论文
论文题目: 耦合多源无人机遥感数据和机器学习方法的玉米SPAD估测
第一作者: 周科, 陈鹏飞
联系作者:
发表年度: 2025
摘  要: 为实现玉米精准施肥管理,准确识别其叶绿素含量具有重要意义。叶片叶绿素相对含量(soil and plant analyzer development, SPAD)值是叶绿素含量的重要指示参数,已有研究多采用单一数据源,结合单一机器学习方法来对其反演。为提高SPAD反演精度,本研究探讨耦合多源无人机遥感影像与多种机器学习方法来开展SPAD值反演的可行性,并将其与已有方法进行比较。基于不同有机肥、无机肥、秸秆还田以及种植密度处理的玉米田间试验,获取玉米四叶期和九叶期的无人机多光谱影像和RGB (Red-Green-Blue)影像,并同步测量了叶片SPAD数据。基于多尺度分析的方法,将RGB影像与多光谱影像进行融合,生成既具有高空间分辨率又具有多光谱的融合影像。此外,基于集成学习思想,选择BP-人工神经网络法(Back Propagation-Artificial Neural Network,BP-ANN)、支持向量机法(Support vector machine,SVM)、广义加性模型法(Generalized additive model,GAM)、随机森林法(Random Forest, RF)等不同类型机器学习模型,构建集成学习模型(Ensemble Learning Method,ELM)。基于以上数据源和模型,设计不同数据源和不同机器学习模型的耦合情景。将数据集分为建模数据集和验证数据集,基于建模数据集构建每种情景下的SPAD反演模型,然后基于验证数据集进行模型验证,对比分析确定最优SPAD反演模型与数据源。相对于单源数据,多源数据通过融合多光谱影像的光谱信息和RGB影像的纹理信息,提高了SPAD反演的精度。此外,相对于单一机器学习方法,基于集成学习思想耦合多种机器学习方法可以提高SPAD的反演精度。在所有情景中,基于ELM方法和融合影像的SPAD模型精度最高,其建模Rcal2为0.83、RMSEcal为1.93,验证Rval2为0.80、RMSEval为2.07;其他情景下,各模型的建模Rcal2在0.64~0.88之间,RMSEcal在1.63~2.84之间;验证Rval2在0.60~0.78之间,RMSEval在2.18~3.01之间。本研究证明了在反演玉米SPAD时,最优策略是使用多源数据和集成学习模型,为进一步的精准氮肥管理提供了技术支撑。
英文摘要:
刊物名称: 作物学报
全文链接:
论文类别: CSCD