SPAD(Soil and plant analyzer development)值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指...SPAD(Soil and plant analyzer development)值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数(IKAW和RBRI)、多光谱植被指数(GNDVI、CI、GMSR和GOSAVI)具有较好的相关性,与可见光植被指数(CIVE)和多光谱植被指数(GNDVI)的相结合指数具有较好的相关性,其估算模型的R^(2)为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R^(2)为0.91,模型验证R^(2)、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R^(2)为0.90,模型验证R^(2)、RMSE和nRMSE分别为0.88、2.51和6.12%。展开更多
冬小麦拔节期叶绿素状况估算对于冬小麦营养诊断非常重要。本文利用无人机遥感平台获取冬小麦拔节期长势遥感信息,提取多光谱植被指数、RGB影像纹理特征及覆盖度信息,基于多元线性回归(Multivariate linear regression,MLR)、随机森林回...冬小麦拔节期叶绿素状况估算对于冬小麦营养诊断非常重要。本文利用无人机遥感平台获取冬小麦拔节期长势遥感信息,提取多光谱植被指数、RGB影像纹理特征及覆盖度信息,基于多元线性回归(Multivariate linear regression,MLR)、随机森林回归(Random forest regression,RFR)构建了冬小麦SPAD值估算模型。分析多光谱植被指数、纹理特征和覆盖度信息,以及相互结合对于冬小麦SPAD值估算的影响。结果表明:多光谱植被指数、纹理特征、覆盖度的结合(2种类型或3种类型参数结合)可以用于冬小麦拔节期SPAD值的估算,而且相较于单类型参数或两类型参数结合,更多类型参数结合提高了冬小麦拔节期SPAD值的估算精度。而基于相同参数利用随机森林构建的冬小麦拔节期SPAD值估算模型精度均高于多元线性回归构建的模型精度。其中,基于3种类型参数构建的冬小麦SPAD值估算模型精度最高,R^(2)为0.78,RMSE为2.08。各类型参数对冬小麦拔节期SPAD值估算精度的影响由大到小依次为多光谱植被指数、纹理特征、覆盖度。其中,多光谱植被指数构建的模型精度与纹理特征构建的模型精度相近(R^(2)和RMSE分别为0.71、2.36及0.70、2.45)。覆盖度虽然对于SPAD值的估算精度提升最小,但结合其他特征可提高冬小麦SPAD值估算精度(对于RFR模型,R^(2)提高0.02~0.03)。多光谱植被指数、纹理特征、覆盖度的结合提高了模型估算精度,为冬小麦拔节期SPAD值快速估算提供了技术参考。展开更多
文摘SPAD(Soil and plant analyzer development)值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数(IKAW和RBRI)、多光谱植被指数(GNDVI、CI、GMSR和GOSAVI)具有较好的相关性,与可见光植被指数(CIVE)和多光谱植被指数(GNDVI)的相结合指数具有较好的相关性,其估算模型的R^(2)为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R^(2)为0.91,模型验证R^(2)、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R^(2)为0.90,模型验证R^(2)、RMSE和nRMSE分别为0.88、2.51和6.12%。
文摘冬小麦拔节期叶绿素状况估算对于冬小麦营养诊断非常重要。本文利用无人机遥感平台获取冬小麦拔节期长势遥感信息,提取多光谱植被指数、RGB影像纹理特征及覆盖度信息,基于多元线性回归(Multivariate linear regression,MLR)、随机森林回归(Random forest regression,RFR)构建了冬小麦SPAD值估算模型。分析多光谱植被指数、纹理特征和覆盖度信息,以及相互结合对于冬小麦SPAD值估算的影响。结果表明:多光谱植被指数、纹理特征、覆盖度的结合(2种类型或3种类型参数结合)可以用于冬小麦拔节期SPAD值的估算,而且相较于单类型参数或两类型参数结合,更多类型参数结合提高了冬小麦拔节期SPAD值的估算精度。而基于相同参数利用随机森林构建的冬小麦拔节期SPAD值估算模型精度均高于多元线性回归构建的模型精度。其中,基于3种类型参数构建的冬小麦SPAD值估算模型精度最高,R^(2)为0.78,RMSE为2.08。各类型参数对冬小麦拔节期SPAD值估算精度的影响由大到小依次为多光谱植被指数、纹理特征、覆盖度。其中,多光谱植被指数构建的模型精度与纹理特征构建的模型精度相近(R^(2)和RMSE分别为0.71、2.36及0.70、2.45)。覆盖度虽然对于SPAD值的估算精度提升最小,但结合其他特征可提高冬小麦SPAD值估算精度(对于RFR模型,R^(2)提高0.02~0.03)。多光谱植被指数、纹理特征、覆盖度的结合提高了模型估算精度,为冬小麦拔节期SPAD值快速估算提供了技术参考。
