在冬季小麦中使用分数顺序导数与机器学习相结合,对叶绿素密度的超谱估计
Chenbo Yang1,2, Meichen Feng1, Juan Bai1
1College of Agriculture, Shanxi Agricultural University, Taigu, Shanxi, China.
Frontiers in plant science
|January 29, 2025
概括
分数顺序衍生物 (FOD) 预处理增强了冬季小麦叶绿素密度 (ChD) 的超谱监测. 利曼-利乌维尔 (RL) 方法与竞争性自适应重量化采样 (CARS) 和树外回归 (ETsR) 实现了非破坏性CHD估计的最高精度.
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:
- 叶绿素密度 (ChD) 是冬季小麦光合作用能力和生长状态的关键指标.
- 对于有效的作物管理,非破坏性,实时监测ChD至关重要.
- 超光谱遥感为大规模作物监测提供了一个有前途的方法.
研究的目的:
- 调查分数顺序导数 (FOD) 预处理在冬季小麦CHD的高光谱监测模型中的作用.
- 为了比较不同FOD方法 (格林沃尔德-莱特尼科夫,里曼-利乌维尔,卡普托) 在ChD估计中的性能.
- 为了评估各种机器学习算法的有效性,与FOD和ChD建模的带选择相结合.
主要方法:
- 从灌实验中获得的冬季小麦ChD和树冠超光谱反射率数据.
- 应用了三个FOD方法 (格伦瓦尔德-莱特尼科夫,里曼-利乌维尔,卡普托) 来预处理光谱反射率数据.
- 使用八个机器学习算法 (例如,ETSR,SVR) 构建了超频谱监控模型,具有全频谱和CARS选择的频段.
主要成果:
- 里曼-利乌维尔 (RL) -FOD最适合构建CHD监测模型,而卡普托-FOD显示不敏感.
- FOD预处理改善了光谱反射率和Log{ChD}之间的相关性,更短的波长和更小的订单产生了更高的相关性.
- 最佳模型结合了0.3级RL-FOD,CARS频段选择和树外回归 (ETsR),实现了1.0000 (校准) 和0.8667 (验证) 的R2.
结论:
- 分数顺序衍生物预处理,特别是RL方法,显著提高冬季小麦的超谱监测.
- RL-FOD,CARS频段选择和ETSR的组合为非破坏性CHD估计提供了一个高度准确和稳定的方法.
- 这种方法为快速和非破坏性评估冬季小麦生长状况提供了有价值的见解.
