文摘利用高光谱数据进行作物生长状况监测具有无损和高效的特点,是现代精准农业发展的必要手段。该研究以连续3 a(2018—2020年)不同水氮供应下夏玉米营养生长期采集的212份植物样品(地上部生物量和叶面积指数)和高光谱实测数据为数据源,分别采用偏最小二乘回归(Partial Least Squares Regression,PLS)、极限学习机(Extreme Learning Machine,ELM)、随机森林(Random Forest,RF)和基于PLS叠加策略的叠加极限学习机算法(Stacked Ensemble Extreme Learning Machine based on the PLS,SE_(PLS)_ELM)构建了夏玉米营养生长期地上部生物量和叶面积指数估算模型。结果表明:基于PLS和ELM构建的夏玉米地上部生物量和叶面积指数估算模型的精度均较低,前者验证集R^(2)低于0.85、均方根误差高于550 kg/hm^(2),后者R^(2)低于0.90、均方根误差高于0.40 cm^(2)/cm^(2)。相比之下,基于RF和SE_(PLS)_ELM构建的夏玉米营养生长期地上部生物量和叶面积指数估算模型均有着较高的估算精度,SE_(PLS)_ELM模型表现尤为突出,其地上部生物量和叶面积指数估算模型验证集的R^(2)分别为0.955和0.969,均方根误差分别为307.3 kg/hm^(2)和0.24 cm^(2)/cm^(2),表明叠加集成模型能够充分利用高光谱数据并提高作物地上部生物量和叶面积指数估算精度。
