农业机械学报

作者：齐浩，吕亮杰，孙海芳，李偲，李甜甜，侯亮

单位：河北省农林科学院,河北省农林科学院,河北省农林科学院,河北省农林科学院,河北省农林科学院,河北省农林科学院,

关键词：小麦品系;产量估测;无人机高光谱;遥感;机器学习;Stacking算法

基金：河北省现代农业产业技术体系小麦创新团队项目（21326318D）和河北省农林科学院基本科研业务费项目（2023090101）

为快速、准确地估测小麦产量，有效提高育种工作效率，本文以小麦品系为研究对象，收集小麦灌浆期无人机高光谱数据和产量数据。首先基于递归特征消除法筛选出特征波长作为模型输入变量，然后利用岭回归（Ridge regression，RR）、偏最小二乘回归（Partial least squares regression，PLS）、多元线性回归（Multiple linear regression，MLR）3种线性算法和随机森林（Random forest，RF）、梯度提升回归（Gradient boosting regression，GBR）、极限梯度提升（eXtreme gradient boosting，XGB）、高斯过程回归（Gaussian process regression，GPR）、支持向量回归（Support vector regression，SVR）、K最邻近算法（K-nearest neighbor，KNN）6种非线性算法构建单一算法产量估测模型并进行精度比较，最后基于Stacking算法构建多模型集成组合，筛选最佳集成模型。结果表明，基于不同算法的产量估测模型精度差异显著，非线性模型优于线性模型，基于GBR的产量估测模型在单一模型中表现最优，训练集R2为0.72，RMSE为534.49kg/hm2，NRMSE为11.10%，测试集R2为0.60，RMSE为628.73kg/hm2，NRMSE为13.88%。基于Stacking算法构建的集成模型性能与初级模型和次级模型的选择密切相关，以KNN、RR、SVR为初级模型组合，GBR为次级模型的集成模型有效提高了估测精度，相比单一模型GBR，训练集R2提高1.39%，测试集R2提高3.33%。本研究可为基于高光谱技术的小麦品系产量估测提供应用参考。

来源：2024年第7期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第7期