文献类型： 中文期刊

作者： 齐浩 ¹ ; 吕亮杰 ² ; 孙海芳 ¹ ; 李偲 ¹ ; 李甜甜 ¹ ; 侯亮 ¹ ;

作者机构： 1.河北省农林科学院农业信息与经济研究所

2.河北省农林科学院粮油作物研究所

关键词： 小麦品系;产量估测;无人机高光谱;遥感;机器学习;Stacking算法

期刊名称： 农业机械学报

ISSN： 1000-1298

年卷期： 2024 年 007 期

页码： 260-269

收录情况： EI ; 北大核心 ; CSCD

摘要： 为快速、准确地估测小麦产量，有效提高育种工作效率，本文以小麦品系为研究对象，收集小麦灌浆期无人机高光谱数据和产量数据。首先基于递归特征消除法筛选出特征波长作为模型输入变量，然后利用岭回归（Ridge regression, RR）、偏最小二乘回归（Partial least squares regression, PLS）、多元线性回归（Multiple linear regression, MLR）3种线性算法和随机森林（Random forest, RF）、梯度提升回归（Gradient boosting regression, GBR）、极限梯度提升（eXtreme gradient boosting, XGB）、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）、K最邻近算法（K-nearest neighbor, KNN）6种非线性算法构建单一算法产量估测模型并进行精度比较，最后基于Stacking算法构建多模型集成组合，筛选最佳集成模型。结果表明，基于不同算法的产量估测模型精度差异显著，非线性模型优于线性模型，基于GBR的产量估测模型在单一模型中表现最优，训练集R²为0.72,RMSE为534.49 kg/hm²,NRMSE为11.10%,测试集R²为0.60,RMSE为628.73 kg/hm²,NRMSE为13.88%。基于Stacking算法构建的集成模型性能与初级模型和次级模型的选择密切相关，以KNN、RR、SVR为初级模型组合，GBR为次级模型的集成模型有效提高了估测精度，相比单一模型GBR,训练集R²提高1.39%,测试集R²提高3.33%。本研究可为基于高光谱技术的小麦品系产量估测提供应用参考。