基于敏感变量筛选的多光谱植被含水率反演模型研究.pdf

2023年9 月第54卷第9 期农报业机械doi:10.6041/j.issn.1000-1298.2023.09.034基于敏感变量筛选的多光谱植被含水率反演模型研究赵文举段威成王银凤凡周春马宏（兰州理工大学能源与动力工程学院，兰州7 30 0 50）摘要：植被含水率是农田生态系统敏感性的重要表征，为提高近地遥感植被含水率反演效率和精度，基于无人机多光谱影像数据，提取首、玉米2 种植被覆盖的光谱反射率，在此基础上引人红边波段计算改进光谱指数。将5种光谱反射率及2 5个光谱指数利用变量投影重要性（Variableimportanceinprojection，VIP）分析、灰色关联度（G r a y r e l a t i o n a l a n a l y s i s，G RA）分析与皮尔逊（Person）相关性分析进行筛选，并建立基于反向神经网络（Back-propagation neural network，BPNN）、偏最小二乘法（Partial least squares regression，PLSR）、支持向量回归（Supportvectorregression，SVR）和随机森林（Randomforest，RF）4种机器学习模型，以确定不同作物覆盖下的最佳植被含水率反演模型。结果表明,3种筛选算法中VIP和GRA的模型精度明显优于Person相关性分析，且反演结果波动较小；在4种机器学习算法中，SVR算法在非线性问题中相较于BPNN、PLSR、RF算法具有较强的解析能力和模型鲁棒性，验证集决定系数R达到0.7 7 以上，其结果能较真实反映植被含水率；两种样地基于GRA的植被含水率反演模型精度最高，首覆盖地GRA-SVR验证集R达0.8 8 9,RMSE为0.7 98%，MAE为0.533%；玉米覆盖地反演结果验证集R为0.8 48,RMSE为0.6 6 8%，MAE为0.542%。研究结果可为植被含水率的快速、精准反演提供理论依据。关键词：植被含水率；无人机多光谱；光谱指数；变量筛选；反演模型中图分类号：S274.4文献标识码：A文章编号：10 0 0-12 98（2 0 2 3）0 9-0 343-0 9OSID:Multispectral Vegetation Water Content Inversion ModelBased on Sensitive Variable FilteringZHAO WenjuDUAN WeichengWANG YinfengZHOU ChunMA Hong(College of Energy and Power Engineering,Lanzhou University of Technology,Lanzhou 730050,China)Abstract:Vegetation moisture content is an important characterization of the sensitivity of farmlandecosystem.The spectral reflectance of two vegetation covers,alfalfa and corn were extracted,based onthe UAV multispectral image data,and on the basis of which the red-edge band was introduced tocalculate the improved spectral indices in order to increase the efficiency and accuracy of the inversion ofvegetation water content by near-earth remote sensing.A back-propagation neural network(BPNN)wascreated after the five spectral bands and 25 indices were filtered by using the variable importance inprojection（VIP),g r a y r e l a t i o n a l a n a l y s i s （G RA),a n d Pe a r s o n s c o r r e l a t i o n a n a l y s i s.T o f i n d t h eoptimum inversion model for vegetation water content under various crop covers,back-propagation neuralnetwork,partial least squares regression(PLSR),support vector regression(SVR),and random forest(RF)were