基于PSR-3500地物光谱仪相机学习的水稻叶绿素含量估测研究

《Remote Sensing》影响因子：4.5

英文名称：Using Machine Learning for Estimating Rice Chlorophyll Content from In Situ Hyperspectral Data

电子科技大学资源与环境学院 / 加拿大韦仕敦大学

叶绿素是作物光合作用所必需的色素，叶片叶绿素含量可作为作物生长状况的指标，有助于指导氮肥的施用。作物叶绿素含量的估算在精准农业中具有重要意义。

本研究中，利用高斯过程回归(GPR)、随机森林回归(RFR)、支持向量回归(SVR)和梯度增强回归树(GBRT)等4个先进的机器学习技术将波长a和b之间的反射波长变化率形成的变量(RCRWa-b)与PSR+3500地物光谱仪原始光谱反射率数据进行回归分析进行叶绿素含量的估算研究。采用均方根误差(RMSE)、平均绝对误差(MAE)和相关系数(R2)对4种机器学习模型的性能进行评估和比较。结果表明，RCRWa-b的4个特征RCRW551.0-565.6、RCRW739.5-743.5、RCRW684.4-687.1和RCRW667.9-672.0对水稻叶绿素含量具有较好的预测效果，且RFR模型的预测精度最高(训练集：RMSE = 1.54, MAE =1.23, R2 = 0.95；验证集：RMSE = 2.64, MAE = 1.99, R2 = 0.80)。GPR模型泛化能力最强(训练集：RMSE = 2.83, MAE = 2.16, R2 = 0.77；验证集：RMSE = 2.97, MAE = 2.30, R2 = 0.76)。RCRWa-b是水稻叶绿素含量估计的有效变量，RFR和GPR是水稻叶绿素含量估计的有效机器学习算法。 

图1  (a)野外试验场地的位置  (b)样地的空间分布

表1  测量日期及样地数目

图2 将反射率值与对应波长进行线性拟合得到的直线

图3  本研究中主要流程框架图

图4  基于PSR+3500地物光谱仪实测的水稻植株450 ~ 850 nm之间反射光谱

表2  用于叶绿素含量估算的植被指数

图5  波长a和b的反射率变化率(RCRWa-b)与叶绿素含量值(SPAD)的相关性

图6 (a) RCRW520-640对应的反射率和波长；(b) RCRW600-700对应的反射率和波长

图7  在不同颜色限制下波长a和b的范围

图8  (a) RCRW536.3-543.7与RCRW540.7-549.5的相关系数;(b) RCRW658.2-665.1与RCRW662.3-670.6之间的相关系数。

图9  (a) SPAD与RCRW551.0-565.6、(b) SPAD与RCRW739.5-743.5、(c) SPAD与RCRW684.4-687.1、(d) SPAD与RCRW667.9-672.0之间的散点图。

图10  数据集的统计特性分布图

表3  4种机器学习模型训练集和验证集的主要性能

图11实测SPAD值与训练集预测SPAD值之间的散点图：(a) GPR-M； (b) RFR-M；(c) SVR-M；(d) GBRT-M

图12实测SPAD值与验证集预测SPAD值之间的散点图：(a) GPR-M； (b) RFR-M；(c) SVR-M；(d) GBRT-M

表4 利用4种机器学习算法和网格搜索交叉验证(GS-CV)的预测结果与指标

图13 2019年7月21日- 9月6日之间的SPAD均值动态

原文链接：https://www.mdpi.com/2072-4292/12/18/3104

主要作者：何彬彬（电子科技大学教授，主要研究方向：定量遥感及应用、时空大数据分析与挖掘、无人机遥感信息工程、地学信息技术。 教育部新世纪优秀人才计划入选者（2012），国家精品在线开放课程负责人（2018），电子科技大学2014-2016年度优秀共产党员）