农业机械学报

作者：李阳，赵博，周利明，伟利国，董鑫，苑严伟

单位：中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,中国农业机械化科学研究院集团有限公司;农业装备技术全国重点实验室,

关键词：冬小麦SPAD值;多光谱植被指数;纹理特征;覆盖度;多类型参数结合;机器学习

基金：国家重点研发计划项目（2023YFD1701004）和北京市科技新星计划项目（20240484577）

冬小麦拔节期叶绿素状况估算对于冬小麦营养诊断非常重要。本文利用无人机遥感平台获取冬小麦拔节期长势遥感信息，提取多光谱植被指数、RGB影像纹理特征及覆盖度信息，基于多元线性回归（Multivariate linear regression，MLR）、随机森林回归（Random forest regression，RFR）构建了冬小麦SPAD值估算模型。分析多光谱植被指数、纹理特征和覆盖度信息，以及相互结合对于冬小麦SPAD值估算的影响。结果表明：多光谱植被指数、纹理特征、覆盖度的结合（2种类型或3种类型参数结合）可以用于冬小麦拔节期SPAD值的估算，而且相较于单类型参数或两类型参数结合，更多类型参数结合提高了冬小麦拔节期SPAD值的估算精度。而基于相同参数利用随机森林构建的冬小麦拔节期SPAD值估算模型精度均高于多元线性回归构建的模型精度。其中，基于3种类型参数构建的冬小麦SPAD值估算模型精度最高，R2为0.78，RMSE为2.08。各类型参数对冬小麦拔节期SPAD值估算精度的影响由大到小依次为多光谱植被指数、纹理特征、覆盖度。其中，多光谱植被指数构建的模型精度与纹理特征构建的模型精度相近（R2和RMSE分别为0.71、2.36及0.70、2.45）。覆盖度虽然对于SPAD值的估算精度提升最小，但结合其他特征可提高冬小麦SPAD值估算精度（对于RFR模型，R2提高0.02~0.03）。多光谱植被指数、纹理特征、覆盖度的结合提高了模型估算精度，为冬小麦拔节期SPAD值快速估算提供了技术参考。

来源：2025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2025年第7期