农业机械学报

作者：张跃，张海娜，鲁向晖，张杰，万昊龙，罗欣

单位：江西水利电力大学,江西水利电力大学,江西水利电力大学,江西水利电力大学,江西水利电力大学,江西水利电力大学,

关键词：芳樟矮林;长势指标;植被指数;机器学习算法;无人机多光谱遥感

基金：国家自然科学基金项目(52269013)、江西省自然科学基金面上项目（20232BAB205031）和江西省自然科学基金重点项目（20242BAB26081）

采用无人机多光谱技术有助于快速准确获取芳樟的长势信息，为芳樟矮林田间精准管理提供技术支持。本文以南方红壤区的芳樟矮林为研究对象，采用多光谱相机获取芳樟矮林冠层遥感影像，通过田间实测获取芳樟叶片叶绿素相对含量（SPAD）、叶面积指数（LAI）和地上生物量（AGB）数据，基于熵权法构建综合长势监测指标（CGMI），利用支持向量机（SVM）、反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）、决策树（DT）、多层感知机（MLP）、极端梯度提升（XGBoost）算法反演芳樟SPAD值、LAI、AGB、CGMI，对比分析单一指标和综合长势监测指标模型反演精度，最终选取最优模型。结果表明：基于6种机器学习算法分别构建芳樟矮林CGMI指标及单一指标反演模型，均表现出对芳樟CGMI反演效果最好，其模型测试集决定系数R2为0.614~0.862，均方根误差RMSE为0.074~0.953；在对CGMI指标的反演中，XGBoost模型在6种算法中的精度最高，其模型测试集决定系数R2为0.862，均方根误差RMSE为0.092。综上所述，对CGMI指标的反演可以准确判断出芳樟矮林的长势状况，XGBoost模型是芳樟矮林长势反演的最优模型，研究结果可为基于无人机多光谱技术的芳樟矮林长势监测提供参考依据。

来源：2025年第8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8期