首页 > 论文 > 光谱学与光谱分析 > 33卷 > 5期(pp:1315-1319)

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算

Band Depth Analysis and Partial Least Square Regression Based Winter Wheat Biomass Estimation Using Hyperspectral Measurements

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

摘要

当作物生物量较大时, 现有植被指数由于受饱和问题限制, 不能较好的估算作物生物量。 针对此问题, 尝试将波段深度分析与偏最小二乘回归(partial least square regression, PLSR)结合, 提高对大田冬小麦生物量的估算精度, 并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。 波段深度分析主要对冬小麦冠层光谱550~750 nm范围进行, 采用波段深度、波段深度比(band depth ratio, BDR)、 归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。 在建立的模型中, 波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高, 其中BDR与PLSR结合的估算精度最高(R2=0.792, RMSE=0.164 kg·m-2)。 研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题, 提高冬小麦生物量的估算精度。

Abstract

The major limitation of using existing vegetation indices for crop biomass estimation is that it approaches a saturation level asymptotically for a certain range of biomass. In order to resolve this problem, band depth analysis and partial least square regression (PLSR) were combined to establish winter wheat biomass estimation model in the present study. The models based on the combination of band depth analysis and PLSR were compared with the models based on common vegetation indexes from the point of view of estimation accuracy, subsequently. Band depth analysis was conducted in the visible spectral domain (550~750 nm). Band depth, band depth ratio (BDR), normalized band depth index, and band depth normalized to area were utilized to represent band depth information. Among the calibrated estimation models, the models based on the combination of band depth analysis and PLSR reached higher accuracy than those based on the vegetation indices. Among them, the combination of BDR and PLSR got the highest accuracy (R2=0.792, RMSE=0.164 kg·m-2). The results indicated that the combination of band depth analysis and PLSR could well overcome the saturation problem and improve the biomass estimation accuracy when winter wheat biomass is large.

Newport宣传-MKS新实验室计划
补充资料

中图分类号:S127

DOI:10.3964/j.issn.1000-0593(2013)05-1315-05

基金项目:国家重点基础研究发展计划(973计划)项目(2011CB311806), 国家自然科学基金项目(41071228, 41271345), 北京市优秀人才培养资助项目(2012D002020000007), 北京市农林科学院科技创新能力建设专项(KJCX201104012), 北京市自然科学基金项目(4102021), 中国科学院遥感应用研究所遥感科学国家重点实验室开放基金项目(OFSLRSS201109)资助

收稿日期:2012-09-04

修改稿日期:2012-11-28

网络出版日期:--

作者单位    点击查看

付元元:浙江大学遥感与信息技术应用研究所, 浙江 杭州310029北京农业信息技术研究中心, 北京100097农业部农业信息技术重点实验室, 北京100097
王纪华:浙江大学遥感与信息技术应用研究所, 浙江 杭州310029北京农业信息技术研究中心, 北京100097农业部农业信息技术重点实验室, 北京100097
杨贵军:北京农业信息技术研究中心, 北京100097农业部农业信息技术重点实验室, 北京100097
宋晓宇:北京农业信息技术研究中心, 北京100097农业部农业信息技术重点实验室, 北京100097
徐新刚:北京农业信息技术研究中心, 北京100097农业部农业信息技术重点实验室, 北京100097
冯海宽:北京农业信息技术研究中心, 北京100097农业部农业信息技术重点实验室, 北京100097

联系人作者:付元元(fyy0201@163.com)

备注:付元元, 女, 1987年生, 浙江大学遥感与信息技术应用研究所博士研究生

【1】Clevers J G P W, Van der Heijden G W A M, Verzakov S, et al. Data Photogrammetric Engineering & Remote Sensing, 2007, 73(10): 1141.

【2】Gao X, Huete A R, Ni W, et al. Remote Sensing of Environment, 2000, 74(3): 609.

【3】Todd S W, Hoffer R M, Milchunas D G. International Journal of Remote Sensing, 1998, 19(3): 427.

【4】Clevers J G P W, Jongschaap R. Remote Sensing and Digital Image Processing, 2001, 4: 157.

【5】Kokaly R F, Despain D G, Clark R N, et al. Remote Sensing of Environment, 2003, 84(3): 437.

【6】Mutanga O, Skidmore A K. International Journal of Applied Earth Observation and Geoinformation, 2004, 5(2): 87.

【7】Mutanga O, Skidmore A K, Kumar L, et al. International Journal of Remote Sensing, 2005, 26(6): 1093.

【8】El-Masry G, Wang N, El-Sayed A, et al. Journal of Food Engineering, 2007, 81(1): 98.

【9】Atzberger C, Guerif M, Baret Frederic, et al. Computers and Electronics in Agriculture, 2010, 73(2): 165.

【10】Naesset E, Bollandsas O M, Gobakken T. Remote Sensing of Environment, 2005, 94(4): 541.

【11】Jensen T, Apan A, Young F, et al. Computers and Electronics in Agriculture, 2007, 59(1-2): 66.

【12】Savitzky A, Golay M J E. Analytical Chemistry, 1964, 36(8): 1627.

【13】Haboudane D, Miller J R, Pattey E, et al. Remote Sensing of Environment, 2004, 90(3): 337.

【14】Gitelson A A, Merzlyak M N. Journal of Plant Physiology, 1996, 148(4): 494.

【15】Hutet A R. Remote Sensing of Environment, 1988, 25(3): 295.

【16】Qi J, Chehbouni A, Huete A R, et al. Remote Sensing of Environment, 1994, 48(2): 119.

【17】Broge N H, Leblanc E. Remote Sensing of Environment, 2000, 76(2): 156.

【18】Durbha S S, King R L, Younan N H. Remote Sensing of Environment, 2007, 107(1-2): 348.

【19】Sims D A, Gamon J A. Remote Sensing of Environment, 2002, 81(2-3): 331.

【20】Gitelson A A. Journal of Plant Physiology, 2004, 161(2): 165.

【21】Dawson T P, Curran P J. International Journal of Remote Sensing, 1998, 19(11): 2133.

【22】Penuelas J J, Pinol R, Ogaya R, et al. International Journal of Remote Sensing, 1997, 18(13): 2869.

【23】Gao B C. Remote Sensing of Environment, 1996, 58(3): 38.

【24】Dash J, Curran P J. International Journal of Remote Sensing, 2004, 25(23): 5403.

【25】Kooistra L, Salas E A L, Clevers J G P W, et al. Environmental Pollution, 2004, 127(2): 281.

引用该论文

FU Yuan-yuan,WANG Ji-hua,YANG Gui-jun,SONG Xiao-yu,XU Xin-gang,FENG Hai-kuan. Band Depth Analysis and Partial Least Square Regression Based Winter Wheat Biomass Estimation Using Hyperspectral Measurements[J]. Spectroscopy and Spectral Analysis, 2013, 33(5): 1315-1319

付元元,王纪华,杨贵军,宋晓宇,徐新刚,冯海宽. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算[J]. 光谱学与光谱分析, 2013, 33(5): 1315-1319

被引情况

【1】崔日鲜,刘亚东,付金东. 基于可见光光谱和BP人工神经网络的冬小麦生物量估算研究. 光谱学与光谱分析, 2015, 35(9): 2596-2601

【2】郑 玲,朱大洲,董大明,张保华,王 成,赵春江. 多信息融合的冬小麦地上鲜生物量检测研究. 光谱学与光谱分析, 2016, 36(6): 1818-1825

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF