基于PIOSL模型的水稻叶片叶绿素含量反演方法研究

摘要

[目的]叶绿素含量是衡量水稻健康情况的重要指标，精准监测水稻叶片叶绿素含量至关重要。传统水稻叶片叶绿素含量检测需要破坏性采样，难以实时获取其动态变化。随着信息技术的快速发展，高光谱数据结合机器学习方法可以实现水稻叶片叶绿素含量的反演。[方法]以PIOSL（PROSPECT Consider the Internal Optical Structure of the Leaves）模型输出的叶片高光谱模拟数据为基础，采用连续投影算法（Successive Projections Algorithm,SPA）、竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling,CARS）、随机蛙跳（Random Frog,RF）3种方法进行特征波段选择，并基于粒子群优化算法（Particle Swarm Optimization,PSO）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、爱情进化算法（Love Evolution Algorithm,LEA）3种算法优化极限学习机（Extreme Learning Machine,ELM）对水稻叶片叶绿素含量进行反演。[结果]基于PIOSL模型输出的模拟数据，使用CARS、SPA和RF这3种特征波段选择方法，分别选择19,9,10个特征波段，分别创建PSO、WOA、LEA优化的ELM，通过比较9种模型的性能得出，CARS-LEA-ELM模型反演水稻叶片叶绿素含量的效果最好，测试集R²=0.929,RMSE=4.116μg·cm^-2。[结论]通过对反演结果的综合评估，确定最优反演模型构建方案，实现水稻叶片叶绿素含量的高精度反演，可为田间管理提供支撑。

关键词

辐射传输 / 高光谱 / 叶绿素含量 / 反演 / 水稻