论文--中国科学院地理科学与资源研究所

论文

论文题目：	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
第一作者：	马俊伟，陈鹏飞，孙毅，谷健等
联系作者：
发表年度：	2023
摘　　要：	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)和随机森林回归法(Random Forest Regression algorithm， RFR)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、RFR建立LAI反演模型，并对它们进行对比分析。结果表明，PLSR+RFR法构建的LAI反演模型精度最高，稳定性最好，建模R_(cal)~(2)和RMSE_(cal)为0.90和0.25，验证R_(val)~(2)和RMSE_(val)为0.89和0.29；与PLSR+RFR模型结果最接近的是基于PLSR+GPR法建立的模型，其建模R_(cal)~(2)和RMSE_(cal)为0.86和0.30，验证R_(val)~(2)和RMSE_(val)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法构建的模型紧随其后，建模R_(cal)~(2)和RMSE_(cal)为0.85和0.31，验证R_(val)~(2)和RMSE_(val)为0.87和0.30；PLSR+SVR法构建的模型精度最差，建模R_(cal)~(2)和RMSE_(cal)为0.84和0.32，验证R_(val)~(2)和RMSE_(val)为0.85和0.33。因此，PLSR+RFR法和PLSR+GPR法被推荐作为玉米LAI反演模型构建的最优方法。
英文摘要：
刊物名称：	作物学报
全文链接：
论文类别：	CSCD