基于水稻冠层高光谱的叶片SPAD值估算模型研究

被引：21

作者：

孙小香

王芳东

郭熙

赵小敏

谢文

机构：

[1] 江西农业大学江西省鄱阳湖流域农业资源与生态重点实验室/南方粮油作物协同创新中心

来源：

江西农业大学学报 | 2018年 / 40卷 / 03期

基金：

国家重点研发计划;

关键词：

高光谱; 水稻; SPAD值; 主成分分析; 支持向量回归; 逐步多元线性回归;

D O I：

10.13836/j.jjau.2018059

中图分类号：

S511 [稻];

学科分类号：

0901 ;

摘要：

为进一步提高水稻冠层光谱对叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值的反演精度,利用光谱仪和叶绿素计实测了水稻全生育期的冠层高光谱反射率和SPAD值,并对原始光谱反射率及一阶导数光谱与叶片SPAD值进行了相关性分析;利用主成分分析(principle component analysis,PCA)对原始光谱数据进行降维,将得到的主成分作为输入变量,分别应用逐步多元线性回归分析法(stepwise multiple linear regression,SMLR)与支持向量回归(support vector regression,SVR)构建叶片SPAD值的高光谱估算模型;另分析322种冠层光谱参数与叶片SPAD值之间的相关关系,筛选相关系数高的14种特征参数作为输入变量,分别应用逐步回归与支持向量回归构建SPAD值的高光谱估算模型,并进行验证。结果表明,叶片SPAD值与水稻冠层原始光谱反射率的相关性在669 nm处高达-0.876,与一阶导数光谱的相关性在543 nm处最高达-0.834;不同模型的精度值各异,以特征参数为输入变量建立的逐步回归模型和SVR模型的均方根误差RMSEv分别为2.926、3.895,相对分析误差RPD分别为2.064、1.55。而基于主成分分析建立的逐步回归模型和SVR模型的RMSEv分别为3.349、2.631,RPD分别为1.803、2.295。对比发现主成分分析结合支持向量机模型可以很好地预测叶片SPAD值。

引用

页码：444 / 453

页数：10

共 29 条

[1]

水稻叶绿素含量高光谱反演模型及尺度转换方法研究.[D].杜志红.中国地质大学(北京).2015, 01

[2]

Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture.[J].Driss Haboudane;John R. Miller;Nicolas Tremblay;Pablo J. Zarco-Tejada;Louise Dextraze.Remote Sensing of Environment.2002, 2

[3] Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data [J].

Broge, NH ;

Mortensen, JV .

REMOTE SENSING OF ENVIRONMENT, 2002, 81 (01) :45-57

[4]

Relationships between leaf pigment content and spectral reflectance across a wide range of species; leaf structures and developmental stages.[J].Daniel A Sims;John A Gamon.Remote Sensing of Environment.2002, 2

[5] Relationships between spectral reflectance and pigment concentrations in stacks of deciduous broadleaves [J].

Blackburn, GA .

REMOTE SENSING OF ENVIRONMENT, 1999, 70 (02) :224-237

[6]

A comparison of vegetation indices over a global set of TM images for EOS-MODIS.[J].A.R. Huete;H.Q. Liu;K. Batchily;W. van Leeuwen.Remote Sensing of Environment.1997, 3

[7]

基于神经网络的马尾松叶绿素含量高光谱估算模型.[J].刘文雅;潘洁;.应用生态学报.2017, 04

[8] 基于优化SVR高光谱指数的独尾草叶绿素含量估算 [J].