结合无人机多光谱数据和机器学习算法的春小麦叶面积指数反演

S127; [目的]探究基于无人机多光谱数据反演大田春小麦叶面积指数(LAI)的最优机器学习建模方法.[方法]以内蒙古沿黄流域的土默川平原春小麦为对象,利用大疆P4M无人机采集了 3个关键生育时期(拔节期、孕穗期、灌浆期)多光谱影像数据,提取植被指数同实测LAI进行相关性分析,用以植被指数的筛选,筛选后的植被指数进行主成分分析(PCA),将新主成分因子作为模型输入变量结合多元线性回归(MLR)、决策树回归(DTR)、BP神经网络回归(BPNN)、梯度提升树回归(GBDT)、支持向量机回归(SVR)和随机森林回归(RFR)6种建模方法,分别构建不同生育时期LAI估算模型,经精度验证,确定LAI的...

Full description

Saved in:
Bibliographic Details
Published inGuanʻgai paishui xuebao Vol. 43; no. 11; pp. 63 - 73
Main Authors LIU, Qi, QU Zhongyi, BAI Yanying, YANG, Wei, FANG Haiyan, BAI Qiaoyan, YANG, Yixuan, ZHANG Ruxin
Format Journal Article
LanguageChinese
English
Published Xinxiang City Chinese Academy of Agricultural Sciences (CAAS) Farmland Irrigation Research Institute Editorial Office of Journal of Irrigation and Drainage 01.11.2024
内蒙古科技大学能源与环境学院,内蒙古包头 014010%河套灌区水利发展中心解放闸分中心,内蒙古巴彦淖尔 015400%内蒙古巴彦淖尔市水利事业服务中心,内蒙古巴彦淖尔 015000
内蒙古农业大学水利与土木建筑工程学院,呼和浩特 010018%内蒙古农业大学水利与土木建筑工程学院,呼和浩特 010018
Subjects
Algorithms
Artificial neural networks
Back propagation networks
Correlation coefficient
Correlation coefficients
Data acquisition
Decision trees
Growth stage
Image acquisition
Jointing
Leaf area
Leaf area index
Learning algorithms
Leaves
Machine learning
Neural networks
Normalized difference vegetative index
Principal components analysis
Regression
Regression analysis
River basins
Spectrometry
Spring wheat
Support vector machines
Vegetation
Water analysis
Wheat
vegetation index
春小麦
机器学习算法
无人机
植被指数
spring wheat
多光谱
leaf area index
UAV
叶面积指数
machine learning method
multispectral
Online AccessGet full text

Cover

More Information
Summary:S127; [目的]探究基于无人机多光谱数据反演大田春小麦叶面积指数(LAI)的最优机器学习建模方法.[方法]以内蒙古沿黄流域的土默川平原春小麦为对象,利用大疆P4M无人机采集了 3个关键生育时期(拔节期、孕穗期、灌浆期)多光谱影像数据,提取植被指数同实测LAI进行相关性分析,用以植被指数的筛选,筛选后的植被指数进行主成分分析(PCA),将新主成分因子作为模型输入变量结合多元线性回归(MLR)、决策树回归(DTR)、BP神经网络回归(BPNN)、梯度提升树回归(GBDT)、支持向量机回归(SVR)和随机森林回归(RFR)6种建模方法,分别构建不同生育时期LAI估算模型,经精度验证,确定LAI的最优估算模型.[结果]归一化植被指数(NDVI)、改进的简单比值植被指数(MSR)、比值植被指数(RVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)和归一化差异红边指数(NDRE)与LAI均存在显著相关性,但重归一化植被指数(RDVI)在孕穗期和灌浆期与LAI的相关系数仅为0.23和0.21.在反演模型方面,拔节期的BPNN模型表现最优,验证集R2为0.822,RMSE为0.305,MAE为0.257.而在孕穗期、灌浆期以及整个生育期内,RFR模型表现最佳,验证集R2分别为0.613、0.811和0.834,对应的RMSE分别为0.189、0.150和0.174,MAE分别为0.126、0.121和0.133,且以多生育时期数据建立的RFR模型精度大于单生育时期模型.[结论]利用无人机多光谱数据计算的植被指数结合机器学习算法可以较好反映春小麦各生育时期LAI分布情况,其中,使用多生育时期数据建立的模型估算精度大于单生育时期模型,单生育时期中,拔节期的预测精度最高,其次是灌浆期和孕穗期.在算法方面,BPNN算法构建的LAI估算模型在拔节期的反演精度最高RFR算法构建的LAI估算模型是准确估算春小麦中后期LAI表型参数的优选方法,相比之下GBDT模型在各生育时期的反演精度均较低,不推荐作为春小麦LAI反演模型.
Bibliography:ObjectType-Article-1
SourceType-Scholarly Journals-1
ObjectType-Feature-2
content type line 14
ISSN:1672-3317
DOI:10.13522/j.cnki.ggps.2023445