Spiking-Hybrid方法与机器学习结合的冬小麦LAI反演

文献类型： 中文期刊

第一作者： 李平平

作者： 李平平;王夏军;王来刚;杨贵军;马园园;孙贺光;郑淳恺;宋晓宇

作者机构：

关键词： 小麦;高光谱;Spiking-Hybrid方法;PROSAIL;少样本

期刊名称： 中国农业信息

ISSN： 1672-0423

年卷期： 2024 年 36 卷 003 期

页码： 29-44

摘要： [目的]准确地反演叶面积指数(Leaf Area Index,LAI)对小麦生长诊断和管理调控具有重要意义.目前机器学习方法被广泛应用于作物参数反演,但农业领域原始数据获取成本高,机器学习模型在LAI反演中面临训练数据不足、过拟合等问题.[方法]文章基于遥感辐射传输PROSAIL模型模拟数据结合实测数据,采用Spiking-Hybrid方法构建混合样本集,再利用随机森林(Random Forest,RF)和偏最小二乘回归(Partial Least Squares Regres-sion,PLSR)机器学习算法来反演叶面积指数.将Spiking-Hybrid方法与数值优化的PRO-SAIL反演方法、传统混合方法和经验机器学习方法等3种常用的植被性状估计方法进行对比分析.[结果]Spiking-Hybrid方法在不同小麦生育期的LAI反演中展现出优于其他方法的效果,即使选择不同条数、不同生长地域的实测抽样样本,Spiking-Hybrid方法一直表现出更好的准确度和稳健性.当抽取实测样本为40~60条时模型精度最高,在挑旗期使用60份样本时达到了最佳测试精度(R2=0.85,RMSE=0.78).[结论]当实测样本十分有限时,Spik-ing-Hybrid 方法比基于模拟数据的机器学习算法具有更好的反演精度,并且Spiking-Hybrid方法在极少的实测样本量时也能发挥很好的作用.

分类号：

  • 相关文献

[1]基于Prosail模型和Landsat 8数据的小麦冠层含水量反演比较. 侯学会,王猛,刘思含,高帅,隋学艳,梁守真,万华伟. 2018

[2]用神经网络和高光谱植被指数估算小麦生物量. 王大成,王纪华,靳宁,王芊,李存军,黄敬峰,王渊,黄芳. 2008

[3]渍害胁迫下小麦SPAD的高光谱监测方法研究. 李燕丽,熊勤学,卢碧林,李继福,李磊,田广丽. 2020

[4]基于高光谱遥感监测小麦籽粒蛋白质含量的研究进展. 刘大众,刘升平,周国民,李世娟,杜鸣竹,吕纯阳,杨菲菲,肖顺夫. 2020

[5]基于冠层光谱角算法的小麦氮素营养监测. 肖春华,吕银亮,刁万英,李少昆,王克如,陈兵,王琼. 2015

[6]花后浅地下水埋深对小麦高光谱特征的影响及叶绿素估算模型. 吴启侠,晏军,朱建强,李东伟,周新国,郭树龙. 2018

[7]基于成像高光谱的小麦叶片叶绿素含量估测模型研究. 牛鲁燕,孙家波,刘延忠,张晓艳. 2016

[8]土壤背景对冠层NDVI的影响分析. 唐怡,刘良云,黄文江,王纪华. 2006

[9]基于PROBA/CHRIS遥感数据和PROSAIL模型的春小麦LAI反演. 杨贵军,赵春江,邢著荣,黄文江,王纪华. 2011

[10]基于高光谱的水稻土有机质含量估算研究. 卢岩,郭斗斗,孙成明,刘涛,陈瑛瑛,武威. 2014

[11]高光谱遥感技术的发展及其在农业上的应用. 王为. 2009

[12]不同利用方式下土壤有机质和全磷的可见近红外高光谱反演. 薛利红,周鼎浩,李颖,杨林章. 2014

[13]冬小麦冻害胁迫高光谱分析与冻害严重度反演. 王慧芳,王纪华,董莹莹,顾晓鹤,霍治国. 2014

[14]黑土土壤水分高光谱特征及反演模型. 姚艳敏,魏娜,唐鹏钦,李志斌,余强毅,许新国,陈佑启,何英彬. 2011

[15]不同条件下夏玉米冠层反射光谱响应特性的研究. 谭昌伟,郭文善,朱新开,李春燕,王纪华. 2008

[16]指示冬小麦条锈病严重度的两个新的红边参数. 王圆圆,陈云浩,李京,黄文江. 2007

[17]不同氮素营养条件下的冬小麦生理及光谱特性. 景娟娟,王纪华,王锦地,刘良云,黄文江,赵春江. 2003

[18]不同尺度冬小麦氮素遥感监测方法及其应用研究. 鲍艳松,王纪华,刘良云,李小文,李翔,黄文江,唐怡. 2007

[19]利用高光谱红边与黄边位置距离识别小麦条锈病. 蒋金豹,陈云浩,黄文江. 2010

[20]不同氮素水平下超高产夏玉米冠层的高光谱特征. 陈国庆,齐文增,李振,王纪华,董树亭,张吉旺,刘鹏. 2010

作者其他论文 更多>>

微信小程序