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
文献类型：期刊论文
| 作者 | 马俊伟; 陈鹏飞; 孙毅; 谷健; 王李娟 |
| 刊名 | 作物学报
 |
| 出版日期 | 2023 |
| 页码 | 14 |
| 关键词 | 叶面积指数 机器学习 无人机 多光谱影像 玉米 |
| ISSN号 | 0496-3490 |
| 文献子类 | 期刊 |
| 英文摘要 | 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。 |
| URL标识 | 查看原文 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/193362]  |
| 专题 | 资源与环境信息系统国家重点实验室_中文论文 |
| 通讯作者 | 陈鹏飞 |
| 作者单位 | 1.江苏师范大学地理测绘与城乡规划学院 2.中国科学院地理科学与资源研究所/资源与环境信息系统国家重点实验室 3.江苏省地理信息资源开发与利用协同创新中心 4.中国科学院沈阳应用生态研究所 |
| 推荐引用方式 GB/T 7714 | 马俊伟,陈鹏飞,孙毅,等. 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[J]. 作物学报,2023:14. |
| APA | 马俊伟,陈鹏飞,孙毅,谷健,&王李娟.(2023).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.作物学报,14. |
| MLA | 马俊伟,et al."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".作物学报 (2023):14. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。