分数阶微分与SPA算法在小麦叶片含水量高光谱估算中的应用

"本文研究了基于分数阶微分和连续投影算法在反向传播神经网络(BPNN)中用于估算小麦叶片含水量的高光谱技术。通过在农田尺度上利用春小麦的野外光谱数据和实际测量的叶片含水量数据，对光谱进行0到2阶的分数阶微分，以0.2阶为步长，分析这些微分与叶片含水量的关系。结果显示分数阶微分能更精确地反映两者之间的关系。经过0.01水平的显著性检验，选择了最佳波段组合，并使用SPA算法筛选出红光和近红外范围内的敏感波段。1.2阶微分后的水分敏感波段最多，达到13个。最终，基于1.8阶微分构建的6-4-1 BPNN模型表现出最佳性能，建模组和验证组的均方根误差低，决定系数高，表明分数阶微分提高了模型的稳定性和预测能力，为高光谱定量反演春小麦叶片含水量提供了有效方法。" 本文探讨了在高光谱估算小麦叶片含水量方面，分数阶微分和连续投影算法的潜力。传统的光谱分析可能无法充分捕捉复杂的光谱特征与生物物理参数之间的关系，而分数阶微分作为一种高级分析工具，能够揭示更精细的光谱变化，从而改进对叶片含水量的估计。通过对春小麦光谱数据进行不同阶数的分数阶微分，研究发现相关性在某些阶数下显著增强，特别是在红光和近红外波段，这表明这些波段对于水分含量的敏感性较高。 连续投影算法（SPA）在此过程中起到了关键作用，它能够有效地从众多波段中选择出对目标变量最具影响力的波段组合。通过SPA筛选，发现1.2阶微分后的波段对水分含量最敏感，数量最多，这为后续的模型建立提供了基础。 反向传播神经网络（BPNN）是一种常用的非线性模型，适用于复杂问题的建模。文中采用6-4-1结构的BPNN，基于1.8阶微分的光谱数据，建立了估算叶片含水量的模型。该模型在建模和验证阶段都表现出了良好的性能，具有较低的均方根误差和较高的决定系数，显示出分数阶微分处理对提高模型预测精度的显著效果。 结合分数阶微分和SPA的高光谱分析方法，以及BPNN的非线性建模能力，为农田尺度的作物水分管理提供了新的可能性。这一研究不仅有助于优化农业水资源的利用，也有助于提高农作物生长监测的精确度，为未来的精准农业实践提供了理论支持。