PCANN模型用于水稻氮素定量遙感診斷精度優于線性模型

　　隨著環境問題日益受到重視，如何在保證作物高產優質的同時防止或盡量減少作物生產帶來的環境污染是各國政府、專家、環境工作者及生產者所必須解決的問題。因此，采取有效的氮素管理措施，合理施用氮肥，準確、迅速、經濟地判斷植物的氮素狀況、確定作物的氮肥需要量以及提高氮肥的利用效率具有重大的經濟和生態意義。

　　遙感技術為獲得不同尺度生化組分含量提供了一個便捷的多元化工具。定量化提取植被生化組分信息的研究隨著高光譜技術的發展而飛快的發展起來，同時現代計算機技術提供了強大的計算和數據處理能力，極大程度地豐富了遙感提取生化組分信息的數據處理方法。數據挖掘技術因此應運而生，成為定量化提取植被生化組分信息研究中的熱點問題。

　　中國科學院新疆生態與地理研究所易秋香博士圍繞遙感信息數據挖掘技術這一前沿課題，主要探討主成分分析法(PCA)結合神經網絡法(ANN)用于冠層尺度水稻氮含量遙感診斷的精度。通過水稻不同施肥梯度的控制試驗，獲取不同氮素水平水稻主要發育期的氮含量信息以及冠層光譜信息，在主成分分析的基礎上，采用傳統的多元線性回歸法以及神經網絡法構建氮含量遙感診斷模型，并對模型的精度采用RMSE以及REP進行對比檢驗。結果表明，與多元線性模型相比，將主成分得分值作為神經網絡模型的輸入變量所構建的PC-ANN模型表現更佳，其RMSE值以及REP值分別比線性模型降低17.6%和25.8%。相關研究成果發表在International Journal of Remote Sensing上。