共查询到18条相似文献，搜索用时 265 毫秒
1.
【目的】探讨光谱变量选择及依据土壤类型进行分层校准两种方法对高光谱预测土壤有机碳（SOC）精度的影响。【方法】以江西省为研究区,490个土壤样本为研究对象,对研究区内的所有样本以及不同土壤类型样本分别通过竞争性自适应重加权采样（CARS）算法筛选特征波段,并采用偏最小二乘回归（PLSR）、支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BPNN）4种模型,对比不同土壤类型下SOC在全波段以及CARS算法筛选后特征波段的预测精度。进而,还对比了全局校准和分层校准下SOC在全波段以及CARS算法筛选后特征波段的预测精度。【结果】（1）红壤筛选的特征波段为484、683—714和2 219—2 227 nm,水稻土筛选的特征波段为484、689—702和2 146—2 156 nm。红壤采用CARS-BPNN模型预测效果最佳（R 2=0.82）,较全波段建模验证集R 2提升0.07。水稻土采用CARS-RF模型预测效果最佳（R 2=0.83）,较全波段建模验证集R 2提升0.13。（2）在总体样本上,分层校准相比全局校准精度有所提升。采用CARS-BPNN进行分层校准预测效果最佳（R 2=0.82）,较全局校准验证集R 2提升0.06。【结论】采用CARS-BPNN进行分层校准能够较好地预测江西省土壤有机碳含量,本研究可为其他类似地区预测土壤属性提供科学依据。 相似文献
2.
光学和合成孔径雷达（SAR）多源传感器数据融合对提高森林地上生物量（AGB）提取精度具有重要意义。以太平湖森林为研究对象,以Sentinel-1 SAR数据和Sentinel-2光学数据为数据源,利用随机森林回归算法系统性地评估光学和SAR数据对AGB反演的互补优势和策略选择。采用Sentinel-2光学数据的AGB反演精度（R2=0.63,RMSE=37.05 mg/hm2,sMAPE=0.56）优于采用Sentinel-1 SAR数据的AGB反演精度（R2=0.37,RMSE=52.25 mg/hm2,sMAPE=0.65）,联合两者数据的AGB估算精度最高（R2=0.69,RMSE=34.17 mg/hm2,sMAPE=0.55）;基于不同策略构建的AGB估计模型当中,植被指数（RVI、NDVI和红边相关的NDVIre）和纹理变量（NDVIre_Mea）的重要性高于光谱波段和后向散射系数。联合Sentinel-1和Sentinel-2数据的光谱波段、植被指数、纹理信息和后向散射系数,能够有效的缓和遥感信息饱和性问题和提高AGB反演精度。 相似文献
3.
【目的】研究利用高光谱数据估算土壤表层有机质含量,为绿洲区大范围,快速,低成本,监测土壤表层有机质含量提供技术参考。【方法】以新疆博斯腾湖湖滨绿洲为研究区,采用地理加权回归模型,优选高光谱数据与土壤有机质含量的特征波段,构建研究区表层土壤有机质含量的高光谱估算模型。【结果】研究区表层土壤有机质含量变化不大,变化系数为55%,最小值为2.37 g/kg,最大值为51.47 g/kg,平均值为21.20 g/kg。土壤有机质特征波段主要集中在645~1 958 nm,其中1/R二阶的相关系数值最大为0.73,且在P=0.05水平下,通过显著性检验的波段数为83。构建的地理加权回归模型中,二维土壤指数1/R RSI建模效果最优,建模集R2=0.91,RMSE=2.56,验证集R2=0.95,RMSE=1.10。【结论】利用地理加权回归模型估算土壤有机质估算,建模效果可以达到一定的精度要求。 相似文献
4.
