| 基于机器学习的春小麦叶片水分含量高光谱估算 |
| |
| 引用本文： | 热依拉·艾合买提,吾木提·艾山江,阿不都艾尼·阿不里,尼加提·卡斯木.基于机器学习的春小麦叶片水分含量高光谱估算[J].麦类作物学报,2022(5):640-648. |
| |
| 作者姓名： | 热依拉·艾合买提 吾木提·艾山江 阿不都艾尼·阿不里 尼加提·卡斯木 |
| |
| 作者单位： | （1. 伊犁师范大学生物与地理科学学院,新疆伊宁 835000;2. 浙江大学农业遥感与信息技术应用研究所，杭州 310058;3. 浙江省农业遥感与信息技术重点研究实验室，浙江杭州 310058;4. 新疆大学资源与环境科学学院，新疆乌鲁木齐 830046） |
| |
| 基金项目： | 大学生创新训练项目(202010764004X) |
| |
| 摘 要： | 为了比较不同机器学习算法在干旱半干旱区春小麦叶片水分含量（leaf water content,LWC）遥感监测中的应用效果及筛选最佳波段组合，在田间尺度上，以春小麦冠层高光谱数据为基础，采用两波段组合形式，计算15种光谱参数（比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI和12种水分植被指数），通过对抽穗期叶片含水量与光谱参数拟合效果进行对比与分析，分别构建了基于机器学习［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）］和光谱参数的春小麦LWC反演模型，并对模型精度进行验证，以确定有效波段组合。结果表明，小麦抽穗期LWC与冠层高光谱反射率（R784～950）、12种水分植被指数均显著相关（P＜0.01）；波段组合形式有效地优化了两波段指数的波段组合，在800～1 000 nm区间光谱参数（RVI1046,1057、NDVI1272,1279、DVI1272,1279）的波段组合计算明显提升了其对LWC的敏感性；在不同的机器学习算法中，基于两波段组合光谱参数的KNN算法所见模型对LWC的预测效果（r=0.64,RMSE=2.35，RPD=2.01）优于ANN、SVR两种算法。这说明两波段光谱指数和KNN算法在春小麦叶片水分含量的高光谱遥感估算中具有一定的优势。
|
| 关 键 词： | 春小麦 机器学习 水分含量 植被指数 高光谱 |
Hyperspectral Estimation of Spring Wheat Leaf Water Content Based on Machine Learning |
| |
| RAHILA Ahmat,UMUT Hasan,ABDUGHENI Abliz,NIJAT Kasim.Hyperspectral Estimation of Spring Wheat Leaf Water Content Based on Machine Learning[J].Journal of Triticeae Crops,2022(5):640-648. |
| |
| Authors: | RAHILA Ahmat UMUT Hasan ABDUGHENI Abliz NIJAT Kasim |
| |
| Abstract: | |
| |
| Keywords: | Spring wheat Machine learning LWC Vegetation index Hyperspectral |
|
| 点击此处可从《麦类作物学报》浏览原始摘要信息 |
| 点击此处可从《麦类作物学报》下载免费的PDF全文 |
|
