获取叶片含水率(leaf water content,LWC)对于了解作物水分状况和水分管理具有重要意义。为探索基于无人机高光谱影像数据快速、准确获取马铃薯LWC的方法,利用低空无人机搭载高光谱成像仪采集田块尺度马铃薯冠层光谱数据,通过连续小波变...获取叶片含水率(leaf water content,LWC)对于了解作物水分状况和水分管理具有重要意义。为探索基于无人机高光谱影像数据快速、准确获取马铃薯LWC的方法,利用低空无人机搭载高光谱成像仪采集田块尺度马铃薯冠层光谱数据,通过连续小波变换(continuous wavelet transform,CWT)对原始光谱反射率进行步长为2的幂次方处理,从小波系数与LWC相关性层面筛选小波变换尺度,并采用竞争自适应重加权(competitive adaptive reweighed sampling,CARS)和基于模型的特征(model based features,MF)方法对光谱数据进行特征筛选,最后结合偏最小二乘回归(partial least square regress,PLSR)、随机森林(radom forest,RF)、极端梯度提升(extreme gradient boosting,XGBoost)估算LWC。结果表明,CWT可增强冠层光谱与LWC的相关性。在全波段变量中,LWC最佳尺度小波特征模型决定系数(R2)相较于原始光谱分别提升0.19、0.14和0.32。在CARS优选变量中,特征小波系数模型的效果不理想(R2<0.54),基于原始光谱构建的PLSR模型精度较好,验证集的R2和均方根误差分别为0.70和0.732,具有粗略估算LWC的能力。在MF优选的变量集中,各模型精度均有提升,其中基于2~4尺度小波系数构建的XGBoost模型精度最高,验证集的R2和均方根误差分别为0.81和0.541。因此,通过CWT结合MF方法选取的特征进行LWC监测具有更好的估算精度,为马铃薯水分的精细化管理提供有效手段。展开更多