融合无人机多源传感器的马铃薯叶绿素含量估算

摘要

叶绿素是衡量作物光合作用的重要指标,监测马铃薯关键生育期叶片叶绿素含量(Leaf chlorophyll content,LCC)至关重要。获取马铃薯块茎形成期、块茎增长期和淀粉积累期的无人机RGB和多光谱影像,提取无人机多光谱影像的光谱反射率构建植被指数(Vegetation index,VIs),利用Gabor滤波器提取RGB影像的纹理信息(Texture information,TIs)。然后利用机器学习SVR-REF方法进行数据降维获取植被指数和纹理特征重要性排序,并采用迭代的方法在植被指数最佳模型中加入纹理信息,观察每次加入的纹理信息对模型的动态影响。最后使用支持向量机(Support vector machine,SVR)和K-最近邻算法(K-nearest neighbor,KNN)2种机器学习方法进行建模。结果表明,马铃薯3个关键生育期,加入纹理特征后的2种模型精度和稳定性均有提高,且SVR模型精度优于KNN。块茎形成期,SVR模型建模R~2由0.61提升至0.71,RMSE由0.20 mg/g降为0.17 mg/g,精度提升14.2%,验证R~2由0.58提升至0.66,RMSE由0.19 mg/g降至0.17 mg/g,精度提升10.5%。块茎增长期,SVR建模R~2由0.59提升至0.67,RMSE由0.16 mg/g降至0.14 mg/g,验证R~2由0.71提升至0.79,RMSE由0.15 mg/g降至0.13 mg/g,精度提升13.3%。淀粉积累期,SVR建模R~2由0.62提升为0.69,RMSE由0.17 mg/g降至0.14 mg/g,精度提升17.6%,验证R~2由0.47提升至0.63,RMSE由0.17 mg/g降至0.14 mg/g,精度提升17.6%。另外,3个时期参与SVR建模的植被指数数量分别为19、16、3,纹理数量分别为4、2、9,在植被指数不能充分响应叶绿素含量时,会有更多纹理信息参与建模,并且模型精度提升更高,进一步论证了纹理特征在马铃薯叶绿素含量反演中的重要性。