通过使用窄带光谱纹理特征和机器学习,从高光谱图像中估计冬季大麻地表生物质

科学领域:

• 农业遥感 农业遥感
• 植物科学 植物科学
• 地理空间分析是什么

背景情况:

• 地表生物质 (AGB) 对于作物监测和产量预测至关重要.
• 无人机超光谱遥感为农田提供非破坏性数据收集.
• 整合光谱和纹理信息用于增强生物质估计的潜力需要进一步研究.

研究的目的:

• 为了评估冬季甘的可预测性,AGB使用来自无人机高光谱图像的集成窄带光谱和纹理特征.
• 确定生物质估计的最佳特征方案 (光谱,纹理,光谱纹理).
• 通过结合光谱和纹理特征来评估AGB估计精度的改进.

主要方法:

• 从高光谱图像中提取窄带光谱和植被指数.
• 使用灰度并发行矩阵 (GLCM) 方法计算纹理指数.
• 机器学习算法的应用 (例如,Adaboost) 用于生物质估计模型.
• 对特征选择的相关性和自相关性分析.

主要成果:

• 特定的窄带 (450-510 nm,680-738 nm,910-940 nm) 和红边植被指数显示出良好的光谱性能 (R2:0.49-0.65).
• 来自窄带和植被指数的纹理参数 (CON,DIS,ENT,ASM,COR) 显示出显著的相关性 (R2:0.65-0.72).
• 整合光谱纹理特征的Adaboost模型获得了最高的精度 (R2 = 0.91,RMSE = 1710.79公斤/公,NRMSE = 19.88%).

结论:

• 窄带光谱和纹理特征的组合显著提高了冬季菜AGB估计的准确性.
• 与单独的光谱特征相比,整合光谱纹理特征改善了R2的11.2%,减少了RMSE的29%,并减少了NRMSE的17%.
• 这项研究为无人机超光谱遥感应用在作物生长监测和产量预测方面提供了宝贵的见解.