通过in situ超光谱反射感应,光谱植被指数和机器学习来表型棉叶叶绿素

科学领域:

• 农业科学 农业科学
• 植物生理学 植物生理学
• 遥感 遥感 遥感 遥感

背景情况:

• 棉花叶的叶绿素对应激耐受性和繁殖选择至关重要.
• 使用超光谱传感的高通量场表型化对于快速的叶绿素查是必要的.

研究的目的:

• 部署一个基于车的光谱辐射仪来测量棉花叶的反射.
• 评估148种光谱植被指数 (SVI) 和14种机器学习方法 (MLM) 用于估计叶子叶绿素.

主要方法:

• 在四个生长季节收集了光谱反射率数据和叶子组织样本.
• 使用实验室分析测量了叶子中的叶绿素a,b和a+b.
• 评估的SVI和MLM,包括光谱衍生物和组合方法,用于叶绿素估计.

主要成果:

• 在单独的数据集上训练的MLM显示出较差的可转移性 (例如,r2=0.46).
• 在组合数据上训练的模型提高了性能 (例如,r2=0.88),但超出研究条件的概括是不确定的.
• 在某些方面,SVI提供了一致的错误指标 (例如,r2=0.69),并且在某些方面表现优于MLM.
• 集体MLM和神经网络在MLM中表现最好,光谱衍生品和红边SVI是关键输入.

结论:

• 由于其一致性,SVI对于高吞吐量表型化是非常实用的.
• 多媒体市场显示出数据挖掘的前景,以开发更强大的叶绿素估计指数.
• 需要进一步的研究,以提高棉花叶叶叶绿素估计的MLM的概括性.