为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例(Fraction of absorbed photosynthetically active radiation,FPAR)的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR...为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例(Fraction of absorbed photosynthetically active radiation,FPAR)的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明:植被指数、纹理指数、叶面积指数3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R^(2)、均方根误差(RMSE)分别为0.857、0.173,验证模型R^(2)、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差(RE)为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。展开更多
文摘为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例(Fraction of absorbed photosynthetically active radiation,FPAR)的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明:植被指数、纹理指数、叶面积指数3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R^(2)、均方根误差(RMSE)分别为0.857、0.173,验证模型R^(2)、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差(RE)为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。
