基于高光谱分析的春小麦启动阶段SPAD估计模型的研究
Hongwei Cui1, Haolei Zhang1, Hao Ma1
1College of Agricultural Equipment Engineering, Henan University of Science and Technology, Luoyang 471000, China.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
对超光谱数据的分数顺序差异分析增强了春小麦的叶绿素估计. 优化的模型准确地预测了SPAD值,改进了精确农业技术.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 频谱学是一种光谱学.
背景情况:
- 农业信息化的进步需要精确,非破坏性的作物监测方法.
- 光谱技术为评估作物健康和营养状况提供了强大的工具.
研究的目的:
- 开发一种高效,准确的方法来估计春季小麦在启动阶段的相对叶绿素 (SPAD).
- 探索分数顺序微分变换和光谱指数用于增强SPAD检测的实用性.
主要方法:
- 从春季小麦获取高光谱反射率数据.
- 应用分数微积分计算来转换光谱数据.
- 相关性分析以确定显著的光谱特征和指数.
- 使用最小正方形支向量机 (LSSSVM) 和粘液模具算法优化的LSSSVM (SMA-LSSSVM) 开发和比较估计模型.
主要成果:
- 0.4级分数级差异光谱显示了与SPAD的最高相关性,超过原始光谱9.3%.
- 两带差异光谱指数对SPAD的敏感性比单差异光谱更高,最大相关性为0.724.
- 在SPAD评估中,SMA-LSSSVM模型使用两带分数顺序差分光谱指数,在SPAD评估中表现优于其他模型.
结论:
- 分数顺序差分谱分析显著改善了与SPAD的相关性.
- 从分数计算得出的优化光谱指数对于精确的叶绿素估计是有效的.
- SMA-LSSSVM模型为春小麦的非破坏性SPAD评估提供了一个强大的方法.
