融合无人机多源传感器的马铃薯叶绿素含量估算

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KNNN.块茎形成期,SVR 模型建模R2 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R2 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R2 由0.59 提升至0.67,RMSE 由0.16 mg/g 降至0.14 mg/g,验证R2 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R2 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R2 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.