基于PSR-3500地物光譜儀相機學習的水稻葉綠素含量估測研究

《Remote Sensing》影響因子：4.5

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

電子科技大學資源與環境學院 / 加拿大韋仕敦大學

葉綠素是作物光合作用所必需的色素，葉片葉綠素含量可作為作物生長狀況的指標，有助于指導氮肥的施用。作物葉綠素含量的估算在精準農業中具有重要意義。

本研究中，利用高斯過程回歸(GPR)、隨機森林回歸(RFR)、支持向量回歸(SVR)和梯度增強回歸樹(GBRT)等4個先進的機器學習技術將波長a和b之間的反射波長變化率形成的變量(RCRWa-b)與PSR+3500地物光譜儀原始光譜反射率數據進行回歸分析進行葉綠素含量的估算研究。采用均方根誤差(RMSE)、平均絕對誤差(MAE)和相關系數(R2)對4種機器學習模型的性能進行評估和比較。結果表明，RCRWa-b的4個特征RCRW551.0-565.6、RCRW739.5-743.5、RCRW684.4-687.1和RCRW667.9-672.0對水稻葉綠素含量具有較好的預測效果，且RFR模型的預測精度最高(訓練集：RMSE = 1.54, MAE =1.23, R2 = 0.95；驗證集：RMSE = 2.64, MAE = 1.99, R2 = 0.80)。GPR模型泛化能力最強(訓練集：RMSE = 2.83, MAE = 2.16, R2 = 0.77；驗證集：RMSE = 2.97, MAE = 2.30, R2 = 0.76)。RCRWa-b是水稻葉綠素含量估計的有效變量，RFR和GPR是水稻葉綠素含量估計的有效機器學習算法。 

圖1  (a)野外試驗場地的位置  (b)樣地的空間分布

表1  測量日期及樣地數目

圖2 將反射率值與對應波長進行線性擬合得到的直線

圖3  本研究中主要流程框架圖

圖4  基于PSR+3500地物光譜儀實測的水稻植株450 ~ 850 nm之間反射光譜

表2  用于葉綠素含量估算的植被指數

圖5  波長a和b的反射率變化率(RCRWa-b)與葉綠素含量值(SPAD)的相關性

圖6 (a) RCRW520-640對應的反射率和波長；(b) RCRW600-700對應的反射率和波長

圖7  在不同顏色限制下波長a和b的范圍

圖8  (a) RCRW536.3-543.7與RCRW540.7-549.5的相關系數;(b) RCRW658.2-665.1與RCRW662.3-670.6之間的相關系數。

圖9  (a) SPAD與RCRW551.0-565.6、(b) SPAD與RCRW739.5-743.5、(c) SPAD與RCRW684.4-687.1、(d) SPAD與RCRW667.9-672.0之間的散點圖。

圖10  數據集的統計特性分布圖

表3  4種機器學習模型訓練集和驗證集的主要性能

圖11實測SPAD值與訓練集預測SPAD值之間的散點圖：(a) GPR-M； (b) RFR-M；(c) SVR-M；(d) GBRT-M

圖12實測SPAD值與驗證集預測SPAD值之間的散點圖：(a) GPR-M； (b) RFR-M；(c) SVR-M；(d) GBRT-M

表4 利用4種機器學習算法和網格搜索交叉驗證(GS-CV)的預測結果與指標

圖13 2019年7月21日- 9月6日之間的SPAD均值動態

原文鏈接：https://www.mdpi.com/2072-4292/12/18/3104

主要作者：何彬彬（電子科技大學教授，主要研究方向：定量遙感及應用、時空大數據分析與挖掘、無人機遙感信息工程、地學信息技術。 教育部新世紀優秀人才計劃入選者（2012），國家精品在線開放課程負責人（2018），電子科技大學2014-2016年度優秀共產黨員）