10.3964/j.issn.1000-0593(2023)07-2210-10
基于多源数据的小麦品种产量估测研究
小麦产量产前估测关乎农业生产计划制定、粮食安全保障、国家经济和宏观决策.应用无人机能够无损、快速准确、及时高效地估测小麦产量,通过多种机器学习方法充分挖掘无人机多源遥感数据对多个小麦品种进行籽粒产量估测的潜力,明确多源数据融合对模型估测精度的提升效果,对于作物田间管理保障小麦高产稳产具有重要意义.以黄淮麦区 140 个主栽小麦品种为材料开展冬小麦田间试验,采用搭载红绿蓝(RGB)和多光谱传感器的无人机平台对灌浆期的冠层信息进行采集,分别以岭回归、支持向量回归、随机森林回归、高斯过程、k-最邻近算法和Cubist等六种机器学习算法建立单传感器数据以及多源数据融合的产量估测模型,采用决定系数(R2)、均方根误差(RMSE)和相对均方根误差(RRMSE)对估算模型进行评价.结果表明,所选取的 10 个可见光植被指数及 13 个多光谱被指数特征值均与实测产量呈极显著相关(p<0.01),各特征值产量相关系数绝对值由高到低依次为多光谱植被指数(0.54～0.83)、可见光植被指数(0.45～0.61)、纹理特征(<0.45).全部六种机器学习算法均在采用多源数据融合时产量估测模型精度最高,多源数据融合产量估测精度(平均决定系数R2=0.50～0.71)>多光谱传感器产量估测精度(R2 =0.53～0.69)>RGB传感器产量估测精度(R2=0.35～0.51).多源数据融合相对于 RGB数据的R2 提高 0.17～0.23,平均均方根误差(RMSE)降低 0.06～0.09 t·hm-2;相对于多光谱数据的R2 提高 0.01～0.06,RMSE 降低0.01～0.03 t·hm-2.Cubist算法与其他 5 种算法相比,建立的多源数据融合模型产量估测精度最高,R2 为0.71,RMSE为 0.29 t·hm-2.研究表明,相对于单一传感器数据产量估测模型,多源数据融合能够有效提升冬小麦品种产量的估测精度,并且Cubist算法能相对更好地处理多模态融合数据提高产量预测精度,为预测不同小麦品种的产量提供理论指导.
无人机、遥感、小麦估产、光谱指数、纹理特征
43
S127(农业物理学)
国家重点研发计划;国家小麦产业技术体系项目;新疆维吾尔自治区公益性科研院所基础科学活动专项资助项目
2023-07-26（万方平台首次上网日期，不代表论文的发表时间）
共10页
2210-2219
