农业机械学报

作者：向友珍，王辛，安嘉琪，唐子竣，李汪洋，史鸿棹

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：大豆;叶面积指数;高光谱;分数阶微分;最优光谱指数

基金：国家自然科学基金项目(52179045)

高光谱遥感技术可对作物生长状况进行无损、高效地监测，是推动现代精准农业发展的必要手段。以不同施氮水平与覆膜处理下的开花期大豆叶面积指数(Leaf area index，LAI)为研究对象，对原始开花期大豆高光谱反射率数据进行0~2阶微分变换处理（步长0.5），并筛选出各阶光谱指数中与开花期大豆LAI相关性最高的指数作为最优光谱指数进行输入，采用支持向量机(Support vector machine, SVM)、随机森林(Random forest，RF)、遗传算法优化的BP神经网络(BP neural network optimized by genetic algorithm, GA-BP)3种机器学习方法构建大豆LAI预测模型。结果表明：0~2阶光谱指数与大豆LAI相关系数平均值分别为0.616、0.657、0.666、0.669、0.658，相比于原始与整数阶高光谱反射率，分数阶微分变换处理后的高光谱反射率构建的光谱指数与开花期大豆LAI具有更强的相关性；相关系数平均值最高的1?5阶微分处理最优光谱指数波长组合分别为：TVI(687nm,754nm)、DI(687nm,?754nm)、?SAVI(728nm,738nm)、RI(687nm,744nm)、NDVI(620nm,653nm)，其余各阶最优光谱指数组合对应波段也集中分布于红边波段（680~760nm）；随着微分阶数提高，光谱指数与大豆LAI的相关性和构建的预测模型的精度均呈先升后降的趋势；当输入变量相同时，RF为3种机器学习模型中的最佳建模方法。经过综合比较，以1.5阶微分处理得到的最优光谱指数组合作为输入数据，基于RF构建的大豆LAI预测模型取得了最高的精度，验证集的决定系数R2为0.880，均方根误差（RMSE）为0.3200cm2/cm2，标准均方根误差（NRMSE）为10.354%，平均相对误差（MRE）为9.572%。研究结果可为提高大豆LAI高光谱反演精度与指导精准农业生产提供理论参考。

来源：2023年第9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9期