used.The findings indicated that,among the three screening algorithms,the accuracy of themodels following GRA and VIP was significantly higher than that of Pearsons correlation analysis,and theinversion results were less volatile.Among the four machine learning algorithms,the SVR algorithm hada stronger nonlinear problem resolution ability and model robustness than BPNN,PLSR,and RFalgorithms.In the nonlinear problem,the SVR algorithm outperformed the BPNN,PLSR,and RFalgorithms in terms of analytical ability and model robustness.The validation set coefficient ofdetermination R reached above 0.77 and its results can offer more accurate feedback on vegetation watercontent.The GRA-SVR based inversion model for vegetation water content had the highest accuracy inthe two sample sites.The GRA-SVR validation set R?of alfalfa cover reached 0.889,RMSE of收稿日期：2 0 2 3-0 4-17 修回日期：2 0 2 3-0 6-2 6基金项目：国家自然科学基金面上项目（52 37 90 42）和甘肃省重点研发计划项目（2 0 YF8ND141）作者简介：赵文举（198 1一），男，教授，博士生导师，主要从事寒旱区生态水利研究，E-mail：w e n j u z h a o 12 6.c o m农2023年344机报学业械0.798%,and MAE of 0.533%;the inversion result validation set R?of corn cover was 0.848,RMSE of0.668%,and MAE of 0.542%.The research results can provide a theoretical basis for rapid andaccurate inversion of vegetation water content.Key words:vegetation water content;UAV multispectral;spectral index;variable filtering;inversionmodel0引言植被生理生态指标作为农田生态系统敏感性表征,植被含水率直接反映土壤干燥程度。研究植被含水率对干旱的响应有助于理解全球气候变化背景下，植被对气候波动的响应机制特征，这对提高植被变化预测、农业估产和水肥调控的准确性具有重要意义2 传统方法获取植被含水率分布及变化规律费时费力，易受地形限制3。无人机搭载光谱仪器作为低空遥感的一种，可快速获取大范围光谱信息，进而实现土壤情和作物生长大范围、快速监测，可为植被含水率反演提供科学高效的技术手段4-5。引人红边波段（Red edge position，Re d Ed g e）可提取新的光谱信息，将其替代R波段可衍生多种改进光谱指数6 。赵文举等7 将红边波段应用于不同植被覆盖土壤含盐量反演研究，结果表明该波段对植被响应敏感，改进光谱指数对模型精度提升显著。ZHANG等8 通过对比有无红边波段的2 0 个植被指数，发现引人RedEdge的变量组精度提高7 个百分点,且此波段能与植被覆盖下的耕地土壤盐分建立非线性关系，可提升植被含水率反演精度。光学遥感因其高密度数据组合及复杂的地物构成,严重影响模型反演精度和效率9。敏感光谱变量作为反演模型的重要输人因子，其筛选方法一直是该领域的研究热点7 。研究表明，使用适合的变量筛选算法可提高模型精度及学习效率10 。代秋芳等 将CARS筛选变量与全波段组分别进行CNN模型运算，反演结果中敏感变量组相较于全变量组决定系数R?和均方根误差（RMSE）分别提升0.03、0.0 0 7,改进效果显著。WANG等12 利用变量投影重要性分析等4种筛选算法提取敏感光谱变量进而高效反演土壤含盐量。陈俊英等13 利用灰色关联度分析筛选光谱指数，基于不同机器学习算法，反演不同生育期不同深度土壤含盐量，筛选变量组反演结果优于全变量组。