基于高光谱和BP神经网络的双子叶植物叶片叶绿素遥感估算

• 作者: 于丰华 周云成 杜文 袁炜楠 许童羽
• 来源期刊: 沈阳农业大学学报
• 学科: 农学
• 关键词: BP神经网络 一阶微分光谱 高光谱特征参数 叶绿素 双子叶植物
• 年，卷（期）: 2018,（6）
• 所属期刊栏目: 研究简报
• 页码范围: 749-755
• 页数: 7页
• 分类号: S25
• 字数: 5598字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1700.2018.06.015

摘要

针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX'93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较.结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R2和最优验证样本RV2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R2和最优验证样本RV2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模RV2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高.研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法.