基于高光谱与机器学习算法的芦苇叶片叶绿素含量估测  

作　　者：管铖 刘雅辉 张清文 李想 高汇锋 

机构地区：[1]华北理工大学矿业工程学院,河北唐山063210 [2]北华航天工业学院遥感信息工程学院,河北廊坊065000

出　　处：《赤峰学院学报（自然科学版）》2023年第10期51-56,共6页Journal of Chifeng University(Natural Science Edition)

基　　金：河北省高等学校科学技术研究项目青年拔尖人才项目(BJ2020058);唐山市科技计划重点研发项目(22150221J)。

摘　　要：叶绿素含量是检测芦苇生理状态的关键指标,精准估测叶片叶绿素含量(Leaf chlorophyll content,LCC)对于评估芦苇长势与量化其生理状态具有重要意义。本文以典型芦苇湿地实测高光谱反射率和叶绿素含量为数据源,利用芦苇原始光谱及数学变换光谱,基于连续投影算法(Sequential projection algorithm,SPA)筛选的特征波段和植被指数构建极限梯度提升(Extreme gradient boosting,XGBoost)、支持向量机(Support vector machine,SVM)以及随机森林回归(Random forest regression,RFR)估测模型。研究发现:(1)经数学变换后的芦苇叶片光谱与叶绿素含量相关性有不同程度提高,对数(logR)、倒数(1/R)相关性提升较小,一阶微分(R′)提升效果较明显,在764nm处相关性达到0.892。(2)采用连续投影算法筛选不同数学变换下的芦苇特征波段并构建植被指数,发现经过数学变换的模型效果都优于原始光谱,其中一阶微分(R′)>倒数(1/R)>对数(logR)>原始(R)。(3)极限梯度提升、支持向量机和随机森林回归模型都可有效估算芦苇LCC,其中基于一阶微分R′变换后构建的随机森林回归模型为芦苇LCC最优估算模型(R_(2)=0.974,RMSE=0.208,RPD=4.297)。本文基于数学变换结合连续投影和机器学习算法建立的芦苇LCC高光谱模型,可为植物叶片叶绿素含量的无损检测提供方法借鉴。

关 键 词：叶绿素含量 高光谱 数学变换 连续投影算法 机器学习 

分 类 号：S123[农业科学—农业基础科学]