基于无人机多光谱影像和机器学习方法的玉米叶面积指数反演研究

• Published in: 作物学报 Vol. 49; no. 12; pp. 3364 - 3376
• Main Authors: 马俊伟, 陈鹏飞, 孙毅, 谷健, 王李娟
• Format: Journal Article
• Language: Chinese
• Published: 中国科学院地理科学与资源研究所/资源与环境信息系统国家重点实验室,北京 100101%中国科学院地理科学与资源研究所/资源与环境信息系统国家重点实验室,北京 100101 2023; 江苏师范大学地理测绘与城乡规划学院,江苏徐州 221116; 江苏省地理信息资源开发与利用协同创新中心,江苏南京 210023%中国科学院沈阳应用生态研究所,辽宁沈阳 110016%江苏师范大学地理测绘与城乡规划学院,江苏徐州 221116
• Subjects: 机器学习; 玉米; LAI; multispectral image; 多光谱影像; 无人机; UAV; 叶面积指数; machine learning; maize
• ISSN: 0496-3490
• DOI: 10.3724/SP.J.1006.2023.33001

为实现基于机器学习方法和无人机影像的叶面积指数(leaf area index,LAI)准确估测.本研究对比了人工神经网络法(Artificial Neural Network algorithm,ANN)、高斯过程回归法(Gaussian Process Regression algorithm,GPR)、支持向量回归法(Support Vector Regression algorithm,SVR)和梯度提升决策树法(Gradient Boosting Decision Tree,GBDT)等几种主流的机器学习方法在基于无人机影像的玉米LAI反演中的优劣.为此,开展了不同有机肥、无机肥、秸秆还田以及种植密度处理的玉米田间试验,在不同生育期获取了无人机多光谱影像和LAI数据.基于这些数据,首先通过相关性分析,选择对 LAI 敏感的光谱指数作为估测变量,然后分别耦合偏最小二乘法(Partial Least Squares Regression,PLSR)和ANN、GPR、SVR、GBDT建立LAI反演模型,并对它们进行对比分析.结果表明,PLSR+GBDT法构建的LAI反演模型精度最高,稳定性最好,建模Rcal2 和RMSEcal为 0.90 和 0.25,验证Rval2 和RMSEval为 0.90 和0.29;与PLSR+GBDT模型结果最接近的是基于PLSR+GPR法建立的模型,其建模Rcal2和RMSEcal为0.86和0.30,验证Rval2和RMSEval为0.89和0.29,且具有训练速度快,并能给出反演结果不确定度的优势;PLSR+ANN法的建模Rcal2和RMSEcal为 0.85和 0.31,验证Rval2 和RMSEval为 0.89和 0.30;PLSR+SVR法的建模Rcal2 和RMSEcal为 0.86和 0.32,验证Rval2 和RMSEval为 0.90 和 0.33.因此,PLSR+GBDT法和PLSR+GPR法被推荐作为玉米LAI反演模型构建的最优方法.