农业机械学报

作者：赵文举，段威成，王银凤，周春，马宏

单位：兰州理工大学,兰州理工大学,兰州理工大学,兰州理工大学,兰州理工大学,

关键词：植被含水率;无人机多光谱;光谱指数;变量筛选;反演模型

基金：国家自然科学基金面上项目（52379042）和甘肃省重点研发计划项目（20YF8ND141）

植被含水率是农田生态系统敏感性的重要表征，为提高近地遥感植被含水率反演效率和精度，基于无人机多光谱影像数据，提取苜蓿、玉米2种植被覆盖的光谱反射率，在此基础上引入红边波段计算改进光谱指数。将5种光谱反射率及25个光谱指数利用变量投影重要性（Variable importance in projection, VIP）分析、灰色关联度（Gray relational analysis, GRA）分析与皮尔逊（Person）相关性分析进行筛选，并建立基于反向神经网络（Back-propagation neural network, BPNN）、偏最小二乘法（Partial least squares regression, PLSR）、支持向量回归（Support vector regression, SVR）和随机森林（Random forest, RF）4种机器学习模型，以确定不同作物覆盖下的最佳植被含水率反演模型。结果表明，3种筛选算法中VIP和GRA的模型精度明显优于Person相关性分析，且反演结果波动较小;在4种机器学习算法中，SVR算法在非线性问题中相较于BPNN、PLSR、RF算法具有较强的解析能力和模型鲁棒性，验证集决定系数R2达到0.77以上，其结果能较真实反映植被含水率;两种样地基于GRA的植被含水率反演模型精度最高，苜蓿覆盖地GRA-SVR验证集R2达0.889，RMSE为0.798%，MAE为0.533%;玉米覆盖地反演结果验证集R2为0.848，RMSE为0.668%，MAE为0.542%。研究结果可为植被含水率的快速、精准反演提供理论依据。

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