ZHAO等6 使用皮尔逊相关性分析法选取相关性高的光谱指数构建不同植被覆盖表层土壤含盐量反演模型，所构建模型较好地反映真实土壤盐分含量。变量筛选模型及机器学习算法凭借其处理非线性问题的优势，已经在农业水土遥感上得到应用，但多种变量筛选算法在植被指数优选中应用较少，且不同算法对植被指数敏感表征的相关研究较少，变量筛选算法结合不同机器学习模型，反演不同植被覆盖含水率的响应机理还有待深入研究。综上所述，本研究基于无人机搭载多光谱成像系统获取首、玉米遥感影像，并对植被含水率进行同时段野外实测，通过引人红边波段构建2 5种传统及改进光谱指数，采用变量投影重要性（Va r i a b l e i mp o r t a n c e i n p r o j e c t i o n，VIP）、灰色关联度（Grayrelational analysis，G RA）与皮尔逊（Pe r s o n）相关性分析算法对光谱指数进行筛选，将筛选后的敏感变量作为模型输人层，构建基于反向神经网络（Back-propagationneural network，BPNN）、偏最小二乘法（Partial least squaresregression，PLSR）、支持向量回归（Supportvectorregression，SVR）和随机森林（Randomforest，RF)4种机器学习算法的植被含水率反演模型，通过对反演效果评价，以讨赖河流域边湾农场为例，确定不同植被覆盖的含水率反演模型，以期为快速、精准反演植被含水率提供理论依据。1材料与方法1.1研究区概况本研究区域位于甘肃省讨赖河流域边湾农场，该地区气候干旱，降雨稀少，蒸发量大，水资源时空分布不均。农场主要作物有：玉米、小麦、向日葵和首等，是河西走廊重要的粮食生产基地。无人机多光谱遥感监测及实地采样位置如图1所示。N.0.0.0t98200E98400E9900E99200EN主要水系城罐区口采样区域高程/m26041321018365472km98200E98400E9900E99200E图1研究区示意图Fig.1Schematic of study area345赵文举等：基于敏感变量筛选的多光谱植被含水率反演模型研究第9 期1.2试验数据采集与预处理1.2.1无人机多光谱遥感影像采样日试验区光照条件充足、均匀，所用遥测平台为DJI公司Phantom4Multispectral无人机，共搭载6 个1/2.9英寸CMOS影像传感器，包含1个彩色RCB传感器和5个单色光谱传感器，详细波段参数如表1所示。设置飞行高度40 m，航线重叠率70%，旁像重叠率6 5%，无人机平均速度4m/s，并采集白板数据用于辐射校正。通过DJITerra及ENVI5.3软件完成影像预处理。表1林机载光谱仪波段参数Tab.1Multispectral parameters of UAV名称波段/nmR650 16G560 16B450 16NIR840 26RedEdge730161.2.2野外实测采样2022年6 月8 一10 日在边湾农场进行实地采样，采样点分布见图2。分别在首、玉米覆盖地均匀布设6 0 个采样点。在获取无人机多光谱遥感影像后，对植被进行整株采样，并使用手持RTK进行打点定标。将采集样本用去离子水洗净称量鲜质量98322E98326EN.8,0S.66983210EN.0,0S.6口首研究区025.50.75100首采样点m98322E98326E983210E983024E983025E983026ETN口玉米研究区玉米采样点05101520m983024E983025E983026E图2 买采样点分布图Fig.2Sampling point distribution后，放入干燥箱10 5杀青30 min，然后7 5干燥至恒定质量，测其干质量141.3光谱指数构建与筛选1.3.1光谱指数构建利用遥感影像中提取的光谱反射率，进行不同的波段组合。通过研究发现该红边波段可有效提升植被覆盖下反演模型精度15。本文将红边波段替换传统光谱指数中的R波段，进而衍生出改进光谱指数，共构成2 5个光谱指数如表2 所示16-19表2光谱指数Tab.2Spectral index光谱指数表达式归一化植被指数（NDVI)(NIR-R)/(NIR+R)改进归一化植被指数(NIR-RedEdge)/(NIR+RedEdge)(NDVI-reg)差值植被指数(DVI)NIR-R改进差值植被指数（DVI-NIR-RedEdgereg)增强植被指数(EVI)2.5(NIR-R)/(NIR+6R-7.5B+1)改进增强植被指数（EVI-2.5(NIR-RedEdge)/reg)(NIR+6RedEdge-7.5B+1)转换性植被指数（TVI)0.5120(NIR-G)-200(R-G)简单比值植被指数(SRVI)(1+L)(NIR-R)/(NIR+R+L)归一化差异绿度指数(G-R)/(G+R)(NDGI)归一化差异土壤指数(R-NIR)/(R+NIR)(NDSI)改进归一化差异土壤指数(RedEdge-NIR)/(RedEdge+NIR)(NDSI-reg)比值植被指数（SR）NIR/R覆盖度植被指数（CVI)(R/B)(G/B)修正叶绿素吸收指数 