基于高光谱植被指数的春小麦LAI和SPAD值及产量反演模型研究
Jiangsu Agricultural Sciences(2023)
Abstract
快速、准确地获取春小麦生长特征及产量对科学施肥有重要意义.为探索高光谱估测不同施肥处理春小麦叶面积指数(LAI)、叶绿素相对含量(SPAD值)和产量的方法,本研究采用盆栽试验,以不施肥(CK)和常规施肥(CF,常规施氮量120 kg/hm2)处理为对照,设置常规施肥减氮处理(N1,常规施氮量减少15%;N2,常规施氮量减少30%)与生物有机肥处理(2种类型:A和B,2个施量:1 125、2 250 kg/hm2)配施试验,分析春小麦LAI、SPAD值和产量及其冠层高光谱特征.主要结论:(1)B处理春小麦LAI、SPAD值的平均值和产量均高于A处理,N2B1处理的春小麦LAI、SPAD值及产量均最高.(2)在可见光波段下,施生物有机肥处理的"绿峰"和"红谷"特征差异比CK显著增强.随施氮量、生物有机肥施量的升高,近红外波段下春小麦冠层高光谱反射率也随之升高;建议用500~550 nm和670~800 nm波段的春小麦冠层一阶微分高光谱特征识别春小麦的LAI和SPAD值.(3)优选与春小麦LAI、SPAD值指标较为敏感的不同植被指数构建4种[决策树回归(decision tree regression)、随机森林回归(random forest regression)、梯度提升回归(gradient boosting regression)以及线性支持向量机回归(Linear SVR)]机器学习模型,结果表明,采用线性支持向量机回归模型反演春小麦叶面积指数的效果最好(r2=0.723 3,RMSE=0.256 9),采用梯度提升回归模型反演春小麦SPAD值的效果最好(r2=0.759 4,RMSE=2.332 9),采用决策树回归模型反演春小麦产量的效果最好(r2=0.809 8,RMSE=597.842 4 kg/hm2).
MoreAI Read Science
Must-Reading Tree
Example
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined