麦类作物学报

作者：朱奇磊，梁栋，徐新刚，安晓飞，陈立平，杨贵军，黄林生，许思喆

单位：(1.安徽大学电子信息工程学院,安徽合肥 230601；2.北京市农林科学院信息技术研究中心,北京 100097；3.北京市农林科学院智能装备技术研究中心,北京 100097；4.安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心,安徽合肥 230601)

关键词：秸秆覆盖度,灰色关联分析-随机森林,机器学习算法,特征变量筛选,

基金：国家重点研发计划项目（2019YFE0125300）；北京市农林科学院科技创新能力建设专项（KJCX20210433）; 国家现代农业产业技术体系资助项目(CARS-03)

为探究大范围小麦秸秆覆盖度(CRC)估测方法，以冬小麦秸秆为研究对象，基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合，利用灰色关联-随机森林（GRA-RF）敏感特征提取方法，结合高斯过程（GPR）、套索(LASSO)、岭回归（RR）和偏最小二乘(PLSR)等多种机器学习算法，开展小麦CRC估算的最优模型研究。结果表明，基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度，LASSO算法总体对小麦CRC的估测效果最佳，并且针对不同的光谱特征组合表现出差异化的结果。其中，以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优（r2=0.65，RMSE=9.25%），以波段与纹理两者组合特征估算的CRC精度次之（r2=0.63，RMSE=9.31%），仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征；相比于单一特征，光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度。

来源：2023年第4期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2023年第4期