结合分数顺序导数和机器学习来估计春小麦的叶子水含量,使用超光谱指数

科学领域:

• 农业遥感 农业遥感
• 植物生理学 植物生理学
• 频谱学是一种光谱学.

背景情况:

• 叶子含水量 (LWC) 对于作物生长和发展至关重要.
• 可见和近红外光谱 (VIS-NIR) 可以估计LWC,但需要先进的光谱处理.
• 多带频谱指数可以改善LWC的定量分析.

研究的目的:

• 为了调查分数顺序导数 (FOD) 在LWC估计中的光谱预处理的有效性.
• 开发和验证用于春小麦LWC估计的多频段光谱指数 (MBSI).
• 将光谱指数优化与机器学习相结合,以实现精确的LWC反转.

主要方法:

• 应用分数顺序导数 (FOD) 来预处理VIS-NIR光谱数据.
• 使用带优化算法构建的多带光谱指数 (MBSI).
• 使用机器学习算法 (KNN,SVM,ANN) 来进行LWC估计.
• 用于特征光谱指数选择的相关系数方法.

主要成果:

• FOD预处理 (0.8级差异) 增强了光谱信息和敏感频段,特别是在近红外区域 (700-1100纳米).
• 基于FOD的多频段光谱指数与传统的湿度指数相比,与LWC的相关性更高.
• FWBI-3BI-0.8订单模型实现了最好的预测能力 (R2=0.86,RMSE=2.11%,RPD=2.65).

结论:

• 分数顺序导数预处理显著改善了用于LWC估计的光谱分析.
• 优化的多带光谱指数与机器学习相结合,为春小麦中精确的LWC监测提供了强大的方法.
• 这种综合方法对精准农业应用有很大的潜力.