RedEdge-R-0.2(RedEdge-(MCARI)G)J(RedEdge/R)优化土壤调节植被指数(NIR-R)/(NIR+R+L)(OSAVI)改进叶绿素指数(CI-reg)RedEdge/R-1类胡萝卜素吸收指数3（RedEdge-R）-0.2（Re d Ed g e-(TCARI)B)(RedEdge/R)联合光谱指数(B+G)/(R+NIR)(NIR-(COSRI)R)/(NIR+R)绿叶指数(GLI)(G-R)+(G-B)/(2G)+R+B增强型土壤调节植被指数2NIR+1-2sqrt(2NIR+1)-(MSAVI)8(NIR-R)J/2归一化近红外指数（NNIR）NIR+R+G归一化比值植被指数（NR）R/(NIR+R+G)绿色叶绿素指数(CCI)NIR/G-1水体指数(NDWI)(G-NIR)/(G+NIR)改进湿度指数（NDMI(NIR-RedEdge)/(NIR+RedEdge)reg)注：L为经验常数，本文SRVI取0.5,0 SAVI取0.16;sqrt表示求平方根运算。农2023年机346报业学械1.3.2筛选算法构建光谱数据普遍存在数据密度大、波段及组合繁杂等特点。在模型构建中,穴余及干扰变量均会影响植被含水率反演精度和准确性，进而需要进行变量筛选9。本文选取VIP、G RA 与Person相关性分析对2 5个光谱指数进行筛选、对比。VIP分析和GRA分析通过MatlabR2016a实现，Person相关性分析则是使用IBMSPSS26进行筛选运算。1.4植被含水率反演模型构建与精度评价1.4.1模型构建将玉米、首覆盖地获取的6 0 个样本数据，随机挑选40 个划分为建模集，用于回归建模与训练，20个划分为验证集,用于检验模型精度。通过Person相关性分析、VIP分析及GRA分析，将优选出的敏感光谱变量作为模型的输人层，实测的植被含水率作为模型的输出层，分别采用BPNN、SVR、RF和PLSR构建植被含水率反演模型，机器学习模型均通过MatlabR2016a实现。1.4.2模型精度评价利用模型的决定系数（Coefficientofdetermination，R）、均方根误差（Root mean squarederror，RM SE）和平均绝对误差（Mean absolute error，MAE）来评价建模精度。R?越接近1,RMSE和MAE越小，表明预测值和实测值之间的偏差越小，模型反演效果越好。2结果与分析2.1植被含水率统计特征为了对预测模型进行训练和验证，将划分的建模集与验证集互补性进行对比检验。全集、建模集和验证集描述性统计结果如表3所示。表3植被含水率统计特征Tab.3Statistical characteristics of vegetationmoisture content样本数最小最大平均标准变异系样本样本集量/个值/%值/%值/%差/%数/%全集6064.9672.2568.522.193.19首建模集4064.9672.1168.602.123.09验证集2065.0372.2568.352.313.38全集6080.0885.2582.621.551.87玉米建模集4080.0885.1482.681.541.87验证集2080.1785.2582.501.551.88由表3可知，不同植被覆盖的建模集和验证集均保持和全集植被含水率相近的统计结果。最大限度地减小了建模集和验证集之间的偏差。这表明所选建模集和验证集的植被含水率可以代表整个数据集，采样数据可以较为真实地反映研究区的植被含水率。2.2敏感光谱变量筛选2.2.1皮尔逊相关性筛选在遥感定量估算植被含水率的研究过程中，通常需要建立植被含水率与光谱指数之间的相关关系,并进行分析研究6 ,选择出敏感光谱变量，各变量之间的相关关系由皮尔逊相关系数（Pearsoncorrelation coefficient,PCCs)表示。将计算获取的光谱指数分别与首、玉米的植被含水率进行相关性分析，反射率、光谱指数与含水率的PCCs分布矩阵如图3所示。实测值PCCs,R1.0GBNIR0.8RedEdgeNDVINDVI-reg0.6DViDVI-regEVi0.4EVI-regTViSRVi0.2NDGINDSINDSI-reg0SRCVIMCARI-0.2OSAVICI-regTCARi-0.4COSRIGLIMSAVI-0.6NNIRNRGCI-0.8NDWINDMI-reg-1.0(a)首样地实测值PCCs,1.0BRedEdgeNIR0.8NDVINDVI-reg0.6DViDVI-regEVi0.4EVI-reg301F-01000TViSRVI-0.2NDGI110140.13NDSINDSI-reg0SRCVIMCARI-0.2OSAVICl-regTCARi-0.4COSRIGLIMSAVI-0.6NNIRNR-0.8CCINDWINDMI-reg-1.0(b)玉米样地图3Person相关系数矩阵Fig.3Person correlation coefficient matrix从图3可知，首地除EVI、EV I r e g、C V I、COSRI及NDVI-reg以外的2 O个光谱指数都通过了显著性检验；玉米地则去除G波段、EVI、EV I-reg、CVI、ND G I、CO SRI和TVI,保留18 个敏感变量作为模型输入层。