论文部分内容阅读
大豆是我国广泛种植的油料作物之一,叶面积指数(leaf area index,LAI)反映光合速率和作物产量是选育高产大豆的重要参数。试验区位于山东省济宁市嘉祥县,实验数据为无人机搭载的UHD185传感器获取始花期、始荚期、始粒期、鼓粒期和鼓粒期-成熟期126个多品系大豆高光谱数据,及地面实测LAI数据。由于模型估测精度受选取敏感波段、模型校正集和模型形式影响。基于此,开展模型不确定性研究。本文将遥感反演LAI模型不确定性分为以下三个方面:首先,模型参数不确定性指高光谱敏感波段的选取。利用LASSO(Least Absolute Shrinkage and Selection Operator)、最大决定系数(Maximum Determination Coefficient,MDC)和最佳指数因子(Optimum Index Factor,OIF)方法进行敏感波段的选择。其次,输入不确定性指模型校正集的选取。利用简单随机抽样(Simple Random Sampling,SRS)和分层抽样(Stratified Type Random,STR),进行模型校正集获取对比分析。最后,模型结构不确定性指模型形式选取。利用选取的敏感波段构建六种模型并进行比较,得出各生育期最佳模型。论文具体研究内容及结果如下:(1)模型参数不确定性研究。在分析前人的研究基础上,利用LASSO、MDC和OIF比较得出各生育期的最佳敏感波段。始花期敏感波段为540nm、760nm和852nm,始荚期为464nm、628nm和856nm,盛荚期为556nm、644nm和796nm,始粒期为572nm、756nm和848nm,成熟期为556nm、628nm和908nm,全生育期为548nm、760nm和800nm。(2)模型输入不确定性研究。利用SRS和STR进行模型校正集获取,并建立随机森林回归(Random Forest,RF)和支持向量机回归(Support Vector Regression,SVR)进行全生育期和单生育期100次建模及预测,将100次的平均预测精度作为模型评价指标。全生育期基于SRS和STR的RF模型SD_R~2分别为0.042和0.031,单生育期基于SRS和STR的RF模型SD_R~2分别为0.137和0.13,SVR模型有相同的变化趋势。结果表明STR获取的校正集所建模型的预测精度更稳定。(3)模型结构不确定性分析。采用单变量和多变量模型进行不同生育期的模型建立,并对预测精度进行分析。LAI数据分布均衡时(如始粒期)适用于利用最小二乘原理的单变量模型(一元线性R~2=0.64,RMSE=0.685,PRD=1.628,RRMSE=0.163。指数R~2=0.644,RMSE=0.706,PRD=1.581,RRMSE=0.168);RF适用于LAI数据量大且变异系数较大的数据总体集(全生育期R~2=0.533,RMSE=1.283,PRD=1.459,RRMSE=0.26);多变量估测模型在各生育期较单变量模型反演精度和验证精度高。