麦类作物学报

作者：杨楠，周萌，陈欢，曹承富，杜世州,黄正来

单位：1.安徽农业大学农学院,安徽合肥 230036；2.安徽省农业科学院作物研究所,安徽合肥 230031；3.南京农业大学农学院/国家信息农业工程技术中心,江苏南京 210095

关键词：叶面积指数,产量,光谱,纹理,机器学习,小麦,

基金：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开放课题（AE201908）；安徽省自然科学基金项目（2108085QC111）；安徽省农业科技成果转化应用专项（2021ZH002）

为探讨基于无人机RGB影像实现对小麦叶面积指数(leaf area index,LAI)和产量估算的可行性，设置不同生态点、品种和氮素处理的小麦田间试验，应用大疆精灵4 Pro无人机获取小麦拔节期、抽穗期、扬花期和灌浆期4个主要生育时期的RGB高时空分辨率影像，并同测定小麦LAI。采用相关性分析筛选出不同生育时期对LAI敏感的光谱与纹理特征集，并借助随机森林（random forest,RF）、偏最小二乘回归法（partial least squares regression,PLSR）、BP神经网络（back propagation neural network,BPNN）和支持向量机（support vector machine,SVM）分析方法，筛选出小麦不同生育时期最优的LAI估测模型。基于不同生育时期的光谱与纹理特征以及时期特征集，进一步建立产量预测模型，并在不同生态点验证叶面积估算模型与产量预测模型的普适性。结果表明，基于RF的LAI估测模型的验证精度最高，4个生育时期的均方根误差（root mean square error,RMSE）分别为2.26、1.44、1.73和1.02。基于RF的产量预测模型验证效果也最优，RMSE为1.17 t·hm-2。由此说明基于无人机RGB影像和RF算法，建立LAI和产量估测模型，可实现小麦长势实时监测和产量预测。

来源：2023年第7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7期