利用高光譜數據監(jiān)測作物生長情況具有無損和高效的特點,是現代農業(yè)的發(fā)展方向。為了簡化高光譜數據處理流程,直接利用原始的高光譜反射率完成從建模到估算作物生長參數的全過程,應用于作物長勢的實時監(jiān)測。本文利用偏最小二乘回歸(partial least squares regression,PLSR)、支持向量回歸(support vector regression,SVR)和前饋神經網絡(feedforward neural network,FNN)3種方法,利用全波段高光譜數據分別對冬小麥多個關鍵生育期(拔節(jié)、孕穗、揚花和乳熟期)生長參數(地上部生物量、葉面積指數、全氮含量和葉綠素濃度)進行了估算。比較3種方法的建模及估測效果,發(fā)現對于建模集數據,SVR對上述生長參數4個生育期的估測結果 R2均值為0.89～0.98,MAPE為1.70%～7.53%,對于驗證集數據,R2均值為0.90～0.94,MAPE為4.04%～7.46%,擬合優(yōu)度和估測精度均超過PLSR和FNN,是估算方法中利用全波段光譜反射率估測冬小麥生長參數的最佳方案。隨著無人機載高光譜技術成熟,SVR方法能夠用于處理航拍獲取的...

【文章頁數】：9 頁

【部分圖文】：

圖1氮肥梯度試驗布置

試驗于2018-2019年冬小麥生長季進行，供試品種為百農矮抗58。根據當地農戶的常規(guī)施氮量190kg/hm2，設置N0、N1、N2、N3、N45個氮肥梯度，單季小麥施氮量分別為0、150、190、230和270kg/hm2，應用尿素作為單一氮源，60%作為基肥，40%作為追肥....

圖2不同氮肥梯度下冬小麥生長參數

由圖3可知，N0處理冠層光譜反射率在綠峰處反射率較其他處理高，全生育期差值0.04%～0.15%；在紅谷處反射率較其他處理高0.02%～0.20%�？傮w趨勢上，隨著氮肥施用量的增加，紅邊～近紅處的反射率上升。拔節(jié)期N1、N2、N3和N4處理該處反射率與N0差值分別為0.03%、0....

圖3不同氮肥梯度下冬小麥冠層光譜反射率

圖2不同氮肥梯度下冬小麥生長參數2.2PLSR、SVR和FNN的建模效果比較

圖4PLSR、SVR和FNN模型對建模集樣本的估算結果

PLSR全生育期對建模集的反演精度均低于兩種機器學習方法，MAPE在6.65%～8.40%之間。SVR對地上部生物量、LAI、全氮含量和葉綠素濃度建模的全生育期R2均值分別為0.93、0.95、0.97和0.93，較PLSR分別提高了3.33%、1.60%、5.18%和2.76%....

本文編號：3927998