Recuperação do teor de clorofila de folhas em laranja do umbigo Gannan com base na fusão de índices de vegetação hiperespectral usando algoritmos de inteligência artificial

RESUMO:

Estimar os teores de clorofila foliar através de espectros de refletância foliar é eficiente e não destrutivo, a base da literatura sobre índices ópticos (principalmente índices de clorofila) é ampla e extensa. No entanto, não há muito consenso sobre índices robustos para a laranja de Gannan. O estudo investigou o desempenho de 19 índices publicados usando RDS (espectro de dados brutos), FDS (espectro de dados de primeira derivada) e SDS (espectro de dados de segunda derivada) para a estimativa do teor de clorofila em folhas de laranja de umbigo. Os índices espectrais foram comparados quanto à sua precisão na previsão do teor de clorofila a (Chla), teor de clorofila b (Chlb) e teor de clorofila total (Chltot) em folhas de laranja de umbigo usando regressão dos mínimos quadrados parcial (PLSR), regressão adaboost (AR), modelos de regressão de floresta aleatória (RFR), regressão de árvore de decisão (DTR) e regressão de máquina de vetor de suporte (SVMR). Através da comparação dos dados acima em três conjuntos de dados, o conjunto de dados de modelagem ideal são os dados RDS, seguidos pelos dados FDS, e o pior são os dados SDS. Na modelagem com vários índices espectrais, bons resultados foram obtidos para Chla (NDVI750, NDVI800), Chlb (Datt, DD, Gitelson 2) e Chltot (Datt, DD, Gitelson2) por combinações de índices correspondentes. No geral, podemos descobrir que o AR também é o melhor método de regressão a julgar pelo desempenho de previsão dos resultados de modelos de índice espectral único e modelos de índices espectrais múltiplos. Em comparação, o resultado de modelos de índices espectrais múltiplos é melhor do que os modelos de índices espectrais únicos na previsão do conteúdo de Chla e Chltot usando dados FDS e dados SDS, respectivamente.

Palavras-chave:
teor de clorofila; índice espectral; regressão; Gannan laranja umbigo