基于叶片反射光谱估测水稻氮营养指数 总被引：1，自引：0，他引：1
【目的】基于叶片反射光谱建立快速、无损监测水稻氮营养指数（nitrogen nutrition index,NNI）的估算模型。【方法】2018—2019年开展2个水稻品种（徽两优898和Y两优900）及5个氮肥梯度（施氮量为0、75、150、225和300 kg·hm-2,分别记为N0、N1、N2、N3、N4）的田间小区试验,测定关键生育期不同叶位叶片反射光谱和植株NNI,构建多种光谱指数的水稻NNI监测模型。【结果】单叶及叶位组合的敏感波段均分布在540 nm的绿光波长处,其与近红外波段构成的窄波段比值指数SR（R900,R540）可较好反演水稻NNI。但不同叶位叶片窄波段比值指数与水稻NNI的预测精度表现不同,顶3叶（L3）预测精度最好（R2=0.731,RMSE =0.130,RE=11.6%）,顶2叶（L2）次之（R2=0.707,RMSE =0.136,RE =12.2%）,顶1叶（L1）最差（R2=0.443,RMSE =0.187,RE =14.7%）;顶2叶和顶3叶组合平均光谱（L23）的预测精度优于单叶水平和其他叶位组合（R2=0.740,RMSE =0.128,RE =11.5%）。再将窄波段比值指数SR（R900,R540）近红外与绿光区域分别重采样50 nm和10 nm,所构建的宽波段比值指数SR[AR（900±50）,AR（540±10）]模型精度较SR（R900,R540）未明显降低,且在L23水平下2个模型的模型精度和预测精度基本一致（R2=0.740,RMSE =0.128,RE =11.5%）。水稻NNI小于1时与产量呈线性的正相关关系（P<0.05）,大于1时产量趋于平稳。【结论】L2和L3叶片反射光谱为监测水稻NNI的敏感叶位,其中叶位组合L23可提高模型预测精度。基于叶片反射光谱构建的多种波段比值指数（SR（R900,R540）和SR[AR（900±50）,AR（540±10）]）可快速估测水稻NNI,从而为不同传感器对水稻氮营养指数估测监测研究提供了理论依据。 相似文献
5.
融合无人机光谱信息与纹理信息的冬小麦生物量估测 总被引：9，自引：1，他引：9
【目的】生物量是表征植被生命活动的重要参数,对植被长势监测、产量预测有重要意义。以无人机为平台的高光谱遥感技术,具有机动灵活、成本低、空间覆盖广的优势,能够及时准确地估测植被生物量,已成为遥感估算研究的热点之一。由于光谱特征反演生物量存在饱和问题,因此,本研究尝试结合纹理特征与植被指数构建一种"图-谱"融合指标,探究"图-谱"融合指标的抗饱和能力及生物量估测能力。【方法】首先,利用无人机高光谱影像,提取其光谱信息和纹理信息,分别基于植被指数和纹理特征构建生物量模型。其次,针对光谱特征存在的饱和问题,将植被指数与对生物量敏感的纹理指标相乘或相除两种形式构建"图-谱"融合指标,分析"图-谱"融合指标的饱和性,并基于"图-谱"融合指标构建生物量估算模型。最后,对比不同指标构建的生物量模型的估测效果,来分析"图-谱"融合指标估测生物量的能力。【结果】(1)植被指数多在LAI=5时出现饱和现象,而"图-谱"融合指标VI×sm658,VI/ent658,VI/dis658,VI/con658,VI/dis514,VI/con514,VI/var514,VI×con802,VI×dis802均在LAI5时才出现饱和现象,相比之下,这些"图-谱"融合指标一定程度上改善了饱和问题;(2)与植被指数相比(除了GNDVI、NDVI之外),抗饱和能力提高的"图-谱"融合指标VI×sm658、VI/ent658、VI/dis658、VI/con658、VI/dis514、VI/con514、VI/var514、VI×con802、VI×dis802,其与生物量的相关性也相对提高,所构建的生物量模型精度较高(R2=0.81,RMSE=826.02 kg·hm-2)。(3)对比单一植被指数、纹理特征,将纹理特征与光谱特征相结合的"图-谱"融合指标估算小麦生物量的能力相对最强,模型精度明显高于单一植被指数(R2=0.69)和单一纹理特征(R2=0.71)构建的生物量模型。【结论】"图-谱"融合指标的抗饱和能力明显提高,其构建的生物量模型精度也有效提高,实现了结合光谱信息和纹理信息的冬小麦生物量遥感估测,为生物量定量反演提供一种新思路。 相似文献
6.
