提出了一种估测小麦冠层氮含量的新高光谱指数———微分归一化氮指数(FD-NDNI)。以FieldSpec Pro FR地物光谱仪采集拔节后至孕穗前小麦的冠层光谱190份,随机抽取142份作为训练集,其余48份作为预测集。将光谱以小波阈值去噪法去噪后,利...提出了一种估测小麦冠层氮含量的新高光谱指数———微分归一化氮指数(FD-NDNI)。以FieldSpec Pro FR地物光谱仪采集拔节后至孕穗前小麦的冠层光谱190份,随机抽取142份作为训练集,其余48份作为预测集。将光谱以小波阈值去噪法去噪后,利用其525、570与730 nm处的一阶导数值,采用差值、比值以及归一化的方法构建了12种光谱指数以实现小麦冠层氮含量的估测,并与mNDVI705、mSR以及NDVI705等22种常用指数进行了比较分析。发现指数FD-NDNI对小麦冠层氮含量的估测结果最佳,其估测模型(指数形式)校正集决定系数(C-R2)与预测集决定系数(P-R2)分别达0.818与0.811,优于mNDVI705等常用指数。进一步分析表明,在各指数中,FD-NDNI对叶面积系数最不敏感,可最有效地避免冠层郁闭度等因素对氮含量估测的影响。为优化结果,采用最小二乘支持向量回归算法(LS-SVR)对模型进行了改进,当模型惩罚系数C与RBF核函数参数g取得最优解6.4与1.6时,其C-R2与P-R2分别提高至0.846与0.838,具有比指数模型更高的精度。结果表明:FD-NDNI是小麦冠层氮含量估测的优选指数,LS-SVR为建模的优选算法。展开更多
以高光谱遥感技术实现了小麦叶面积指数(leaf area index,LAI)的反演。对18种高光谱指数进行了比较分析,筛选出了可敏感反映小麦LAI的高光谱指数OSAVI,并以地面光谱数据为样本建立了小麦LAI的反演模型。分析表明,指数OSAVI所建立的反演...以高光谱遥感技术实现了小麦叶面积指数(leaf area index,LAI)的反演。对18种高光谱指数进行了比较分析,筛选出了可敏感反映小麦LAI的高光谱指数OSAVI,并以地面光谱数据为样本建立了小麦LAI的反演模型。分析表明,指数OSAVI所建立的反演模型校正集与预测集R2分别达0.823与0.818,在各指数中反演精度最高。利用反演模型逐象元对OMIS影像进行解算,实现小麦LAI的空间量化表达,并将反演结果与地面实测值进行回归拟合,发现两组数据的拟合模型R2达0.756,RMSE为0.500,具有较高的相似度。结果表明:以高光谱指数进行小麦LAI的反演是可行的,且OSAVI为优选指数。展开更多
文摘提出了一种估测小麦冠层氮含量的新高光谱指数———微分归一化氮指数(FD-NDNI)。以FieldSpec Pro FR地物光谱仪采集拔节后至孕穗前小麦的冠层光谱190份,随机抽取142份作为训练集,其余48份作为预测集。将光谱以小波阈值去噪法去噪后,利用其525、570与730 nm处的一阶导数值,采用差值、比值以及归一化的方法构建了12种光谱指数以实现小麦冠层氮含量的估测,并与mNDVI705、mSR以及NDVI705等22种常用指数进行了比较分析。发现指数FD-NDNI对小麦冠层氮含量的估测结果最佳,其估测模型(指数形式)校正集决定系数(C-R2)与预测集决定系数(P-R2)分别达0.818与0.811,优于mNDVI705等常用指数。进一步分析表明,在各指数中,FD-NDNI对叶面积系数最不敏感,可最有效地避免冠层郁闭度等因素对氮含量估测的影响。为优化结果,采用最小二乘支持向量回归算法(LS-SVR)对模型进行了改进,当模型惩罚系数C与RBF核函数参数g取得最优解6.4与1.6时,其C-R2与P-R2分别提高至0.846与0.838,具有比指数模型更高的精度。结果表明:FD-NDNI是小麦冠层氮含量估测的优选指数,LS-SVR为建模的优选算法。
文摘以高光谱遥感技术实现了小麦叶面积指数(leaf area index,LAI)的反演。对18种高光谱指数进行了比较分析,筛选出了可敏感反映小麦LAI的高光谱指数OSAVI,并以地面光谱数据为样本建立了小麦LAI的反演模型。分析表明,指数OSAVI所建立的反演模型校正集与预测集R2分别达0.823与0.818,在各指数中反演精度最高。利用反演模型逐象元对OMIS影像进行解算,实现小麦LAI的空间量化表达,并将反演结果与地面实测值进行回归拟合,发现两组数据的拟合模型R2达0.756,RMSE为0.500,具有较高的相似度。结果表明:以高光谱指数进行小麦LAI的反演是可行的,且OSAVI为优选指数。
