农业机械学报

作者：鲁向晖，杨宝城，张海娜，张杰，王倩，金志农

单位：南昌工程学院,南昌工程学院,南昌工程学院,南昌工程学院,南昌工程学院,南昌工程学院,

关键词：矮林芳樟;多光谱;植被指数;反演;产量

基金：国家自然科学基金项目（52269013、32060333）、江西省主要学科学术和技术带头人培养计划青年项目（20204BCJL23046）、江西省科技厅重大科技专项（20203ABC28W016-01-04）和江西省林业局樟树研究专项（202007-01-04）

芳樟（Cinnamomum camphora（Linn.）Presl）精油在林业经济发展中具有巨大市场潜力，多光谱遥感产量预测是高效反演芳樟精油产量的新方式。本研究以矮林芳樟收获期精油产量为研究对象，利用无人机多光谱遥感技术，筛选敏感植被指数作为输入变量，以地面同步观测的精油产量作为输出变量，采用支持向量机（Support vector machine, SVM）、随机森林（Random forest, RF）和反向传播神经网络（Back propagation neural network, BPNN）3种机器学习方法构建矮林芳樟精油产量预测模型。结果表明，修改型土壤调节植被指数（MSAVI）、优化土壤调节植被指数（OSAVI）、重归一化植被指数（RDVI）、土壤调整植被指数（SAVI）和非线性植被指数（NLI）对矮林芳樟精油产量呈现较高敏感性，其相关系数R分别为0.7651、0.8131、0.7711、0.7794、0.8183。SVM、RF、BPNN 3种机器学习方法构建的矮林芳樟精油产量预测模型训练集的决定系数R2分别为0.723、0.853、0.770，均方根误差（RMSE）分别为11.649、9.179、10.484kg/hm2?，平均相对误差（MRE）分别为7.204%、10.808%、7.181%；验证集的R2分别为0.688、0.869、0.732，RMSE分别为7.951、5.809、8.483kg/hm2，MRE分别为6.914%、5.545%、7.999%。经过综合比较，以MSAVI、OSAVI、RDVI、SAVI、NLI作为输入数据，基于RF方法构建的矮林芳樟精油产量预测模型，模拟结果精度最高。研究可为提高基于无人机多光谱遥感的矮林芳樟叶片精油产量预测精度提供理论依据，为快速监测大面积经济植物生长状况提供技术支撑。

来源：2023年第4期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第4期