农业机械学报

作者：周敏姑，闫云才，高文，何景源，李鑫帅，牛子杰

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：玉米;地上生物量;多光谱;无人机遥感;卷积神经网络;多生育期

基金：国家重点研发计划项目（2022YFD1900802）、国家自然科学基金联合基金重点项目（U2243235）和陕西省重点研发计划项目（2022NY-220）

目前玉米地上生物量（Aboveground biomass，AGB）的预测方法集中在使用从无人机图像中提取光学植被指数，通过线性模型或机器学习算法与AGB建立关系，原始图像信息损失严重，玉米生长后期的饱和效应会严重降低模型精度。针对此问题，本文收集了玉米拔节期、吐丝期和乳熟期的无人机图像和地面数据。分析了不同生育期玉米干地上生物量、鲜地上生物量与8个植被指数(Vegetation indexes, VIs)之间的相关性。分别以最优植被指数作为输入建立多层感知机(Multilayer perceptron, MLP）模型、以无人机多光谱图像作为输入建立卷积神经网络（Convolutional neural network, CNN）模型来估算玉米干地上生物量、鲜地上生物量。结果表明，基于MLP的玉米干地上生物量估算模型随着玉米生育期推进，模型的精度急剧下降，3个生长期MLP模型验证集R2分别为0.65、0.23、0.32，RMSE分别为0.27、2.15、5.03 t/hm2。CNN模型能够较好地克服光谱饱和问题，具有良好的精度和适用性，3个生育期验证集R2分别提高27.69%、191.30%、171.88%，RMSE分别降低22.22%、38.14%、45.53%。基于MLP的玉米鲜地上生物量估算模型在玉米生长后期模型的精度同样较低，吐丝期、乳熟期验证集的R2分别为0.27、0.37，RMSE分别为11.57、14.98 t/hm2。CNN模型2个生育期验证集的R2分别提高159.26%、129.73%，RMSE分别降低26.62%、54.01%。使用原始多光谱图像作为输入的CNN模型取得了最好的估计结果，可为玉米不同生育期的监测研究、精准管理提供指导。

来源：2024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2024年第9期