的主要色素,是影响作物产量的重要因素之一,也是评价作物健康状况的重要生化指标。快速、准确、无损地监测作物叶片叶绿素含量,是实现作物长势和健康程度精准监测的关键。为提高作物叶绿素含量反演的精度,以冬小麦试验小区为基础,测量关中地区冬小麦叶片反射率及其对应的叶绿素含量。运用分数阶微分法计算0～2阶步长为0.1的分数阶光谱,通过灰色关联分析法提取出与叶绿素含量关联度大的特征,作为模型的输入参数。最终提取出0.6阶751、760 nm, 0.7阶744、751 nm, 0.8阶738、747 nm, 0.9阶738、750 nm, 1.0阶731、750 nm共10个与叶绿素含量关联度高的波段作为模型的特征波段。为解决BP神经网络(back propagation network)收敛速度慢、易陷入局部极小值的问题,使用遗传算法(genetic algorithm, GA)优化BP神经网络的权值和阈值,利用优化后的模型进行叶绿素含量的预测。结果表明,运用遗传算法优化BP神经网络模型反演精度较高,r²为0.952,均方根误差(RMSE)为3.64...     

基于光谱特征参数与主成分分析的玉米叶片叶绿素含量BP反演

利用美国SVC HR-1024I型地物光谱仪对盆栽玉米叶片进行光谱测定,同时用SPAD-502叶绿素仪测定叶片的叶绿素含量。基于实测光谱的微分处理结果,获取光谱位置、光谱面积、植被指数3个方面的11个光谱特征参数(spectral characteristic parameters,SCP),分析这11个SCPs与叶绿素含量的相关性,并对这些参数进行主成分分析(principal component analysis,PCA);然后,利用这11个SCPs及其PCA结果建立误差反向传播(error back propagation,BP)神经网络输入因子,并构建了玉米叶片叶绿素含量BP反演模型(简称SCP-PCA-BP模型)。另外,选取与叶绿素含量相关性较高的8个SCP,建立常规的线性回归模型并预测叶绿素含量。反演结果表明:SCP-PCA-BP反演的预测值与实测值之间的决定系数(r2)达到0.968 7,均方根误差(RMSE)为0.893 9;而用线性回归模型反演时,只有基于SCP中微分光谱蓝边面积、面积比值、归一化面积参数的预测效果较好,其中归一化面积的预测效果最好,预测值与实测值之间r2为0.704 0,RMSE为2.895。因此可知,与常规的线性回归模型相比,SCP-PCA-BP反演模型在预测玉米叶片叶绿素方面具有更好的预测效果。     

小波分析在大豆叶绿素含量高光谱反演中的应用

实测了不同水肥耦合作用下,大豆冠层高光谱反射率与叶绿素含量数据,并对光谱反射率、微分光谱与叶绿素含量进行了相关分析;采用叶绿素A与叶绿素B诊断波段构建了特定植被指数,对叶绿素A、叶绿素B进行了回归分析;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对叶绿素含量进行估算。经分析发现,叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致——在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R2>0.73);小波能量系数回归模型可以进一步提高大豆叶绿素含量的估算水平,以一个特定小波能量系数作为自变量的回归模型,叶绿素A其确定性系数R2为0.76,叶绿素B为0.78;以4变量与9变量回归分析结果表明:叶绿素A实测值与预测值的线性回归确定性系数R2分别大于0.85、0.89;叶绿素B实测值与预测值的线性回归确定性系数R2分别为0.86、0.90。     

基于高光谱的苹果叶片叶绿素含量估算

以2012、2013年山东省肥城市潮泉镇下寨村的苹果叶片为研究对象,分析叶片叶绿素含量与原始光谱反射率、连续统去除光谱之间的相关性,探索苹果叶片叶绿素含量的估算模型。结果显示:苹果叶片叶绿素含量与原始光谱相关性最好的波段在553、711和1 301 nm处,其中,以711 nm处的光谱所建立的模型最佳(R2=0.88);与连续统去除光谱相关性最好的波段在553、738和801 nm处,其中,以738 nm处的光谱所建立的模型最佳(R2=0.94)。根据相关性所选的敏感波段,利用随机森林(random forest,RF)建立基于以上6个波段的叶绿素含量预测模型(R2=0.94)。对所建立的711 nm、738 nm、RF算法估算模型进行检验,结果表明,利用RF建立的苹果叶片叶绿素含量模型最佳(R2=0.54)。     