【目的】研究林地遥感因子与蓄积量的关系来反演天山云杉林分蓄积量,为新疆天然林保护工程实施后天山云杉生态恢复与科学管理提供参考依据。【方法】以新疆天山西部巩留县恰国家西森林公园的天山云杉（Picea schrenkiana var.tianshanica）为研究对象,以样地内每木检尺为依据,基于WorldView-2影像,使用eCognition Developer 提取样地的光谱信息、纹理因子与植被指数三种遥感因子,通过随机森林算法建立模型反演天山云杉林分蓄积量。【结果】提取的24种遥感因子,筛选出对蓄积量影响最大的5种特征变量,分别为NDVI1、NDVI2、RVI2、均一性（Homogeneity）与相关性（Correlation）,建立随机森林回归模型,解释度高达81.27%,决定系数R2=0.8648（P<0.05）,估测样地蓄积量精度为86.38%。【结论】建立的随机森林回归模型可以有效地反演天山云杉林林分蓄积量。 相似文献
7.
叶面积指数(leaf area index,LAI)是植被冠层重要的结构参数之一,与冠层生理过程密切相关,也是植被遥感领域关注的重要参数之一。本研究对已在轨运行7年的高分一号卫星WFV传感器的植被监测性能进行评测,以吉林省农安县典型玉米分布区作为研究区域,结合地面同步观测的叶面积指数和冠层光谱等实测数据,借助归一化植被指数(NDVI)、比植被指数(RVI)、大气阻抗植被指数(ARVI)、土壤调节植被指数(SAVI)、修改性土壤调节植被指数(MSAVI)这5种植被指数,对比分析地面实测光谱与GF-1/WFV光谱对玉米冠层叶面积指数的估算能力。通过决定系数(R2)、均方根误差(RMSE)、相对误差(RE)和预测残差(RPD)等参数筛选最优模型。研究结果显示,各种植被指数与LAI之间的相关性均表现为地面实测光谱高于GF-1/WFV星载光谱;对比不同植被指数与LAI的相关性发现,地面光谱和星上光谱构造的植被指数中,均表现为MSAVI与LAI的相关性最高;基于地面光谱和星上光谱的MSAVI构建的估算模型中,R2最高值所对应的函数类型不同,基于地面光谱的函数中,R2最高值对应的是指数模型,而基于GF-1/WFV星上光谱的函数中,二项式的R2最高。 相似文献
8.
基于AquaCrop模型的大豆灌溉制度优化研究 总被引：1，自引：0，他引：1
【目的】 探究AquaCrop模型在关中地区的适用性,寻求大豆在不同降水年型下最适宜的灌溉制度。【方法】 用田间试验实测数据对该模型进行校正,并用校准后的模型模拟1961—2019年内所有3种不同降水年型14种灌溉制度下的大豆产量和水分利用效率。【结果】 AquaCrop模型模拟田间产量最高处理的冠层覆盖度的决定系数(R 2)、均方根误差（RMSE）、标准均方根误差(NRMSE)及Nash效率系数(EF)分别为0.96、7.15%、11.03%和0.94;模拟值与实测值生物量的决定系数（R 2）、均方根误差（RMSE）、标准均方根误差（NRMSE）及Nash效率系数（EF）分别为0.99、526.04 kg·hm-2、14.45%和0.97;最终产量模拟的决定系数（R 2）、均方根误差（RMSE）、标准均方根误差（NRMSE）及Nash效率系数（EF）分别为0.97、49.98 kg·hm-2、1.74%和0.82,各处理的冠层覆盖度和生物量实测值与模拟值的R 2均大于0.95,说明AquaCrop模型可以较好地模拟关中地区大豆的生长发育动态与产量。结合模型模拟结果可知,大豆作物需水量平均值为398.2 mm,各个生育时期的需水量差异较大,分枝期需水量为127.8 mm,开花-结荚期需水量为212.6 mm,鼓粒期的需水量为57.7 mm。结合对3种不同降水年型进行不同灌溉制度模拟后发现,大豆开花-结荚期为需水关键期,该生育时期水分供应情况影响大豆的最终产量。在湿润年可以不灌水;平水年和干旱年仅在开花-结荚期分别灌溉45和70 mm可实现最高产量（2 699、2 486 kg·hm-2）和最大水分利用效率（0.74、0.7 kg·m-3）。【结论】 该地区大豆灌溉制度,应以不同降水年型分布情况为基础对大豆灌溉制度进行选择,可保证大豆具有较高的产量和水分利用效率,可作为关中地区大豆灌溉制度的参考依据。 相似文献
9.
