农业机械学报

作者：姚付启，曾凡超，孙金伟，饶志龙，王子涵

单位：鲁东大学,鲁东大学;中国科学院东北地理与农业生态研究所,鲁东大学,鲁东大学,鲁东大学,

关键词：叶绿素含量;估算模型;红边偏度;红边峰度;机器学习

基金：国家自然科学基金项目（51809284、51309016）和山东省自然科学基金项目（ZR2020ME254、ZR2020QDO61）

叶绿素是植物光合作用的关键组分，能够反映植物的生理状况与健康水平。准确估算植被叶绿素含量对于监测植物生长状态具有重要意义。尽管传统红边参数在叶绿素含量估算中得到了广泛应用，但其存在一定的局限性。为弥补这一不足，引入红边偏度SRE和红边峰度KRE作为新的红边参数，探索其与叶绿素含量之间的关系，并以冬小麦和夏玉米为研究对象，采用多元线性回归（Multiple linear regression, MLR）、极端梯度提升树（Extreme gradient boosting, XGBoost）和反向传播神经网络（Backpropagation neural network, BPNN）3种建模方法，比较以SRE和KRE作为输入参数的叶绿素含量估算模型与传统红边参数模型的表现。研究结果表明：SRE和KRE与叶绿素含量之间存在显著负相关，随着叶绿素浓度的增加，SRE和KRE均呈现下降趋势。采用3种建模方法的不同作物叶绿素含量估算模型中，以SRE和KRE为输入参数的模型预测精度明显优于传统红边参数模型，具有更高的R2，更低的RMSE，残差的分布也更加集中，模型的稳定性和精度较高。在3种建模方法中，BPNN模型表现最佳，其R2显著高于其他两种方法。本研究证明了SRE和KRE相比传统红边参数更能全面地反映叶绿素含量的变化特征，且当结合BPNN模型进行建模时，能够有效提升植被叶绿素含量的估算精度，为植被叶绿素含量的高精度估算提供了一种新的技术路径，对作物生长状态监测和精准农业应用具有实际意义。

来源：2025年第9期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第9期