应用可见光和近红外图像对白桦凋落叶碳质量分数的估测模型

摘要

为了克服传统植物凋落叶碳质量分数检测方法成本高、费时耗力等问题,探究基于可见光、近红外图像信息和机器学习算法构建凋落叶碳质量分数估测模型,为实时监测和快速获取植物凋落叶的碳质量分数提供技术手段。以白桦凋落叶为研究对象,利用可见光和近红外图片信息提取光学三原色(RGB)、六角锥体模型(HSV)和单色图像中的叶片颜色、纹理和形状特征共47个,然后利用主成分分析对特征变量进行降维,并利用遗传算法优化神经网络模型(GA-BPNN)、3种不同核函数的支持向量机回归模型(SVR)和随机森林回归模型(RFR)对叶片碳质量分数进行建模和预测。结果表明:在训练数据集上,RFR模型对叶片碳质量分数的拟合和预测效果最好(平均绝对误差(E_(MA))=4.6253,均方根误差(E_(RSM))=5.6087,平均百分比误差(E_(MAP))=0.0106,决定系数(R^(2))=0.8348);在测试数据集上,GA-BPNN和RFR模型对叶片碳质量分数预测精度相似,RBF-SVR模型的拟合和预测效果最好(E_(MA)=6.5292,E_(RSM)=7.9252,E_(MAP)=0.0150,R^(2)=0.6107),RBF-SVR模型与BPNN和RFR模型相比E_(MA)分别下降13.04%和13.27%、E_(RSM)分别下降8.6%和9.77%、E_(MAP)分别下降12.79%和13.29%。研究结果为快速无损获取凋落叶碳质量分数,及时预测凋落物的分解速率提供了新的方法。