耦合多源无人机遥感数据和机器学习方法的玉米SPAD估测
文献类型：期刊论文
| 作者 | 周科1,3; 陈鹏飞1,2 |
| 刊名 | 作物学报
 |
| 出版日期 | 2025-02-11 |
| 卷号 | N/A期号:0页码:1-12 |
| 关键词 | 机器学习 多源数据 玉米 SPAD 无人机 |
| ISSN号 | 0496-3490 |
| 产权排序 | 1 |
| 英文摘要 | 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。 |
| URL标识 | 查看原文 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/212265]  |
| 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.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; 2.江苏省地理信息资源开发与利用协同创新中心 3.中国科学院大学; |
| 推荐引用方式 GB/T 7714 | 周科,陈鹏飞. 耦合多源无人机遥感数据和机器学习方法的玉米SPAD估测[J]. 作物学报,2025,N/A(0):1-12. |
| APA | 周科,&陈鹏飞.(2025).耦合多源无人机遥感数据和机器学习方法的玉米SPAD估测.作物学报,N/A(0),1-12. |
| MLA | 周科,et al."耦合多源无人机遥感数据和机器学习方法的玉米SPAD估测".作物学报 N/A.0(2025):1-12. |
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。