论文部分内容阅读
地上生物量是反应田间作物生长状况最常用参数之一,产量衡量收益状况的好坏。在精准农业研究中,及时准确地估算产量和高效地监测地上生物量对农业的精准管理和快速决策起着至关重要的作用,对国家粮食安全和农业政策的制定和执行具有重要研究意义。本研究利用两种类型的多旋翼无人机平台分别搭载多光谱、热红外和高光谱传感器,在2019-2021年主要采集了试验区种植冬小麦抽穗期、开花期和灌浆期的冠层多光谱、热红外和高光谱影像,探讨了基于无人机多光谱、高光谱和热红外的冬小麦产量估算以及基于无人机多光谱的冬小麦地上生物量估算研究,得到以下结论:（1）基于多光谱图像数据构建的植被指数,采用多元混合线性回归（Cubist）、支持向量机（Support vector machine,SVM）和线性岭回归（Linear ridge regression,LRR）3种基础学习模型以及结合3种基础学习模型结果构建Stacking（堆积）集成学习模型在抽穗期和开花期进行地上生物量预测。开花期植被指数与地上生物量的相关性大都大于抽穗期的相关性;抽穗期时LRR估算模型的表现最佳(R~2=0.58,RMSE=1843.42 kg·hm-2,RPIQ=2.25,RPD=1.50),开花期内SVM模型的估算精度最高(R~2=0.65,RMSE=2221.42 kg·hm-2,RPIQ=2.46,RPD=1.63);基于Stacking算法的估测模型精度在抽穗期和开花期均比各时期基础学习模型R~2最大值分别提高到0.59和0.68。（2）基于多光谱图像数据构建的植被指数作为输入变量,分别以多元线性回归（Multiple linear regression,MLR）、偏最小二乘回归（Partial least squares regression,PLS）、SVM和Cubist作为回归方法,在抽穗期、开花期和灌浆期进行产量预测,并使用MLR和Cubist作为次级学习器,采用Stacking方法集成各初级学习器,并使用五折交叉验证方法进行模型构建和精度评价。在灌溉处理下,随着冬小麦生长阶段的发展,各植被指数与产量的相关性逐渐增大,在灌浆期达到相关系数最大值0.67,对比4个初级学习器模型精度,Cubist模型在抽穗期（R~2=0.41）、开花期（R~2=0.45）和灌浆期（R~2=0.57）的估产精度均为最高,次级学习器MLR模型的R~2比初级学习器各生育期最大值分别提升到0.53,0.55和0.61,次级学习器Cubist模型的R~2则比初级学习器各生育期最大值分别提升到0.54,0.58和0.61,相比之下利用Stacking方法构建的次级学习器模型中Cubist模型的估产效果最佳。（3）基于获取的无人机多光谱和热红外影像,获取抽穗期、开花期和灌浆期的多种与产量显著相关的植被指数以及作物水分胁迫指数（crop water stress index,CWSI）。采用特征递归消除（recursive feature elimination,RFE）方法筛选出植被指数在各时期的最佳植被指数子集;基于筛选前后的植被指数以及CWSI采用SVM算法构建4个产量估测模型。结果表明:3个生育期内植被指数和CWSI与产量均有较强的相关性;4个产量估测模型中,基于最佳植被指数子集结合CWSI构建的估产模型表现最佳,在3个生育期内的R~2分别达到0.45、0.51、0.56。（4）基于高光谱影像构建多种光谱指数,在开花期和灌浆期进行产量预测,并采用递归特征消除、Boruta和皮尔逊相关系数（Pearson correlation coefficient,PCC）3种特征选择方法对高光谱指数进行过滤以降低数据维数,然后通过组合支持向量机（SVM）、高斯过程（Gaussian process,GP）、线性岭回归和随机森林（Random forest,RF）4个基础学习器开发了集成学习中的决策级融合（Decision-level fusion,DLF）模型。SVM模型在两个生育期的优选光谱指数下估测产量表现最佳,R~2在0.62-0.73之间。提出的集成学习器模型的准确性高于每个基础学习器模型,基于Boruta优选特征构建的产量预测模型的R~2（0.78）在灌浆期最大。（5）综合以上基于多源光谱数据构建的多时期产量预测模型,在开花期和灌浆期基于高光谱数据构建的DLF集成产量预测模型表现最佳,R~2分别达到0.66和0.78,为今后的产量预测研究提供理论参考。