研究目的
为了检验使用高光谱图像数据的预测方程是否能比植被指数（VIs）获得更好的粮食产量预测效果，并评估替代估算方法以及结合多个时间点数据的好处。
研究成果
与植被指数相比，高光谱图像数据对玉米籽粒产量的预测精度更高，其中贝叶斯收缩与变量选择方法（BayesB）表现最佳。结合多个时间点的数据能进一步提升精度，这凸显了利用全谱数据和先进统计方法进行高通量表型分析的优势。
研究不足
该研究假设样地内误差不相关，且未考虑空间相关性或异质性误差方差?；毓橄凳赡芩嫘宰春突肪程跫浠?，需针对具体情况进行校准。
1：实验设计与方法选择：
研究采用线性回归模型，输入数据来自高光谱数据或植被指数（VIs），使用普通最小二乘法（OLS）、偏最小二乘法（PLS）和贝叶斯收缩与变量选择方法（BayesB）。
2：样本选择与数据来源：
数据包含2014年在墨西哥CIMMYT实验站进行的11次高温干旱胁迫产量试验中的467个玉米杂交种。
3：实验设备与材料清单：
高光谱相机（VNIR Headwall Photonics Micro-Hyperspec ARS3）、飞机（Piper PA-16 Clipper）、GPS接收器（Trimble R4）、积分球（CSTM-USS-2000C均匀光源系统）、太阳光度计（Micro-Tops II）。
4：3）、飞机（Piper PA-16 Clipper）、GPS接收器（Trimble R4）、积分球（CSTM-USS-2000C均匀光源系统）、太阳光度计（Micro-Tops II）。 实验流程与操作步骤：
4. 实验流程与操作步骤：在高粱播种后五个时间点采集高光谱图像，处理以排除土壤像素，校准后用于提取反射率和植被指数。通过留一试验交叉验证拟合和评估回归模型。
5：数据分析方法：
使用试验内相关系数评估预测精度，采用自助法计算标准误差并进行比较。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
hyperspectral camera
VNIR Headwall Photonics Micro-Hyperspec ARS3
Headwall Photonics
To measure reflectance at multiple wavelengths for hyperspectral imaging.
-
aircraft
Piper PA-16 Clipper
Piper
To mount the hyperspectral camera for aerial data collection.
-
GPS receiver
Trimble R4
Trimble
To measure plot coordinates for georeferencing the hyperspectral images.
-
integrating sphere
CSTM-USS-2000C Uniform Source System
LabSphere
To radiometrically calibrate the hyperspectral camera.
-
sun photometer
Micro-Tops II
Solar LIGHT Company
To measure aerosol optical depth for atmospheric correction.
-
登录查看剩余3件设备及参数对照表
查看全部
