耦合多光谱分辨率与特征选择方法对果树叶片等效水厚度估算的影响研究

本文系统探讨了不同光谱分辨率与特征选择策略（如CARS、SPA、t-SNE及多波段光谱指数）的耦合对果树叶片等效水厚度（EWT）估算精度的影响。通过PROSPECT-D模型生成模拟数据集，结合WOA-RF机器学习算法，发现20 nm-CARS组合在中等分辨率下表现最优（R2 > 0.881, MAE < 0.00097），为大规模果树水分状态遥感监测提供了高效、低成本的解决方案。

　　

Highlight

描述性统计分析

各样本集的等效水厚度（EWT）统计分析结果如表5和图5所示。数值区间分布合理，样本集间的变异系数（CV）较高（25%至43%）。这种高度变异性有助于增强模型的预测和泛化能力（Kuang and Mouazen, 2011）。样本集的划分遵循高光谱研究要求，具有随机性和代表性。

PROSPECT-D模型的性能

本研究证明了采用混合模型方法构建果树叶片EWT估算模型的有效性。与物理模型和统计方法相比，混合模型通常通过大量样本训练减少对实测数据的依赖，并在估算植被理化指标时表现更优。然而，针对叶片水分估算的研究仍相对较少。

结论

本研究利用PROSPECT-D模型模拟光谱数据，并将其重采样为三类共九种光谱分辨率。通过多种特征选择技术提取与EWT相关的光谱特征，并采用RF和WOA-RF模型进行EWT估算。结果表明，重采样减少了数据量并缓解了冗余性。通过构建光谱指数（三波段和双波段）、执行特征选择算法（CARS、SPA）及降维方法（t-SNE），成功提取了精确的特征组合。