麦类作物学报

作者：张传波，李卫国，张宏，李伟，马廷淮，张琤琤，陈华

单位：1．江苏大学农业工程学院,江苏镇江 212013；2.江苏省农业科学院农业信息研究所,江苏南京 210014；3.江苏大学流体机械工程技术研究中心,江苏镇江 212013；4.南京信息工程大学,江苏南京 210044

关键词：冬小麦,遥感光谱指标,叶面积指数,神经网络,生物量,

基金：国家重点研发计划项目（政府间重点专项）（2021YFE0104400）；江苏省农业科技自主创新资金项目（CX（20）2037）

为探讨基于神经网络对小麦地上部生物量（aboveground biomass，AGB）进行遥感估测的可行性，在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验，在对冬小麦近红外波段反射率（near-infrared band reflectance，REFnir）、红光波段反射率（red band reflectance，REFred）、归一化差值植被指数（normalized difference vegetation index，NDVI）、差值植被指数（difference vegetation index，DVI）、比值植被指数（ratio vegetation index，RVI）、土壤调节植被指数（soil adjusted vegetation index，SAVI）和优化土壤调节植被指数（optimized soil adjusted vegetation index，OSAVI）等7个遥感光谱指标与冬小麦生长指标（LAI和AGB）进行相关性分析基础上，构建基于BP神经网络的冬小麦AGB估测模型，并与多元线性回归估测模型进行精度比较。结果表明，冬小麦拔节期REFred、NDVI、RVI、SAVI、OSAVI和LAI与AGB之间存在较好相关性，其中LAI与AGB的相关性最高（相关系数为0.782），SAVI与AGB的相关性最低(相关系数为0.647)。利用BP神经网络建立的冬小麦AGB估测模型AGBBP的决定系数（r）为0.918，均方根误差（root mean square error，RMSE）为582.9 kg·hm-2，平均相对误差（average relative error，ARE）为18.4%。利用多元线性回归分析建立的冬小麦AGB估测模型AGBRA的r为0.784，RMSE为871.1 kg·hm-2， ARE为32.6%。利用冬小麦抽穗期AGB实测数据再对模型AGBBP和AGBRA进行验证，其RMSE分别为1 140.4和1 676.7 kg·hm-2， ARE分别为20.5%和33.1%。由此可以看出，冬小麦估测模型AGBBP精度优于模型AGBRA，说明利用多个遥感光谱指标结合LAI建模可以有效提高冬小麦AGB的估测精度。

来源：2022年第5期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2022年第5期