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

【目的】探讨龙眼Dimocarpus longan Lour.叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。【方法】利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合"图谱信息"的SAE模型预测龙眼叶片叶绿素含量的分布情况。【结果】龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R_c~2=0.856 8,RMSEc=0.219 5;R_v~2=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合"图谱信息"的SAE模型预测效果最好(R_c~2=0.979 6,RMSEc=0.171 2;R_v~2=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R_v~2的标准偏差仅为最小二乘回归模型标准偏差的29.9%。【结论】提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于"图谱信息"融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。     

基于高光谱优化NDVI值反演玉米叶片氮含量

为研究基于高光谱优化NDVI值在反演喇叭口期玉米叶片氮含量的可行性,使用Fiedspec3.0光谱仪和Greenseeker分别对不同施氮量下玉米叶片的光谱反射率和NDVI进行了测定,并对NDVI值进行了提取和优化,建立玉米叶片氮含量优化NDVI反演模型,对其反演精度进行验证。结果显示:优化NDVI值与NDVI测定值、玉米叶片氮含量均呈显著正相关(r=0.913 2,0.949 8),优化NDVI值对玉米叶片氮含量反演精度达到显著水平(r=0.908 1),反演精度高于NDVI测定值。优化NDVI值能通过群体的速测来决策玉米叶片的氮含量,为玉米进行氮营养诊断提供新的技术支持,具有重要的现实意义。     

基于高光谱成像的大豆叶片叶绿素分布可视化

[目的]利用高光谱成像技术估测大豆叶片叶绿素含量并实现其分布可视化,为直观监测大豆元素营养水平和生长发育状况提供技术支持.[方法]利用高光谱成像技术采集80片生长发育程度不同的大豆叶片高光谱图像,提取并计算叶片平均光谱后测定其对应的叶绿素含量,分析大豆叶片反射光谱特征差异,比较叶绿素与叶片反射光谱特征的关系,通过不同的...     

基于无人机高光谱影像的水稻叶绿素含量反演

【目的】为实现快速无损地监测水稻叶绿素含量,采用大疆M600 Pro无人机搭载SENOP RIKOLA高光谱仪获取水稻分蘖期冠层高光谱影像。【方法】利用相关性分析筛选出光谱指数的特征波长,构建DSI、RSI、NDSI、MSR、OSAVI和RDVI 6种植被指数,并利用一阶光谱导数计算其红边面积和红边幅值,分析8种光谱参数参与水稻叶绿素含量之间的相关性分析。将这些光谱参数作为CatBoost回归模型的输入变量,分析8种光谱参数对水稻叶绿素含量的估算能力。【结果】基于红边参数的反演模型中红边幅值拟合效果最好,其R²为0.952 4,RSME为0.638 1;基于植被指数的反演模型中OSAVI指数拟合效果最好,其R²为0.941 6,RSME为0.588 5。2种模型均能有效预测水稻叶绿素含量信息,可以作为水稻叶绿素含量监测的依据。【结论】将无人机高光谱遥感影像与机器回归算法相结合,可以实现对水稻冠层叶绿素含量的精准预测,从而对水稻的生长和健康状况进行实时监测,进而实现对水稻的精准施肥和精准灌溉,对水稻的增产增收以及精准农业的发展具有重要意义。     

基于高光谱遥感的棉花叶片叶绿素含量估算

为提高高光谱植被指数对棉花叶绿素含量的估算精度,以陕西省关中地区棉花花铃期叶片高光谱反射率为数据源,分析了13种植被指数与棉花叶片叶绿素相对含量(SPAD)的相关关系;同时采用降精细采样法,详细分析400~2 000nm波段范围内原始光谱反射率的任意两两波段组合而成的优化光谱指数RSI与SPAD值的定量关系,构建线性及非线性回归监测模型,并对模型进行验证。结果表明:1)所提取的13种植被指数中NIR/NIR与SPAD值的相关系数最大(r=0.914),并且基于NIR/NIR(R780/R740)构建的回归方程模型优于其他植被指数,其构建的二次曲线方程回归模型建模与验模R2分别为0.900和0.785,RMSE为4.762,RE为7.86%,为基于提取的12种植被指数构建SPAD值估算模型中最佳模型;2)优化后的比值光谱指数RSI(Ration spectral index)的敏感波段为500和563nm,RSI(500,563)与SPAD值的相关系数r=0.999,与棉花叶片SPAD含量在0.01水平下呈显著相关,其构建的二次曲线方程模型效果最优,建模和验模R2分别为0.912和1.000,RMSE为2.848,RE为4.38%。与提取的13种植被指数相比,基于RSI指数二次曲线回归模型为估算叶绿素含量的最佳模型,并且模型预测值和实测值之间的符合度较高R2=0.843,表明基于波段优化算法的优化光谱指数RSI能更好的预测棉花叶片叶绿素含量。     

