基于多源遥感数据和机器学习算法的冬小麦产量预测研究

文献类型： 中文期刊

第一作者： 甘甜

作者： 甘甜;李雷;李红叶;宋成阳;谢永盾;陶志强;肖永贵;孟亚雄

作者机构：

关键词： 遥感;冬小麦;产量预测;机器学习;集成学习

期刊名称： 麦类作物学报

ISSN： 1009-1041

年卷期： 2022 年 42 卷 011 期

页码： 1419-1428

收录情况： 北大核心 ; CSCD

摘要： 为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F7代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型.结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量.相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数(r2)为0.74,平均均方根误差(RMSE)为517.78 kg·hm-2.相对于决策树(DT)、随机森林(RF)、支持向量机(SVM)三种传统机器学习算法,岭回归(RR)算法预测产量的精度最高,平均-2为0.73,平均RMSE为516.1 kg·hm-2.与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r2高达0.77,RMSE也较低.SVM、RF、DT、RR四种机器学习算法和RGB、ASD、UAV、UGV四个传感器构成的算法-传感器集成方法的预测精度提升,r2为0.79,RMSE降至469.98 kg·hm-2.因此,利用Stac-king集成方法将不同算法、传感器进行结合,能够有效地提高冬小麦产量预测精度.

分类号： S512.1%S314

  • 相关文献

[1]融合多源时空数据的冬小麦产量预测模型研究. 王来刚,郑国清,郭燕,贺佳,程永政. 2022

[2]基于生态因子的冬小麦产量遥感估测研究. 李卫国,王纪华,赵春江,李存军,王永华. 2009

[3]基于无人机采集的视觉与光谱图像预测棉花产量（英文）. 张美娜,冯爱晶,周建峰,吕晓兰. 2019

[4]高温胁迫下水稻产量的高光谱估测研究. 谢晓金,李映雪,李秉柏,申双和,程高峰. 2010

[5]基于无人机高光谱遥感与机器学习的小麦品系产量估测研究. 齐浩,吕亮杰,孙海芳,李偲,李甜甜,侯亮. 2024

[6]无人机遥感监测果树氮素含量研究进展. 陈鲁威,曾锦,袁全春,潘健,姚凤腾,吕晓兰. 2024

[7]Landsat8和机器学习估算蒙古高原草地地上生物量. 赵越,徐大伟,范凯凯,李淑贞,沈贝贝,邵长亮,王旭,辛晓平. 2022

[8]作物生长模型的适用性评价及冬小麦产量预测. 王伟,黄义德,黄文江,李存军,王娴. 2010

[9]CropSyst模型在区域冬小麦产量模拟中的应用. 黄青,陈仲新,刘航,滕飞. 2018

[10]冬小麦产量预测与气象灾害预警系统研发. 张晓艳,孙家波,牛鲁燕,王丽丽,刘锋. 2015

[11]基于机器学习和可见光光谱的冬小麦叶片氮积累量估算. 崔日鲜,刘亚东,付金东. 2016

[12]基于高光谱遥感和集成学习方法的冬小麦产量估测研究. 费帅鹏,禹小龙,兰铭,李雷,夏先春,何中虎,肖永贵. 2021

[13]基于多层级特征筛选和无人机影像的冬小麦植株氮含量预测. 郭燕,王来刚,贺佳,井宇航,宋晓宇,张彦,刘婷. 2024

[14]基于MODIS数据的河南省冬小麦长势监测研究. 范磊,程永政,刘婷,王来刚,黎娅. 2008

[15]冬小麦播期的卫星遥感及应用. 刘良云,赵春江,王纪华,宋晓宇,黄文江,李存军. 2005

[16]利用多时相Landsat近红外波段监测冬小麦和苜蓿种植面积. 李存军,王纪华,刘良云,宋晓宇,王人潮. 2005

[17]基于无人机数码影像的冬小麦叶面积指数探测研究. 高林,杨贵军,李红军,李振海,冯海宽,王磊,董锦绘,贺鹏. 2016

[18]基于叶面积指数反演的区域冬小麦单产遥感估测. 任建强,陈仲新,周清波,唐华俊. 2010

[19]基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演. 李鑫川,徐新刚,鲍艳松,黄文江,罗菊花,董莹莹,宋晓宇,王纪华. 2012

[20]华北平原冬小麦总初级生产力的遥感监测. 赵晶晶,刘良云,徐自为,焦全军,彭代亮. 2011

作者其他论文 更多>>

微信小程序