农业机械学报

作者：卢必慧，李卫国，田苗，王晶，毛星

单位：江苏省农业科学院,江苏省农业科学院,江苏省农业科学院,江苏省农业科学院,江苏省农业科学院,

关键词：冬小麦;产量估测;GF-1;植被指数;机器学习

基金：江苏省农业科技自主创新资金项目（CX(23)3006）

为了准确地估算区域冬小麦产量，本研究尝试利用多时相的GF-1 WFV影像，采用多种光谱植被指数表征冬小麦的生长特征，对多个时相的不同植被指数与冬小麦产量之间进行相关性分析，基于定量分析结果优选特征，然后利用反向传播神经网络、支持向量回归和随机森林回归3种机器学习算法构建冬小麦产量估测模型，并与传统线性回归估产模型进行了比较。结果显示，植被指数与产量的相关性随着生育期的推进逐渐增强，其中3月26日孕穗期的植被指数与产量相关性最高，达到0.7。基于多时相植被指数组合的建模方式能够有效提高冬小麦产量的估测精度，采用拔节期和孕穗期的植被指数组合比单个生育期的植被指数的估产精度要高，反向传播神经网络估测模型的决定系数R2提高约0.104，支持向量回归模型R2提高约0.141，随机森林回归模型R2提高约0.107。针对孕穗期的多时相植被指数，3种模型均有较高的估测精度，反向传播神经网络模型最高估测精度为91.47%，R2为0.859，RMSE为472.873kg/hm2，支持向量回归模型估测精度最高为91.03%，R2为0.826，RMSE为492.917kg/hm2，随机森林回归模型最高估测精度达到92.25%，R2为0.908，RMSE为445.874kg/hm2，3种机器学习算法的最优精度模型对比多元回归估测模型，精度分别提升7.53、7.09、8.31个百分点。该研究为基于国产高分辨率卫星数据进行冬小麦产量估算研究提供了参考。

来源：2025年第10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10期