大豆科学2023，Vol.42Issue(3) ：352-359.DOI:10.11861/j.issn.1000-9841.2023.03.0352

基于高光谱植被指数的大豆地上部生物量估算模型研究

Model Analysis of Estimating Soybean Above-ground Biomass by Hyperspectral Vegetation Index

龚荣新 鲁向晖 张海娜 王倩 陈志琪 杨宝城 马露露
大豆科学2023，Vol.42Issue(3) ：352-359.DOI:10.11861/j.issn.1000-9841.2023.03.0352
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于高光谱植被指数的大豆地上部生物量估算模型研究

Model Analysis of Estimating Soybean Above-ground Biomass by Hyperspectral Vegetation Index

龚荣新 1鲁向晖 2张海娜 2王倩 1陈志琪 1杨宝城 1马露露1
扫码查看

作者信息

  • 1. 南昌工程学院水利与生态工程学院,江西南昌330099
  • 2. 南昌工程学院水利与生态工程学院,江西南昌330099;南昌工程学院江西省樟树繁育与开发利用工程研究中心,江西南昌330099
  • 折叠

摘要

本研究以大豆为研究对象,利用光谱仪测定大豆鼓粒期冠层高光谱数据并计算多种高光谱植被指数.分别采用一元线性回归(LR)、支持向量机(SVM)、反向传播神经网络(BPNN)和随机森林(RF)建立高光谱植被指数组合和大豆地上部生物量之间相互关系的数学模型.结果显示:基于LR、SVM、BPNN和RF建立的估算AGB模型的决定系数(R2)分别为 0.59,0.71,0.73 和 0.76;均方根误差(RMSE)分别为 2 559.0,481.1,1 194.6 和 805.2 kg·hm-2;相对分析误差(RPD)分别为1.22,1.55,1.87和1.92.基于RF建立模型的预测精准度比LR、SVM和BPNN模型更可靠,因此运用RF模型可以更精确地估算大豆地上部生物量.

关键词

大豆/地上部生物量/随机森林/高光谱/植被指数

引用本文复制引用

基金项目

国家自然科学基金(52269013)

出版年

2023
大豆科学
黑龙江省农业科学院

大豆科学

CSTPCDCSCD北大核心
影响因子：0.641
ISSN：1000-9841
被引量1
参考文献量26
段落导航相关论文