麦类作物学报

作者：尼加提·卡斯木,张志从,吾木提·艾山江,孜尼哈尔·祖努尼江

单位：(1.伊犁师范大学资源与生态研究所,新疆伊宁835000 2.伊犁师范大学生物与地理科学学院, 新疆伊宁 835000)

关键词：春小麦,叶片水分,高光谱,波段组合,机器学习,

基金：伊犁师范大学2020年度博士启动科研项目（2020YSBSYJ001）; 植物生态重点科学开放课题（YLUPE2021ZD02）; 伊犁州直2022年度第二批重点研究与技术开发专项（YZ2022B033）

为探讨利用三波段植被指数（three-band index, 3BI）对春小麦叶片水分含量（leaf water content, LWC）估算的可行性，在田间尺度上，利用ASD-FieldSpec-3光谱仪测定春小麦抽穗期冠层光谱反射率，采用任意波段组合方法，分别建立两波段植被指数（two-band index, 2BI）包括比值植被指数（RVI）、归一化植被指数（NDVI）、差值植被指数（DVI）及3BI，并对单波段反射率、两波段植被指数和三波段植被指数与春小麦抽穗期LWC之间进行相关性分析，筛选稳定的光谱参数，基于人工神经网络（artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（support vector regression, SVR）等3种机器学习算法，建立有效波段组合运算的抽穗期春小麦LWC估算模型，并利用独立样本对模型精度进行检验和评价。结果表明，单波段反射率、2BI和3BI与春小麦抽穗期LWC之间的相关性均达极显著水平（P＜0.01），而相关系数差异较大，绝对值分别为0.23、0.62、0.94，说明组合波段展现了光谱隐含信息，避免有效光谱信息的丢失；估算模型中，春小麦抽穗期以KNN算法和最佳3BI组合变量（3BI-5(1075, 1095, 1085)、3BI-6(1100, 400, 1097)）构建的模型拟合度最高（r2=0.83），均方根误差最小（RMSE=2.14%），相对偏差百分比超出了2.0以上（RPD=2.31），说明该模型具有一定的预测能力。由此可见，通过任意波段组合，可明显提高3BI与春小麦LWC的关联度，且基于K近邻算法构建的模型具有较好的稳定性和估算能力。

来源：2024年第4期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2024年第4期