在特征选择和GA-BP的基础上对葡萄藤中叶绿素含量的高光谱估计
YaFeng Li1,2, XinGang Xu1,2, WenBiao Wu3
1Key Laboratory of Quantitative Remote Sensing in Ministry of Agriculture and Rural Affairs, Information Technology Research Center, Beijing Academy of Agricultural and Forestry Sciences, Beijing, 100097, China.
Scientific reports
|March 7, 2025
概括
准确地预测葡萄叶叶叶绿素含量 (LCC) 对葡萄藤生长评估至关重要. 使用SNV预处理和GA-BP建模的新型高光谱分析框架为高效的LCC监控提供了一个有希望的解决方案.
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:
- 叶子中的叶绿素含量 (LCC) 是葡萄藤生长和健康的关键指标.
- 超光谱成像为LCC评估提供了一种非破坏性的方法,但面临着诸如光谱变异性和特征选择等挑战.
- 准确的LCC定量预测对于精密葡萄种植至关重要.
研究的目的:
- 开发和验证一个强大的超光谱分析框架,用于预测葡萄LCC.
- 调查不同光谱预处理和特征提取技术的有效性.
- 为了比较各种回归算法的性能,用于LCC估计.
主要方法:
- 从葡萄叶收集的高光谱数据.
- 应用的光谱预处理技术:通过变量标准化 (SNV) 和多重分散校正 (MSC).
- 通过使用皮尔森算法,极端梯度增强 (XGBoost),递归特征消除 (RFE) 和主要组件分析 (PCA) 识别了敏感的光谱范围并提取了关键特征.
- 评估的预测模型包括随机森林回归 (RFR),支持矢量机器回归 (SVR) 和基于遗传算法的神经网络 (GA-BP).
主要成果:
- SNV和MSC预处理显著改善了光谱反射率和LCC之间的相关性.
- 特征提取方法显著影响了模型预测的准确性.
- 拟议的SNV-RFE-GA-BP框架实现了高预测精度 (R2=0.835) 和低误差 (NRMSE=0.091).
结论:
- 通过SNV处理的高光谱数据与GA-BP模型相结合,表明在葡萄树中有效监测LCC的巨大潜力.
- 这项研究提供了一个新的理论框架,用于开发对主要葡萄藤生长指标的高光谱分析模型.
- 这些发现支持应用超光谱技术用于精密葡萄种植和作物管理.
更多相关视频
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.5K
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.1K
