基于连续小波变换和反向传播神经网络的水稻SPAD值估测
胡文瑞
高倩文
阳会兵
高志强
湖南农业大学农学院,湖南长沙 410128
摘要：为构建水稻叶片SPAD值的高光谱精确估算模型,本试验以"晶两优华占"为供试材料,设置3个施肥处理,于全生育期内连续定期测定高光谱反射率与SPAD值数据,利用植被指数和连续小波变换(CWT)提取光谱的敏感信息,再利用传统的线性和非线性拟合以及反向传播神经网络(BPNN)算法建立水稻叶片SPAD值的估测模型,并利用决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)对模型的估测效果进行比较分析.结果表明:基于传统方法(线性函数、对数函数、指数函数、二次函数拟合),以9个常用植被指数为自变量构建的SPAD值反演单变量模型精度较低(RPD＜1.4);选用6种母小波函数进行CWT,可以有效提高叶片高光谱反射率与SPAD值之间的相关性,以各母小波函数的最佳小波系数为自变量构建单变量模型,精度明显提高,可以达到SPAD值的粗略评估水平(RPD在1.523～1.581之间).基于BPNN算法构建的水稻叶片SPAD值估测模型精度较单变量模型明显提高,RPD均在1.823～2.342,其中以bior3.3、gaus4作为母小波函数构建的BPNN模型具有良好的预测能力,RPD分别为2.342、2.178,但以gaus4作为母小波函数构建的BPNN模型存在过拟合现象.综合来看,用bior3.3作为母小波函数分解得到的前10个最佳小波系数构建的BPNN模型精度最高,R2、RMSE分别为0.818、1.441,可以对水稻叶片SPAD值进行良好的预测.本研究证明了 CWT可以有效提取水稻叶片光谱特征中的敏感信息,建立的bior3.3-BPNN模型可用于其SPAD值的监测,这可为后续水稻全生育期叶片叶绿素含量的快速无损监测提供参考,并为水稻生长发育动态的实时监测提供技术支持.
关键词：水稻SPAD值高光谱植被指数连续小波变换反向传播神经网络
分类号：S126(农业物理学)
资助基金：国家重点研发计划(2017YFD0301506)湖南省自然科学基金项目(2021JJ30348)
论文发表日期：2025-04-30
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：9( 154-162 )
英文信息