【背景】自1995年至今,小麦赤霉病（Fusarium head blight,FHB）逐渐在海河平原蔓延,由零星出现演变成连片发生,在流行年份呈现出暴发快、面积大、损失重的特点,小麦赤霉病已由次要病害上升为主要病害之一。准确的预测预报是有效控制小麦赤霉病发生与发展的关键和难点。【目的】根据海河平原小麦赤霉病发生情况的监测分析,构建适宜的小麦赤霉病预测模型,为科学防控赤霉病提供技术支撑。【方法】基于2001—2016年海河平原21个小麦主产县（市）的赤霉病病穗率数据,以及小麦关键生育期内的气象数据,采用逐步回归分析,筛选影响小麦赤霉病发生的关键气象因子,构建基于多元线性回归模型和增强回归树模型的小麦赤霉病发生预测模型。【结果】明确了增强回归树模型的学习效率（lr）为0.005、树的复杂度（tc）为6时,模型的预测偏差最低,残差标准误为0.006311;筛选出8个对海河平原小麦赤霉病发生影响显著的关键气象因子,即MRH15、Rain-35、MRH-55、SD15、LT-65、MWS-55、MT-25、DRain15,并构建了含有8个预测变量的多元线性回归模型（R2=0.8158,矫正R2=0.8018,P<2.2×10-16）。同时,应用增强回归树模型评估了上述8个关键气象因子的重要性,分别为69.62%、14.08%、4.89%、4.34%、3.35%、2.02%、1.20%、0.50%;根据重要的预测变量进一步简化预测模型,构建了含有4个预测变量的多元线性回归模型（y=-19.45376+0.11689MRH15+0.17346Rain-35+0.04185SD15+0.26592MRH-55,R2=0.7575,矫正R2=0.7468,P<2.2×10-16）;当预测变量由8个调减至4个时,利用2008、2010、2012年安新、定州、馆陶等地历史数据验证模型预测病穗率的准确度,多元线性回归模型预测准确度由88.43%降至85.90%,增强回归树模型预测准确度由87.72%升至91.23%;利用2001—2016年正定、栾城的历史数据验证模型预测病穗率的准确度,两个模型预测准确度无显著变化,多元线性回归模型预测准确度由87.53%变为87.42%,增强回归树模型预测准确度由89.20%变为89.21%。整体而言,多元线性回归模型预测准确度呈下降趋势,而增强回归树模型预测准确度呈上升趋势。【结论】研究构建了含有4个预测变量的增强回归树模型,其预测准确度达89.21%,病穗率预测值与实际观测值的波动趋势基本一致,表明增强回归树模型在海河平原小麦赤霉病预测预报中具有很好的应用前景。 相似文献
10.
【目的】研究冬小麦冠层时序植被指数的动态变化规律并基于其构建单产预测模型,为田间实时、准确获取作物单产信息提供有效的技术手段。【方法】本研究于2017—2019年在江苏省兴化市万亩粮食产业园开展不同品种及氮肥水平的田间小区试验,利用主动传感器RapidSCAN CS-45获取冠层归一化红边植被指数（normalized difference red edge,NDRE）和归一化植被指数（normalized difference vegetation index,NDVI）,基于双Logistic函数拟合时序植被指数并提取曲线特征参数,进而分析各特征参数与单产的相关关系,并以独立试验数据对单产预测模型进行验证。【结果】NDRE在孕穗期和抽穗期与单产关系最好,R2达到0.84以上;通过多元逐步线性回归法发现,利用2个或多个时期NDRE预测单产的效果较单生育时期有所提高,且第一和第二被选择的时期分别为拔节期和孕穗期。基于全生育时期相对NDRE（relative NDRE,RNDRE）和相对NDVI（relative NDVI,RNDVI）构建时序曲线,并利用曲线特征参数建立单产预测模型,其中RNDRE和RNDVI的最大值、累积值及增长速率与单产关系较好。利用独立试验数据对上述单产预测模型进行检验,结果表明基于RNDRE时序曲线最大值和累积值所构建的单产模型验证效果较好,R2大于0.80,相对均方根误差和相对误差均小于10%,其验证效果优于单时期或多时期基于NDRE的预测模型,且优于基于NDVI构建的单产模型。【结论】基于冠层时序植被指数提取的特征参数RNDRE最大值和累积RNDRE具有良好估测单产的潜力,研究结果为田间进行实时、准确预测冬小麦单产提供了技术支持。 相似文献
11.
北方草地及农牧交错区草地植被碳储量及其影响因素 总被引：2，自引：1，他引：1
【目的】 草地生态系统在全球碳平衡中有重要的意义,草地植被碳库及其变化机制研究是植被生态学的重要命题。本文研究北方草地和农牧交错区草地植被碳密度及其空间格局,解析不同区域草地植被碳密度的关键影响因素,分析了气候、土壤、放牧等因素对地上地下植被碳库的相对贡献。【方法】 基于2002—2009年北方草地及农牧交错带草地植被调查数据,结合同期MODIS/NDVI遥感影像和1﹕100万草地类型图,建立了我国主要草地类型的生物量估算模型;整合野外考察数据和前人研究结果,探讨了研究区地上地下生物碳库及其空间格局;基于研究区255个县级行政单元,分析了不同类型草地植被碳库与气候要素、土壤要素及家畜承载量的关系,应用一般线性模型（GLM）解析了不同影响因素对草地碳密度的相对贡献。【结果】 （1）北方草地与农牧交错区草地地上平均生物碳密度为36.9 g C·m-2,地下生物碳密度为362.9 g C·m-2,地下生物碳密度高于地上10倍,均呈从东到西递减的趋势,频率分布图基本服从对数正态分布,不同草地类型的生物碳密度存在明显差异;（2）整个研究区及草原亚区、荒漠亚区、农牧交错亚区内,地上生物量与年降水量（MAP）呈极显著正相关、与年均气温（MAT）均呈极显著负相关,与土壤黏粒含量（Clay%）呈显著正相关、与土壤砂粒含量（Sand%）呈显著负相关,整个研究区家畜承载量与草地地上生物量之间呈极显著正相关;（3）一般线性模型（GLM）分析结果表明,年平均降水量（MAP）、年均气温（MAT）、土壤黏粒含量（Clay%）、放牧强度对地上生物量空间变异的解释率分别达到29.6%（P<0.001）、5.8%（P<0.001）、0.8%（P<0.05）、1.3%（P<0.001）;地下生物量的空间变异主要来自于年降水量（MAP）、年均气温（MAT）、土壤砂粒含量（Sand%）,对方差的解释率分别达到12.1%（P<0.001）、6.8%（P<0.001）、1.9%（P<0.005）,放牧强度没有明显贡献。【结论】 气候条件尤其是年降水量是草地生物量碳库的主要影响因素,但对地上生物量影响更为明显;土壤质地对植被生物碳库也有显著贡献,尤其对地下生物量的影响更加显著;放牧强度只能解释地上生物量变化的1.3%、对地下生物量没有显著贡献,这一发现意味着气候对生物量碳库的贡献远大于放牧影响。 相似文献
12.
13.
14.
