利用高光譜技術(shù)建立了葉片含水量估算模型，為精確灌溉提供技術(shù)參考。本研究于2018-2020年連續(xù)兩年進(jìn)行田間試驗(yàn)(不同灌溉時(shí)間和7個(gè)小麥品種)，獲得冠層光譜反射率和葉片含水量(LWC)數(shù)據(jù)。從相關(guān)系數(shù)法（CA）和x-載重量法（x-Lw）中提取與LWC相關(guān)的特征帶。基于特征帶的五種建模方法，光譜指數(shù)和其他四種方法（偏最小二乘回歸（PLSR），隨機(jī)森林回歸（RFR），極端隨機(jī)樹(shù)（ERT）和K最近鄰（KNN））來(lái) 建立LWC估計(jì)模型。
2018–2019年和2019–2020年實(shí)驗(yàn)設(shè)計(jì)布局。
P1、P2、P3、P4、P5、P6和P7代表小麥品種，P1: Luomai 27, P2: Zhengmai 136, P3: Zhengmai 22, P4: Zhengmai 16, P5: Zhongyu 1211, P6: Luomai 34, P7: Zhoumai 18.
w0、w1和w2代表不同的灌溉處理，w0是底部階段的灌溉，w1是底部和拔節(jié)期的灌溉，w2是底部、拔節(jié)期和灌漿期的灌溉
結(jié)果表明，冠層光譜反射率隨著灌水次數(shù)的增加而增加，尤其是在近紅外波段(750-1350nm)。新開(kāi)發(fā)的差分光譜指數(shù)DVI (R1185，R1307)的預(yù)測(cè)精度高于現(xiàn)有的光譜指數(shù)，其校正和驗(yàn)證的R2分別為0.85和0.78。由于大量的高光譜數(shù)據(jù)，使用相關(guān)系數(shù)法（CA）和x負(fù)荷權(quán)重（x-Lw）從全光譜中選擇水分特征帶（分別為100和28個(gè)特征帶）。我們發(fā)現(xiàn)，基于特征波段的模型的精度并不顯著低于基于全光譜的模型。在這些模型中，ERT-x-Lw模型表現(xiàn)最佳（R2和RMSE分別為0.88和1.46；校準(zhǔn)和驗(yàn)證分別為0.84和1.62）。此外，由ERT-x-Lw構(gòu)造的LWC估計(jì)模型的準(zhǔn)確性高于DVI（R1185，R1307）。
基于冠層光譜的LWC和NDVI RVI之間的測(cè)定系數(shù)(R2)等高線圖和DVI值
基于ERT-x-Lw和DVI（R1185、R1307）的兩個(gè)模型能有效地預(yù)測(cè)小麥葉片含水量。研究結(jié)果為類(lèi)似生產(chǎn)條件下的作物水分監(jiān)測(cè)和診斷提供了技術(shù)參考和依據(jù)。
來(lái)源：Plant Methods.Comparison of new hyperspectral index and machine learning models for prediction of winter wheat leaf water content.Juanjuan Zhang, Wen Zhang, Shuping Xiong, Zhaoxiang Song, Wenzhong Tian, Lei Shi & Xinming Ma.
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00737-2
鄂公網(wǎng)安備42018502003245號(hào) 網(wǎng)站地圖