347赵文举等：基于敏感变量筛选的多光谱植被含水率反演模型研究第9 期2.2.2变量投影重要性筛选变量投影重要性分析法是一种基于偏最小二乘算法的变量筛选方法，主要用于评估数据集中每个变量对于解释目标变量的重要性12 。该方法通过计算每个变量在主成分分析或因子分析中的投影贡献,来评估变量的重要性。在MatlabR2016a中对5个光谱反射率及2 5个光谱指数进行变量投影重要性分析，将筛选阅值设置为1.0,筛选结果如图4所示。1.61.41.21.00.80.60.40.20RCBLACNLACN波段及光谱指数(a)首样地1.671.41.21.00.80.60.40.20BACNQN波段及光谱指数(b)玉米样地图4VIP变量筛选结果Fig.4VIP screening results首覆盖地筛选出R、Re d Ed g e、ND VIr e g、DVI-reg、ND G I、ND SI-r e g、SR、M CA RI、CI-r e g、TCARI、G LI、M SA VI、NR共13个光谱波段及光谱指数。玉米地筛选出NIR、Re d Ed g e、ND VI-r e g、D VI-reg、ND SI-r e g、SR、M CA RI、CI-r e g、T CA RI、M SA VI、NR共11个光谱波段及指数，并分别作为模型输人层。2.2.3灰色关联度分析在构建神经网络模型过程中，过多的输人层数据会影响模型的学习过程，降低模型的收敛速度和预测精度，本文采用灰色关联度分析对数据进行筛选，达到去除穴余数据的目的。引人灰色关联度分析法对该区域的植被含水率进行了定量分析2 0】，计算灰色关联度系数（Gray correlation degree，G CD），分辨系数取0.5。在MatlabR2016a中对光谱波段及指数进行灰色关联分析，将筛选敏感变量的GCD阈值设置为0.7,首覆盖地筛选得G、B、NI R、Re d Ed g e、ND V I-reg、EVI-r e g、ND SI-r e g、SR、CO SRI、M SA VI、NNIR、NDWI、ND M I-r e g 共13个敏感变量作为模型输人层，玉米覆盖地则仅排除DVI、EVI、T VI和TCARI。筛选结果如图5所示。1.0r0.90.80.70.60.50.40.30.20.10SAQNKSCN波段及光谱指数(a)首猎样地0.90.80.70.60.50.40.30.20.10RCBBLISANWN波段及光谱指数(b)玉米样地图5GRA变量筛选结果Fig.5GRA screening results2.3基于敏感变量的植被含水率反演模型基于VIP、G RA 和Person相关性分析3种筛选模型算法，建立波段及指数联合样本集，并对所选样本集构建BPNN、PLSR、SVR和RF共4种机器学习模型并进行精度验证，建模集和验证集的结果如表4所示。经Person相关性分析的敏感变量样本集，由4种机器学习反演可得，建模集及验证集决定系数R均大于0.7,均方根误差（RMSE)存在小幅波动，多农3482023年报机学业械表4植被含水率反演模型精度Tab.4Inversion model accuracy of vegetationmoisture content建模集验证集样本模型RMSE/MAE/RMSE/MAE/R2R2%PCCs-BPNN0.7311.7551.2840.7202.5631.961PCCs-PLSR0.8575.0590.6760.8713.7150.638PCCs-SVR0.8171.2631.1150.7921.441 1.318PCCs-RF0.8950.8980.7420.8691.1350.885VIP-BPNN0.8400.8800.4230.8141.1900.839首VIP-PLSR0.8864.5300.6060.8823.5610.581VIP-SVR0.8751.0170.9070.8791.044 0.934VIP-RF0.8920.9570.7880.887 1.1640.967GRA-BPNN0.8550.8690.4390.7781.8741.157GRA-PLSR0.8355.4500.724 0.8214.3740.794GRA-SVR0.8930.6500.3220.8890.7980.533GRA-RF0.8971.0010.7910.5901.1810.876PCCs-BPNN0.8050.7190.5420.7070.899 0.743PCCs-PLSR0.8723.4930.3650.5895.7010.886PCCs-SVR0.791 