【背景】快速、准确地估算水稻产量对于肥水精确管理及国家粮食政策的制定至关重要。高光谱与激光雷达遥感作为2种不同的主被动监测技术,为水稻长势信息获取提供了多样化手段。【目的】对比2种遥感监测手段在不同生态点的独立数据集中的验证精度,寻求可移植性强的产量估算模型,对水稻长势监测提供理论与技术支撑,及为精确农业提供科学指导具有重要意义。【方法】本研究通过实施3年（2016—2018年）包含不同地点、不同品种与不同氮素水平的水稻田间试验,在抽穗后各时期同步获取点云数据和光谱数据,结合线性回归与随机森林回归来估算产量,探究抽穗后点云数据与光谱数据估算水稻产量的差异;同时评估产量模型在不同数据集的时空可移植性,寻求可移植性强的产量估算模型。【结果】利用点云数据估算产量的精度（R2 = 0.64—0.69）优于光谱数据的估算精度（R2 = 0.20—0.58）;基于线性回归的产量估算模型,其验证精度明显优于基于随机森林回归的产量模型;产量模型在同一生态点的可移植性更强（不同生态点：RRMSE 16.69%—17.85%;同一生态点：RRMSE 11.37%—12.41%）。【结论】本研究为抽穗后水稻产量监测提供了新的方法和不同遥感手段的性能比较,为收获前作物产量的实时估算提供重要支撑。激光雷达技术凭借其全天候工作的特点,在长江中下游水稻产量实时监测中有着较好的应用前景。 相似文献
15.
基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究 总被引：5，自引：1，他引：4
【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。 相似文献
16.
Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle 总被引：3，自引：1，他引：3
【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R 2) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R 2 value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R 2 value of 0.38 and RMSE value of 0.20% during model calibration, and R 2 value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R 2 value of 0.57 and RMSE value of 0.17% during model calibration, and R 2 value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images. 相似文献
17.
【目的】建立准确、无损的适宜于苹果不同品种和枝梢类型的叶面积估算模型。【方法】以富士及嘎啦不同长度的营养枝梢和果台枝梢叶片为试材,采用数字扫描仪获取叶片长度(LL)、宽度(LW)和叶面积(LA)等叶片形态参数,并采用决定系数(R2)、均方根误差(RMSE)、赤池信息准则(AIC)对建立的17个有常数项和无常数项叶面积模型精度进行筛选和适宜性评价。【结果】共获得5 207枚叶片形态参数,其中叶面积变异系数最大,达51.59%。叶片形态受品种及枝梢类型的显著影响,其中长枝梢叶片长、宽和叶面积显著大于同类型短枝梢叶片,而营养枝梢叶片长、宽和叶面积显著大于同长度果台枝梢,嘎啦叶片相比富士更为细长。以LL和LW复合变量为自变量的模型5:LA=a(LL×LW)、模型6:LA=a(LL+LW)2、模型9:LA=aLL2+bLW2、模型16:LA=a(LL×LW)b、模型17:LA=(LL×LW)b的精度可满足富士和嘎啦各类枝梢叶面积的估算,但需针对各品种和枝梢类型单独建... 相似文献
18.
【目的】利用2种灌溉处理下不同发育阶段的冬小麦冠层高光谱信息,通过机器学习方法对小麦籽粒产量进行估测精度研究,明确产量最佳估测模型,对于育种工作有着重要应用价值。【方法】以黄淮麦区207个主栽小麦品种为材料,于2018—2019和2019—2020年度连续2个生长季在河南省新乡基地的正常灌溉和节水处理下种植,并调查开花期、灌浆前期和灌浆中期的冠层高光谱数据,分别以6种机器学习方法和集成方法建立光谱指数产量估测模型。【结果】2种灌溉处理下,3个生育期各光谱指数均与产量呈极显著相关（P<0.0001）,且表现出较高的遗传力（0.61-0.85）,主要受遗传因素控制。在正常灌溉处理下,与传统机器学习方法表现最佳的模型相比,集成学习方法在3个生育期的平均决定系数(R2) 分别由0.610、0.611和0.640提高至0.649、0.612和0.675,平均均方根误差 (RMSE) 分别降低至0.607、0.612和0.593 t·hm-2;节水处理下,3个生育期的平均R2分别由0.461、0.408和0.452提高至0.467、0.433和0.498,平均RMSE分别降低至0.519、0.559和0.504 t·hm-2。【结论】利用集成方法将不同模型估测结果进行结合,能够有效地提高产量估测精度,2种灌溉处理下均在灌浆中期估测精度最佳,可为冬小麦育种工作中产量估测提供参考。 相似文献