为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量(AGB)和地面控制点(GCP)的三维空间坐标,基于无人机高光谱影像结合GCP生...为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量(AGB)和地面控制点(GCP)的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型(DSM),利用DSM提取马铃薯的株高H_(dsm);然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归(Exponential regression,ER)构建单变量模型;最后,采用多元线性回归(Multiple linear regression,MLR)、偏最小二乘回归(Partial least square regression,PLSR)和随机森林(Random forest,RF)3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明:将提取的马铃薯株高与实测值进行线性拟合,R 2为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、H_(dsm)、H,块茎增长期以CIrededge指数估测精度最高(R 2=0.45);在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入H_(dsm)的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和H_(dsm)为变量的AGB模型(R^(2)为0.64、0.70、0.79、0.68、0.63)效果优于PLSR(R^(2)为0.62、0.68、0.75、0.67、0.60)和RF(R^(2)为0.56、0.61、0.67、0.63、0.53)模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入H_(dsm)的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。展开更多
文摘为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量(AGB)和地面控制点(GCP)的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型(DSM),利用DSM提取马铃薯的株高H_(dsm);然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归(Exponential regression,ER)构建单变量模型;最后,采用多元线性回归(Multiple linear regression,MLR)、偏最小二乘回归(Partial least square regression,PLSR)和随机森林(Random forest,RF)3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明:将提取的马铃薯株高与实测值进行线性拟合,R 2为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、H_(dsm)、H,块茎增长期以CIrededge指数估测精度最高(R 2=0.45);在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入H_(dsm)的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和H_(dsm)为变量的AGB模型(R^(2)为0.64、0.70、0.79、0.68、0.63)效果优于PLSR(R^(2)为0.62、0.68、0.75、0.67、0.60)和RF(R^(2)为0.56、0.61、0.67、0.63、0.53)模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入H_(dsm)的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。
