农业机械学报

作者：付新阳，崔利华，董雨昕，韩文霆

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,

关键词：玉米;叶面积指数;多光谱遥感;土壤背景去除;机器学习

基金：国家重点研发计划项目（2022YFD1900802）

土壤背景对玉米叶面积指数（Leaf area index, LAI）的准确估算存在影响，传统土壤背景去除方法由于消除了土壤像素的面积信息从而导致目标区域光谱与玉米LAI的相关性降低。因此，本文提出了一种土壤背景去除方法，该方法在去除土壤像素光谱反射率的同时保留了土壤像素面积信息，基于该方法对多光谱影像进行预处理并提取归一化差异植被指数（Normalized difference vegetation index, NDVI）等26个植被指数与Mean等8个纹理特征，结合株高/叶绿素含量等作物长势协变量，对以上3种不同类型的特征进行排列组合形成多个输入特征集合，利用8种建模算法建立多个LAI估算模型，并与基于传统土壤背景去除方法的LAI估算模型进行对比。结果表明，本文提出的土壤背景去除方法在保留土壤像素和植被像素面积信息的前提下有效消除了土壤光谱反射率对植被光谱反射率的影响，基于该方法建立的LAI估算模型效果均优于传统方法；多类型特征融合可提高多光谱影像对LAI的模型估算精度，纹理特征对LAI的估算效果优于植被指数；机器学习模型对LAI的模型估算效果优于传统统计回归算法，最优模型是经本文所提土壤背景处理方法预处理后以植被指数+纹理特征+株高/叶绿素含量作为输入的一维卷积神经网络（One-dimensional convolutional neural network, 1D-CNN）模型，其测试集调整决定系数R2Adj、均方根误差(RMSE)和平均绝对误差(MAE)分别为0.9515、0.2421和0.1795。研究结果可为快速、准确估算玉米LAI提供方法。

来源：2025年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第5期