在一个有不同播种日期的地区,使用卫星衍生的纹理指数,对冬季小麦叶子在不同生长阶段的相对叶绿素含量进行高级估计

科学领域:

• 农业遥感 农业遥感
• 植物生理学 植物生理学
• 机器学习应用 机器学习应用

背景情况:

• 准确估计相对叶绿素含量 (SPAD值) 对于作物健康评估至关重要,特别是不同的播种日期.
• 以前的研究通常依赖于高分辨率的无人机图像或有限的生长阶段.
• 来自卫星的纹理指数 (TI) 为更广泛的应用提供了潜在的替代方案.

研究的目的:

• 开发和验证一个模型来估计跨多个生长阶段的SPAD值,使用卫星衍生的纹理指数 (TI) 和植被指数 (VI).
• 评估模型在不同播种日期,小麦品种和土壤类型的地区的性能和可转移性.
• 与传统的VI相比,评估TI对估计准确性的贡献.

主要方法:

• 使用 Sentinel-2 图像来提取植被指数 (VI) 和纹理指数 (TI).
• 采用了两步变量选择方法 (RF-LassoCV),其次是五个机器学习算法.
• 开发并验证了包含VI和TI (SVR-RBF_VIs+TI) 的辐射基函数 (SVR-RBF) 支持向量回归模型.

主要成果:

• 在不同的播种日期中,SVR-RBF_VIs+TI模型展示了强大的估计性能 (R2 = 0.8131,RMSE = 3.2333).
• 该模型显示了可转移到具有不同农业条件的新地点的显著可转移性.
• 与单独使用VI相比,纳入TI显著提高了SPAD估计的准确性.

结论:

• 当与VI结合时,来自卫星的TI可以提高在多种作物生长阶段对叶绿素含量估计的准确性.
• 开发的SVR-RBF_VIs+TIs模型为作物健康监测提供了可靠和可转移的工具,即使使用更低分辨率的卫星数据.
• 这种方法对于种植日期和条件异质的地区的农业管理尤其有价值.