检索结果-南通市图书馆

麦类作物学报 2024年第4期44卷 532-542页

作者：王琪常庆瑞李铠陈晓凯缪慧玲史博太曾学亮李振发西北农林科技大学资源环境学院陕西杨凌712100 江西农业大学国土资源与环境学院江西南昌330045

为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利... 详细信息

为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(PCA)对叶绿素敏感的可见光波段(390~780 nm)一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证。结果表明,小麦冠层叶绿素含量与一阶导数光谱在751 nm处的相关性最高(r=0.71),特征参数中红边蓝边归一化(SDr-SDb)/(SDr+SDb)与叶绿素含量的相关性最高(r=0.66),植被指数(VI)中修正归一化差异指数(mND705)相关性最高(r=0.74)。在输入变量相同的情况下,基于随机森林(RF)回归的预测模型均优于偏最小二乘回归(PLSR)模型,其中PCA-VI-RF模型的各精度指标均达到最优(r^(2)=0.94,RMSE=1.05,RPD=3.70),是冬小麦冠层叶绿素含量估算的最优模型。

关键词：冬小麦冠层叶绿素主成分分析偏最小二乘法随机森林回归

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算

引用

麦类作物学报 2023年

作者：王琪常庆瑞李铠陈晓凯缪慧玲史博太曾学亮李振发江西农业大学国土资源与环境学院西北农林科技大学资源环境学院

为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(PCA)对叶绿素敏感的可见光波段(390～780nm)一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证。结果表明,小麦冠层叶绿素含量与一阶导数光谱在751nm处的相关性最高(r=0.71),特征参数中红边蓝边归一化(SDr-SDb)/(SDr+SDb)与叶绿素含量的相关性最高(r=0.66),植被指数(VI)中修正归一化差异指数(m ND705)相关性最高(r=0.74)。在输入变量相同的情况下,基于随机森林(RF)回归的预测模型均优于偏最小二乘回归(PLSR)模型,其中PCA-VI-RF模型的各精度指标均达到最优(r2=0.94,RMSE=1.05,RPD=3.70),是冬小麦冠层叶绿素含量估算的最优模型。

关键词：冬小麦冠层叶绿素主成分分析偏最小二乘法随机森林回归

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于Sentinel-2数据的枣树冠层叶绿素含量反演研究

基于Sentinel-2数据的枣树冠层叶绿素含量反演研究

引用

作者：孙亚荣塔里木大学

学位级别：硕士

本研究以新疆生产建设兵团第十四师224团部分区域为研究区域,以萌芽新梢期、开花期、成熟期的Sentinel-2影像为主要的数据源,结合研究区样地的地理坐标和实地的采样结果,对Sentinel-2卫星影像进行大气校正、辐射定标等一系列操作,对研... 详细信息

本研究以新疆生产建设兵团第十四师224团部分区域为研究区域,以萌芽新梢期、开花期、成熟期的Sentinel-2影像为主要的数据源,结合研究区样地的地理坐标和实地的采样结果,对Sentinel-2卫星影像进行大气校正、辐射定标等一系列操作,对研究区域内的土地利用情况用SVM支持向量机分类法进行了监督分类,提取出研究区域内骏枣枣树的种植区域。在此基础上提取的十一种单波段因子、一种组合波段因子以及七种植被指数因子等十九种遥感特征因子作为自变量,以研究区不同生育期地面实测枣树冠层叶绿素含量数据为因变量,建立了多元逐步回归、BP神经网络、决策树、随机森林、XGBoost等5种数据回归模型,探究模型精度,对枣树不同生育期冠层尺度下叶绿素含量的反演进行了深入研究。具体的研究工作及结论如下:(1)为了进行枣树冠层叶绿素含量的反演,需要先对研究区的土地利用类型进行分类,并提取出枣树种植区域的遥感因子。为此,可以利用Sentinel-2遥感数据进行预处理以得到高质量的影像数据。然后,利用支持向量机(SVM)算法对研究区的土地利用进行分类,最终将其划分为建筑用地、枣树区、水体和裸地四类。最后,可以根据分类结果提取出枣树种植区域的遥感因子以用于枣树冠层叶绿素含量的反演。(2)在提取出的19个遥感因子中,对于不同生育期的遥感因子相关性分布来说,除了萌芽新梢期的SWIR 1波段因子外,其他因子均与各时期的枣树冠层叶绿素含量达到显著或极显著相关性,其中,Blue、Green、Red、Aerosols、Red Edge 1、Red Edge 3、SWIR 1、SWIR 2呈负相关,Nir、Red Edge 2、Red Edge 3、Water vapor呈正相关,所选植被指数因子NDVI、EVI、DVI、GVI、RVI、SAVI、OSAVI大都与枣树冠层叶绿素含量呈极显著正相关。(3)从萌芽新梢期一直到成熟期研究区的枣树冠层叶绿素含量都呈现出上升趋势。通过对多元逐步回归、BP神经网络、决策树、随机森林和XGBoost等五种数据回归预测模型在不同生育期内反演枣树冠层叶绿素含量的实验利用R、MAE、MSE和RMSE四种评价指标的对比,发现XGBoost模型在不同生育期内表现最佳,具有较高的预测准确度和稳定性。在萌芽新梢期,XGBoost模型的R为0.974、RMSE为0.822、MSE为0.677、MAE为0.678,相比于其他模型,表现最优。在开花期,XGBoost模型的R为0.752、RMSE为3.858、MSE为14.883、MAE为3.307,在所有模型中也表现最优。在成熟期,XGBoost模型的R为0.981、RMSE为1.161、MSE为1.347、MAE为0.854,同样表现最佳。XGBoost模型可以快速、准确反演不同生育期枣树冠层叶绿素含量,生成各生育期叶绿素含量空间分布图,结果与研究区内骏枣实际生长过程中呈现的冠层叶绿素含量基本相符,该研究的展开对新疆昆玉市224团骏枣的生长发育观测及枣树林地精细化管理提供理论支撑和技术指导。

关键词： Sentinel-2数据遥感因子枣树冠层叶绿素反演

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：