0.7480.6440.7880.7820.611PCCs-RF0.7380.8840.6880.7750.8470.687VIP-BPNN0.8870.5230.3480.8200.6920.534VIP-PLSR0.8403.9040.4470.7743.2980.549玉米VIP-SVR0.7880.7480.6310.7790.7650.581VIP-RF0.8450.6780.4750.8440.6710.511GRA-BPNN0.8730.5900.4000.7820.7310.605GRA-PLSR0.8853.3060.3570.7683.6620.659GRA-SVR0.7710.7480.5300.8480.6680.542GRA-RF0.7450.8760.6880.7760.8640.707处于0.7%1.2%之间，玉米覆盖地MAE在0.9%以内，首覆盖地在2.0%以内。由VIP筛选的样本集，执行反演运算。结果表明，建模集、验证集R均高于0.7 5。除PLSR反演结果异常,其余模型的RMSE均小于1.2%，MAE保持在1.0%以内。对反演结果进行权重分析，此敏感变量组最佳反演模型为RF。CRA 输人因子较多,由反演结果可得,建模集及验证集R除RF外均大于0.7 5；模型RMSE多低于1.2%；玉米覆盖地MAE在0.7%以内。对评价指标进行权重分析，GRA首地及玉米地最佳反演模型为SVR。基于4种变量筛选算法，分别绘制首、玉米覆盖地的机器学习反演结果散点图、拟合曲线，如图6（图中阴影部分为反演结果置信区间）所示。首覆盖地的散点分布比较均匀且集中，与玉米反演结果相比，其距离置信区间偏差较小，拟合曲线斜率也较为一致。首含水率反演结果主要集中于置信区间的中央,范围为6 6%7 0%。而玉米含水率分布则比较分散,PCCs-PLSR反演结果的离散性较为明显，反演精度最差。在两种植被覆盖下，最佳反演模型均为GRASVR，散点图分布均匀，置信区间合理,残值较少,所有模型的决定系数R都在0.8 以上，反演效果较好。2.4模型综合评价将不同植被覆盖条件下含水率反演结果与实测值进行对比。由图7（图中误差棒长度表示RMSE）可得，PLSR在各类筛选模型中的RMSE最大，均大于3.5%，精度最差。基于GRA和VIP筛选后建立的植被含水率反演模型多取得了较好的反演效果，Person相关性分析筛选后的反演结果稍差，但首样地GRA-RF反演结果相较于其他两种筛选算法还有待改进。综上所述，首、玉米覆盖地植被含水率最佳反演模型为基于灰色关联度分析的支持向量回归模型，首地建模集R为0.8 93,RMSE为0.6 50%，MAE为0.32 2，验证集R为0.8 8 9，RMSE为0.798%，M A E为0.533%；玉米覆盖地建模集R为0.771,RMSE为0.7 48%，MAE为0.530%，验证集R为0.8 48,RMSE为0.6 6 8%,MAE为0.542%,模型反演精度较高，可较真实反映不同植被覆盖的含水率变化情况。3讨论近地遥感具有获取信息快、覆盖面积广及运行成本低等优势，在估算植被含水率方面有较大的发展潜力，是未来精准农业的发展方向2 1。但采用大量的光谱变量使模型的构建变得较为复杂，且大量的光谱变量往往含有余信息。因此，选择适宜的筛选算法及反演模型是提高植被含水率监测精度的有效途径。敏感变量筛选可有效去除光谱变量中的穴余信息，降低植被含水率反演模型的复杂程度，达到提高反演模型精度的目的。综合对比分析基于3种变量筛选方法的反演模型精度,基于VIP建立的4种反演模型精度R较为统一,且均优于PCCs反演结果。但就整体而言，两块样地最佳反演模型均为GRASVR,这与贾萍萍等2 2 、LI等2 3 的研究结果一致。但GRA提取首、玉米敏感变量有较大差异，首样地筛选后敏感变量剩余13个，玉米样地筛选后仅排除4个穴余变量。主要原因是作物光谱特征因作物类型不同、植被覆盖差异，会表现出明显区别13，采样时首种植密度高，且正处于盛花期；玉米覆盖度低,大面积的土壤处于裸露状态。张智韬等2 4 在研究植被覆盖程度对土壤含盐量反演的影响时，证实了这一点，随着植被覆盖度增加，盐分指数敏感性逐渐降低，植被指数敏感性逐渐增加。不同筛选模349赵文举等：基于敏感变量筛选的多光谱植被含水率反演模型研究第9 期7875710F(c)=1.25x-15.51F(x)=1.01x-0.46F(a)=0.44x+38.6371 F(c)=0.56x+30.0376R2=0.719974R2=0.8710R2=0.7921R2=0.8692RMSE为2.56 3%73RMSE为3.7 16%70RMSE为1.441%70FRMSE为1.135%74MAE为1.96 1%72MAE为0.6 38%MAE为1.318%MAE为0.8 8 5%727169697088696868686766676765646466661656667.68869.7071726566 6768 6970 7172736566 67 68 69 70 71 