基于水稻冠层高光谱的叶片SPAD值估算模型研究

• 作者: 孙小香 王芳东 谢文 赵小敏 郭熙
• 来源期刊: 江西农业大学学报
• 学科: 农学
• 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
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 作物科学
• 页码范围: 444-453
• 页数: 10页
• 分类号: S511
• 字数: 6025字
• 语种: 中文
• DOI: 10.13836/j.jjau.2018059

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谢文		21	125	7.0	10.0