基于无人机遥感的湿地松花青素含量预测

[目的]花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用.因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标.湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义.提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法.为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础.[方法]以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率.选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种.对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型.[结果]比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34％.[结论]基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测.     

基于无人机遥感的湿地松花青素含量预测

[目的]花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用.因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标.湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义.提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法.为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础.[方法]以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率.选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种.对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型.[结果]比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34％.[结论]基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测.     

基于无人机遥感的湿地松花青素含量预测

[目的]花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用.因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标.湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义.提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法.为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础.[方法]以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率.选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种.对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型.[结果]比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34％.[结论]基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测.     

基于无人机遥感的湿地松花青素含量预测

[目的]花青素是植物叶片中的第三大色素,功能多样,抗氧化性较强,不仅有助于叶片损伤修复,而且可以通过吸收光能而减少叶绿素对光的吸收,调节光合作用,从而起到光保护的作用.因此,了解花青素含量的动态信息,可以间接了解植物的营养健康状况,为植物培育管理提供一种可靠的参考指标.湿地松(Pinus elliottii)作为我国重要的造林树种,适时测定湿地松针叶中花青素含量对于了解湿地松生长生理状态具有重要的意义.提出一种用无人机遥感技术反演湿地松叶片花青素含量的方法.为利用多光谱无人机选择湿地松试验林中高花青素含量资源提供技术基础.[方法]以湿地松苗为试验对象,利用便携式紫外-可见光荧光仪获取湿地松冠层叶片的花青素含量实测值以及利用多光谱无人机同步获取湿地松冠层叶片的多光谱反射率.选取了5个光谱值(RED、GREEN、BLUE、NIR、REG)以及与湿地松花青素含量关系较密切的植被指数GNDVI、LCI、NDRE、NDVI、OSAVI、R/G、MACI、ARI和MARI共9种.对14种光谱指数进行不同的数据处理后分别基于偏最小二乘、支持向量机、BP神经网络方法建立花青素含量的预测模型,并分别验证,比较选出最优建模方法和预测模型.[结果]比较经5种数据预处理方法(Original(OG)、Standard Normal Variate(SNV)、blockScale(BS)、blockNorm(BN)、Detrend(DET))和5种重要变量选择方法(不处理、遗传算法与PLS回归相结合(ga_pls)、逆向变量消除(bve_pls)、正则化消除(rep_pls)、显著多元相关算法(smc))组合处理后,发现数据经过去趋势化处理和逆向变量消除处理后,基于支持向量机建立的模型为最优建模方法,此模型对湿地松冠层花青素含量预测可以达到最佳效果,验证集决定系数R2为0.61,均方根误差RMSE为1.34％.[结论]基于无人机多光谱技术,去趋势化处理和逆向变量消除处理与支持向量机相结合的建模方法可实现对湿地松冠层花青素含量的预测.