农业机械学报

作者：赵文举，俞海英，李浩霖，丁磊，杨鹏涛

单位：兰州理工大学;农业农村部智慧农业节水灌溉装备重点实验室,兰州理工大学;河西学院,北京工业大学,兰州理工大学;农业农村部智慧农业节水灌溉装备重点实验室,兰州理工大学;农业农村部智慧农业节水灌溉装备重点实验室,

关键词：光谱指数;纹理特征;GAN;农田生态系统CO2排放通量;反演模型

基金：国家自然科学基金项目（52379042）、甘肃省重点研发计划项目（23YFFA0019）和甘肃省青年科技基金项目（25JRRG013）

针对农田生态系统CO2排放通量持续性、动态化监测难度大，实际样本获取成本高等问题，本研究以设施番茄为研究对象，基于多光谱遥感影像获取植被指数和纹理特征，使用支持向量机-递归特征消除（Support vector machine-recursive feature elimination，SVM-RFE）、皮尔逊相关系数法（Pearson correlation coefficient，PCC）和灰色关联度分析（Grey relational analysis，GRA）3种变量筛选方法优选模型输入参数，以静态箱-气相色谱法定位观测作物冠层CO2排放通量为实测值，构建基于极端梯度提升（Extreme gradient boosting，XGBoost）、支持向量机（Support vector machines，SVM）和随机森林（Random forest，RF）的农田生态系统CO2排放通量反演模型。为提高模型预测性能和泛化能力，融合生成式对抗网络（Generative adversarial networks，GAN）扩增样本集。结果表明：3种反演模型均可实现CO2排放通量快速反演，反演效果从高到低依次为XGBoost、SVM、RF，其中，通过变量筛选的纹理特征和植被指数作为模型输入参数，可有效提高模型反演精度。从不同机器学习算法来看，XGBoost模型反演效果最优，其测试集决定系数为0.565～0.762，均方根误差为0.266～0.861mg/(m2·h)，平均绝对误差为0.222～0.793mg/(m2·h)；从不同筛选方法来看，SVR-RFE筛选后的变量特征作为输入参数的模型反演效果最优，其中XGBoost-SVR-RFE相结合的反演模型效果最优。整体来看，融合GAN的9种耦合模型鲁棒性和可靠性均有提高，所有模型R2p/R2c均高于0.85，其中GANXGBoost-SVR-RFE反演模型结果鲁棒性最优。在此基础上，绘制了农田生态系统CO2排放通量时空分布图，揭示番茄全生育期CO2排放规律。研究结果可为农田生态系统CO2排放通量的动态监测和科学计量提供理论依据。

来源：2025年第11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11期