基于无人机数码影像的冬小麦株高和生物量估算

• Published in: 农业工程学报 Vol. 35; no. 19; pp. 107 - 116
• Main Authors: 陶惠林, 徐良骥, 冯海宽, 杨贵军, 杨小冬, 苗梦珂, 代阳
• Format: Journal Article
• Language: Chinese
• Published: 国家农业信息化工程技术研究中心,北京100097 01.10.2019; 北京市农业物联网工程技术研究中心,北京100097%农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心,北京100097; 北京市农业物联网工程技术研究中心,北京100097; 农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心,北京100097; 安徽理工大学测绘学院,淮南232001; 河南理工大学测绘与国土信息工程学院,焦作454000; 北京市农业物联网工程技术研究中心,北京100097%安徽理工大学测绘学院,淮南,232001%农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心,北京100097
• Subjects: stepwise regression; biomass; 株高; 生物量; 数码影像; 无人机; digital image; UAV; winter wheat; plant height; 作物表面模型; crop surface model; 逐步回归; 冬小麦
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2019.19.013

S252; 高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义.该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像.首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model ,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest, R F )3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型.结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2 ,RMSE=0.137 2 kg/m2 ,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1 ,RMSE=0.110 6 kg/m2 ,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型.该研究为冬小麦生长状况高效、快速监测提供参考.