文献类型：期刊文章

作　　者：苑迎春[1,2] 周毅[1,2] 宋宇斐[3] 徐铮[1,2] 王克俭[1,2]

YUAN Yingchun;ZHOU Yi;SONG Yufei;XU Zheng;WANG Kejian(College of Information Science and Technology,Hebei Agricultural University,Baoding 071001,China;Hebei Agricultural Data Key Laboratory,Baoding 071001,China;College of Computer Science and Engineering,Shijiazhuang University,Shijiazhuang 050035,China)

机构地区：[1]河北农业大学信息科学与技术学院,保定071001 [2]河北省农业大数据重点实验室,保定071001 [3]石家庄学院计算机科学与工程学院,石家庄050035

出　　处：《农业机械学报》

基　　金：河北省重点研发计划项目(41130100862301002);河北省高等学校科学技术研究项目(QN2021409)

年　　份：2022

卷　　号：53

期　　号：8

起止页码：186-195

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为运用图像颜色特征估测作物的叶绿素含量,以自然环境下的小麦冠层图像为研究对象,提出一种基于熵权法的颜色特征选择方法,并应用机器学习方法建立小麦冠层叶绿素含量估测模型。熵权法通过信息熵来衡量颜色特征指标权重,实现冠层图像特征排序,机器学习方法选用多元线性回归(Multiple linear regression, MLR)、岭回归(Ridge regression, RR)和支持向量回归模型(Support vector regression, SVR)估测小麦冠层叶绿素含量。试验结果表明,与皮尔逊相关系数法和主成分分析法选取的特征集进行对比,熵权法得到a^(*)、R-G-B、R-G、(a^(*)+b^(*))/L、a^(*)/b^(*)、(R-G)/(R+G+B)、(R-B)/(R+B)、H/S、(R-G)/(R+G)等9个特征组成的特征集,可以利用较少的特征指标达到最优的预测效果。在选取相同特征指标参数的情况下,SVR的预测能力优于其它模型,其R^(2)和RMSE的平均值分别为0.80、1.89,相比于MLR和RR模型R^(2)分别提升2.8%、1.1%,RMSE分别下降0.13和0.05。将基于熵权法建立的SVR模型应用到2021年采集的小麦冠层图像数据,结果表明模型具有很好的稳定性。

关 键 词：小麦冠层 叶绿素估测  颜色特征选择  信息熵

分 类 号：S512.1]