文献类型： 中文期刊

作者： 朱奇磊 ¹ ; 梁栋 ¹ ; 徐新刚 ² ; 安晓飞 ³ ; 陈立平 ³ ; 杨贵军 ² ; 黄林生 ¹ ; 许思喆 ² ;

作者机构： 1.安徽大学电子信息工程学院

2.北京市农林科学院信息技术研究中心

3.北京市农林科学院智能装备技术研究中心

关键词： 秸秆覆盖度;灰色关联分析-随机森林;机器学习算法;特征变量筛选

期刊名称： 麦类作物学报

ISSN： 1009-1041

年卷期： 2023 年 004 期

页码： 524-535

收录情况： 北大核心 ; CSCD

摘要： 为探究大范围小麦秸秆覆盖度（CRC）估测方法，以冬小麦秸秆为研究对象，基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合，利用灰色关联-随机森林（GRA-RF）敏感特征提取方法，结合高斯过程（GPR）、套索（LASSO）、岭回归（RR）和偏最小二乘（PLSR）等多种机器学习算法，开展小麦CRC估算的最优模型研究。结果表明，基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度，LASSO算法总体对小麦CRC的估测效果最佳，并且针对不同的光谱特征组合表现出差异化的结果。其中，以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优（r~2=0.65,RMSE=9.25%）,以波段与纹理两者组合特征估算的CRC精度次之（r~2=0.63,RMSE=9.31%）,仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征；相比于单一特征，光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度。