典型文献
基于机器学习的春小麦叶片水分含量高光谱估算
文献摘要：
为了比较不同机器学习算法在干旱半干旱区春小麦叶片水分含量(leaf water content,LWC)遥感监测中的应用效果及筛选最佳波段组合,在田间尺度上,以春小麦冠层高光谱数据为基础,采用两波段组合形式,计算15种光谱参数(比值植被指数RVI、归一化植被指数NDVI、差值植被指数DVI和12种水分植被指数),通过对抽穗期叶片含水量与光谱参数拟合效果进行对比与分析,分别构建了基于机器学习[人工神经网络(artificial neural network,ANN)、K 近邻(K-nearest neighbors,KNN)和支持向量回归(support vector re-gression,SVR)]和光谱参数的春小麦LWC反演模型,并对模型精度进行验证,以确定有效波段组合.结果表明,小麦抽穗期LWC与冠层高光谱反射率(R784～950)、12种水分植被指数均显著相关(P＜0.01);波段组合形式有效地优化了两波段指数的波段组合,在800～1 000 nm区间光谱参数(RVI1046,1057、NDVI1272,1279、DV11272,1279)的波段组合计算明显提升了其对LWC的敏感性;在不同的机器学习算法中,基于两波段组合光谱参数的KNN算法所见模型对LWC的预测效果(r2=0.64,RMSE=2.35,RPD=2.01)优于ANN、SVR两种算法.这说明两波段光谱指数和KNN算法在春小麦叶片水分含量的高光谱遥感估算中具有一定的优势.
文献关键词：
春小麦;机器学习;水分含量;植被指数;高光谱
中图分类号：
作者姓名：
热依拉·艾合买提;吾木提·艾山江;阿不都艾尼·阿不里;尼加提·卡斯木
作者机构：
伊犁师范大学生物与地理科学学院,新疆伊宁835000;浙江大学农业遥感与信息技术应用研究所,杭州310058;浙江省农业遥感与信息技术重点研究实验室,浙江杭州310058;新疆大学资源与环境科学学院,新疆乌鲁木齐830046
文献出处：
引用格式：
[1]热依拉·艾合买提;吾木提·艾山江;阿不都艾尼·阿不里;尼加提·卡斯木-.基于机器学习的春小麦叶片水分含量高光谱估算)[J].麦类作物学报,2022(05):640-648
A类：
R784,RVI1046,NDVI1272,DV11272
B类：
基于机器学习,小麦叶片,水分含量,机器学习算法,干旱半干旱区,旱区春小麦,leaf,water,content,LWC,遥感监测,最佳波段组合,田间,小麦冠层,层高,高光谱数据,组合形式,光谱参数,归一化植被指数,抽穗期,叶片含水量,参数拟合,拟合效果,对比与分析,人工神经网络,artificial,neural,network,ANN,近邻,nearest,neighbors,KNN,支持向量回归,support,vector,gression,SVR,反演模型,模型精度,光谱反射率,形式有效,所见,r2,RMSE,RPD,光谱指数,高光谱遥感,遥感估算
AB值：
0.281186
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
