基于信息熵特征选择的小麦冠层叶绿素含量估测方法

作     者：苑迎春 周毅 宋宇斐 徐铮 王克俭 YUAN Yingchun;ZHOU Yi;SONG Yufei;XU Zheng;WANG Kejian

作者机构：河北农业大学信息科学与技术学院保定071001 河北省农业大数据重点实验室保定071001 石家庄学院计算机科学与工程学院石家庄050035 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2022年第53卷第8期

页      面：186-195页

核心收录：

学科分类：09[农学] 0901[农学-作物学] 

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) 

主　　题：小麦冠层 叶绿素估测 颜色特征选择 信息熵 

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。