论文部分内容阅读
【目的】研究基于盛花期冠层高光谱数据的苹果花量估测技术,为植株花果管理和生产力预测技术的建立奠定基础。【方法】以5年生M9无性系砧木‘米奇嘎啦’苹果(Malus pumila‘Mitch Gala’)、树形为高纺锤形的植株为试材,在盛花期采集植株冠层可见-近红外高光谱图像,人工统计供试植株花量,比对分析基于原始光谱反射率(original reflectance spectra,OS)与Savitzky-Golay平滑法(savitzky-golay smoothing,SG)、正态变量标准化(standardization of normal variables,SNV)、标准化(Normalize)、一阶求导(first derivation,lst Der)、二阶求导(second derivation,2nd Der)共5种预处理的高光谱数据的偏最小二乘法(partial least squares method,PLS)模型,以及基于载荷系数法(x-loading weight,x-LW)提取的特征波长的PLS模型、人工神经网络(the back-propagation neural network,BPNN)、最小二乘支持向量机(the least squares support vector machines,LS-SVM)等模型对单株单位面积花量实时估测精度的影响。【结果】苹果树单株花量与单株单位面积花量具有较高的相关系数,表明采用冠层单位面积花量替代单株总花量进行树体花量估测可行。单株单位面积花量与植株冠层光谱反射率在紫外-可见光波长(308—700 nm)呈极显著正相关,在近红外波长(750—1 000 nm)相关性不显著。基于全波长,以Normalize预处理光谱建立的PLS模型对单株单位面积花量的预测效果最好,校正集决定系数(R_c~2)和预测集决定系数(R_p~2)分别为0.794和0.804,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别为0.084、0.062,预测相对误差(RE%)为3.940。基于特征波长的BPNN模型稳定性差,而LS-SVM模型的建模效果较好,R_c~2和R_p~2分别为0.826和0.804,RMSEC和RMSEP分别为0.077、0.064,RE%为12.160。【结论】基于Normalize预处理的PLS模型对高纺锤形苹果树冠层单位面积花量的预测效果最优,同时,本研究利用高光谱成像仪获取的数据,经过分析处理对提取特征信息进行简化,可为多光谱遥感数据的应用提供依据。