基于高光谱的石楠叶片叶绿素含量估算模型

准确估算叶绿素含量对于植物生长监测、产量预测、生境的适宜性评价具有重要作用。为寻求叶片叶绿素含量的高精度估算模型,以石楠为对象,实测叶片叶绿素含量和反射光谱反射率,对原始光谱进行变换并计算植被指数,通过相关性分析挑选特征波段,运用多元逐步线性回归和偏最小二乘回归建立叶绿素预测模型。结果表明:1）FDR的逐步线性回归模型和偏最小二乘模型优于R、1/R、LR、SDR;2）DNDVI(R₆₄₅,R_{1 370})的指数函数模型为估算叶绿素含量的最佳单变量模型;3）DRI(R₇₄₇,R_{1 464})与RI(R₇₃₃,R₉₄₄)的逐步线性回归模型精度最高,验证结果的决定系数R²为0.955,均方根误差RMSE为3.145。因此,该模型可以实现叶片叶绿素含量的准确估算,从而为实现高光谱技术监测植被叶绿素含量变化提供依据。     

水稻叶片高光谱数据降维与叶绿素含量反演方法研究

高光谱遥感技术为水稻叶片叶绿素含量的高通量、无损、准确监测提供了有效途径,然而高光谱数据的降维或特征光谱参数的选择是叶绿素含量有效反演的关键环节。利用2017年辽宁省盘锦市大洼水稻氮高效品种筛选试验基地的水稻叶片叶绿素含量与叶片高光谱数据,探讨了高光谱数据的降维方法与叶绿素含量的反演建模。首先应用最优子集选择算法(best subset selection)对工程常用的水稻叶绿素反演特征光谱指数进行优选,筛选出最优组合,作为叶绿素多元回归模型的输入特征;同时应用没有在光谱领域得到有效应用的基函数展开算法,利用Gram-Schmidt正交变换寻找叶片高光谱数据的基函数空间,再将高光谱数据投影到基函数空间从而实现降维,最后利用降维后的数据进行多元回归建模,反演叶绿素。结果表明:最优子集选择算法优选出的mNDVI(445,705,750)、NDVI(705,750)、PSRI(500,680,750)、RD(505,705)、RI1dB(720,735)、MCARI(550,670,700)、PPR(450,550)共7个特征指数组合,回归模型反演精度最高,决定性系数R2为0.844,均方根误差RMSE为0.926;基于基函数展开算法对400～1000nm波段范围601维高光谱数据降至13维,叶绿素反演回归模型的决定性系数R2达到0.861,均方根误差RMSE为0.906。说明基于基函数展开的高光谱降维与叶绿素含量估测方法效果较好,可为水稻叶绿素含量估测与长势诊断提供技术支持。     

基于高光谱成像技术的油菜叶片叶绿素含量预测

叶绿素是作物生长中的重要因素,可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料,采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应,通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性,结合逐步回归挑选出油菜叶片敏感波段,并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明,由光谱指数所构建的神经网络叶绿素估算模型,精度评价结果均显示比较高的水平,幼苗期反射率光谱指数构建的模型精度最高,决定系数R2为0807 0,均方根误差（RMSE）为1131 5,蕾薹期一阶导数光谱指数构建的模型精度最高,决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3,在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。     

基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。     

基于高光谱成像技术的辣椒叶片叶绿素含量估算

叶绿素是植被光合作用的重要物质,能够间接反映植被的健康状况和光合能力.高光谱技术的发展为大面积、快速检测植被叶绿素含量变化提供了可能.选取150组不同生长期的辣椒叶片作为研究对象,分别采集辣椒叶片的高光谱图像和叶绿素含量.利用随机森林特征选择算法进行数据筛选,结合线性回归、偏最小二乘回归、梯度提升回归树、随机森林回归等4种模型分别构建回归模型.结果表明:(1)利用随机森林特征选择算法筛选后波段建立的模型决定系数(r2)均大于0.8,说明该方法具有较高的稳定性和预测精度;(2)利用随机森林特征选择算法筛选的波段结合随机森林回归,其验证集的r2为0.9、均方根误差(RMSE)为1.87、平均绝对误差(MAE)为1.43.可以较为准确地预测辣椒叶片叶绿素含量,为后期利用高光谱成像技术大面积检测辣椒的生长状况提供了理论依据.