《表5 5月冬小麦叶绿素反演模型的建模和预测精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《地面高光谱和PROSAIL模型的冬小麦叶绿素反演》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

研究采用PROSAIL模型并使用CWT、PLSR、SVM和ANN方法，基于地面高光谱数据和实测农学数据反演冬小麦叶绿素含量。通过PROSAIL模型模拟冬小麦作物光谱，再对模拟光谱进行连续小波变换，筛选出的敏感波段为481、495、499、501、722、723和725nm，对应尺度分别是第4、第3、第2、第1、第5、第4和第6尺度。利用连续小波变换能够在一定波长范围内对作物光谱进行不同尺度的分析，可利用和捕捉到更多的信息。基于小波系数建立的叶绿素反演模型相比传统的植被指数模型精度更高，CWT-PLSR、CWT-SVM和CWT-ANN的决定系数均高于对应数据集的GNDVI-PLSR、GNDVI-SVM和GNDVI-ANN的决定系数，其RMSE均低于GNDVI的RMSE，R2最大相差0.34，RMSE最多可降低6.17。在利用小波系数建立的叶绿素反演模型中，PLSR方法相比于SVM和ANN方法更能有效地对叶绿素进行定量反演，其建模数据集R2均不低于后两者，且具有较好的拟合优度。如表5中采用CWT-PLSR模型的建模数据集决定系数为0.62，均大于采用CWT-SVM(R2=0.60）和CWT-ANN模型（R2=0.58）的决定系数，NRMSE均小于0.2，满足模型的拟合优度要求。在CWT-PLSR反演模型中，4组样本的建模和预测数据集R2均大于0.5，建模数据集R2最高为0.62，最低为0.54，预测数据集R2最高为0.75，最低为0.60。综上所述，通过将PROSAIL模型、CWT和PLSR方法结合能够实现冬小麦叶绿素的遥感估算。