72656667.68697071.72实测含水率/%实测含水率/%实测含水率/%实测含水率/%75F()=0.89x+1.0472F(c)=0.57x+29.5271 rF(a)=0.54x+31.1076F(a)=1.31x-20.23R2=0.8212R2=0.8888R2=0.589574R2=0.778473RMSE为4.37 4%71RMSE为0.7 98%70RMSE为1.11%RMSE为1.8 7 4%72MAE为0.7 94%MAE为0.8 7 6%727170MAE为0.533%MAE为1.6 2 9%一6970702886836968866888686567646664工6665666768369970717265 66 67 68 69 70 71.726566676869707172736566 676869707172实测含水率/%实测含水率/%实测含水率/%实测含水率/%747F(c)=1.06x-4.267271/F(a)=0.54x+31.5273F(c)=0.95x+3.15F(g)=0.67x+23.17R2=0.814172R?=0.881571R2=0.8788R2=0.887372RMSE为1.190%RMSE为3.56 1%RMSE为1.0 44%700FRMSE为1.16 4%MAE为0.8 39%71MAE为0.58 1%70MAE为0.934%MAE为0.9 6 7%70一706969686868858666765666416566 67 68 69 70 71 726566 67 68 69 70 71 7265 66 67 68 69 707172656667 686997071.72实测含水率/%实测含水率/%实测含水率/%实测含水率/%(a)首猎样地85867F(c)=0.63x+30.55F()=0.56x+36.33F(c)=0.63x+30.58F()=0.53x+39.62R2=0.589185R2=0.7072R2=0.775085R2=0.787584RMSE为0.8 99%RMSE为5.7 0 2%MAE为0.8 8 6%84RMSE为0.7 8 2%84RMSE为0.8 47%一MAE为0.7 43%84MAE为0.6 11%MAE为0.6 8 7%83838383828282828181818180上8011工8182838485808182838485808182838485808182838485实测含水率/%实测含水率/%实测含水率/%实测含水率/%F(a)=0.72x+23.33F(x)=0.52x+39.438586F(x)=0.96x+3.2585F()=0.68x+26.61R2=0.7821R20.7757R2=0.7680R2=0.84798584RMSE为0.7 31%RMSE为0.8 6 4%84RMSE为3.6 6 2%84RMSE为0.6 6 8%MAE为0.6 0 5%84MAE为0.6 59%MAE为0.542%MAE为0.7 0 7%838383838282828281818180818080791118081 8283848586808182 83 848586808182 838485808182838485实测含水率/%实测含水率/%实测含水率/%实测含水率/%868686r85F(g)=0.94x+4.70F(c)=0.68x+25.84F()=0.65x+28.81F(c)=0.79x+17.30R2=0.8199R2=0.7786R2=0.84368585R2=0.773585人RMSE为0.6 92%RMSE为0.7 6 5%84RMSE为0.6 7 1%RMSE为3.2 98%84MAE为0.534%8484MAE为0.58 1%MAE为0.511%MAE为0.549%上838383838282828181818180808011808182838485808182838485808182838485808182838485实测含水率/%实测含水率/%实测含水率/%实测含水率/%(b)玉米样地图6植被含水率实测值与预测值对比Fig.6Comparison of measured and predicted vegetation moisture content农2023年机350报学业械1.4BPNNPLSRSVRRF1.21.00.80.60.40.20PCCsVIPCRA筛选算法(a)首猎样地1.4BPNNPLSRSVRRF1.21.00.80.60.40.20PCCsVIPCRA筛选算法(b)玉米样地图7模型反演精度对比Fig.7Comparisons of model inversion accuracy型对光谱变量的响应差异较大2 5,红边波段及相关改进光谱指数复现率较高，而DVI、ND SI 对模型贡献率较差，引人红边波段改进后，光谱指数的Person相关性及变量筛选评分明显提升。此次采样的玉米正处于拔节期，含水率为7 5%8 5%，盛花期首为6 0%7 5%，与IMPOLLONIA等2 6 利用无人机遥感技术对14个芒果杂交品种进行基于光谱指数的含水率测定