基于波长变量选择和机器学习方法的无人机图像高光谱数据叶面积指数估计模型

来源: 时间:2021-05-13 10:35:29 浏览次数:

将Xgboost建模方法与CARS_SPA算法相结合,可以减少输入变量,提高模型操作效率。研究结果为无人机无损快速估算冬小麦叶面积指数提供了参考和技术支持。

利用无人机(UAV)高光谱图像准确估算冬小麦叶面积指数(LAI),对于作物生长监测,施肥管理和精密农业的发展至关重要。


图片

研究区域位置


在不同氮肥处理下,不同冬小麦品种的主要生育期(拔节期、孕穗期和灌浆期),同时获得无人机高光谱图像数据、分析光谱设备(ASD)数据和叶面积指数(LAI)。采用一阶导数(FD)、逐次投影算法(SPA)、竞争性自适应加权采样(CARS)和竞争性自适应加权采样结合逐次投影算法(CARS-SPA)等算法从无人机高光谱数据中提取LAI相关特征波段。此外,采用偏最小二乘回归(PLSR)、支持向量机回归(SVR)和极端梯度增强(Xgboost)三种建模机器学习方法建立叶面积指数(LAI)估计模型。


图片

AK58、ZM27、XN509和YM49-198代表不同的冬小麦品种

AK58: Aikang 58; ZM27: Zhoumai 27; XN509: Xinong509; YM49-198: Yumai49-198

N0、N8、N15和N22分别代表0、120、225和330 kg hm−2的氮处理量


结果表明,无人机与ASD高光谱数据的相关系数大于0.99,表明无人机数据可以用于小麦生长信息的估计。在本研究建立的15个模型中,通过不同算法选择的叶面积指数波段略有不同。采用CARS_SPA算法选取9个连续特征频带作为输入的Xgboost模型性能最佳。该模型对校准集和验证集的测定系数(0.89)结果一致,表明该模型具有很高的准确性。


将Xgboost建模方法与CARS_SPA算法相结合,可以减少输入变量,提高模型操作效率。研究结果为无人机无损快速估算冬小麦叶面积指数提供了参考和技术支持。


来源:Plant Methods.Leaf area index estimation model for UAV image hyperspectral data based on wavelength variable selection and machine learning methods.Juanjuan Zhang,Tao Cheng,Wei Guo,Xin Xu,Hongbo Qiao,Yimin Xie&Xinming Ma

原文链接:https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00750-5