首页 | 本学科首页   官方微博 | 高级检索  
     检索      

基于机器学习算法的冬小麦不同生育时期生物量高光谱估算
引用本文:吴 芳,李映雪,张缘园,张雪红,邹晓晨.基于机器学习算法的冬小麦不同生育时期生物量高光谱估算[J].麦类作物学报,2019(2):217-224.
作者姓名:吴 芳  李映雪  张缘园  张雪红  邹晓晨
作者单位:(1.南京信息工程大学应用气象学院,江苏南京 210044;2.南京信息工程大学遥感与测绘工程学院,江苏南京 210044)
基金项目:江苏省自然科学基金青年基金项目(BK20170950);江苏省“双创博士”计划项目;中国博士后科学基金项目(2017M610338);河北省气象与生态环境重点实验室开放研究基金项目(Z201607Y);南京信息工程大学大学生实践创新训练计划项目(201810300243)
摘    要:为探索适用于冬小麦不同生育时期的高光谱估算方法,基于4年大田试验,以江苏省主要冬小麦品种为材料,以8种对常用生物量敏感的高光谱指数为基础,分别采用偏最小二乘算法、支持向量回归算法、随机森林算法在冬小麦4个主要生育时期(抽穗期前、抽穗期、开花期和灌浆期)进行了高光谱生物量估算和预测能力比较。结果表明,在冬小麦不同生育时期,高光谱估算生物量精度差异显著;利用随机森林构建的生物量估算模型在4个生育时期均表现出很好的效果,决定系数(r^2)和均方根误差(RMSE)在抽穗期前分别为0.79和44.82 g·m-2,在抽穗期分别为0.71和62.07 g·m-2,在开花期分别为0.70和97.63 g·m-2,在灌浆期分别为0.71和106.98 g·m-2;随机森林模型在4个生育时期的预测能力都高于或接近于支持向量回归模型,高于偏最小二乘回归模型,r^2和RMSE在抽穗期前分别为0.60和72.54 g·m-2,在抽穗期分别为0.60和75.07 g·m-2,在开花期分别为0.68和109.9 g·m-2,在灌浆期分别为0.61和127.93 g·m-2。这说明随机森林算法在冬小麦不同生育时期生物量高光谱遥感估算方面具有较高的精度和稳定性。

关 键 词:冬小麦生物量  高光谱估算  随机森林算法  支持向量回归  偏最小二乘算法

Hyperspectral Estimation of Biomass of Winter Wheat at Different Growth Stages Based on Machine Learning Algorithms
WU Fang,LI Yingxue,ZHANG Yuanyuan,ZHANG Xuehong,ZOU Xiaochen.Hyperspectral Estimation of Biomass of Winter Wheat at Different Growth Stages Based on Machine Learning Algorithms[J].Journal of Triticeae Crops,2019(2):217-224.
Authors:WU Fang  LI Yingxue  ZHANG Yuanyuan  ZHANG Xuehong  ZOU Xiaochen
Institution:(Nanjing University of Information Science and Technology,College of Applied Meteorology,Nanjing,Jiangsu 210044,China;Nanjing University of Information Science and Technology,School of Remote Sensing and Geomatics Engineering,Nanjing,Jiangsu 210044,China)
Abstract:WU Fang;LI Yingxue;ZHANG Yuanyuan;ZHANG Xuehong;ZOU Xiaochen(Nanjing University of Information Science and Technology,College of Applied Meteorology,Nanjing,Jiangsu 210044,China;Nanjing University of Information Science and Technology,School of Remote Sensing and Geomatics Engineering,Nanjing,Jiangsu 210044,China)
Keywords:Winter wheat biomass  Hyperspectral estimation  Random forest algorithm  Support vector regression  Partial least squares algorithm
本文献已被 CNKI 维普 等数据库收录!
点击此处可从《麦类作物学报》浏览原始摘要信息
点击此处可从《麦类作物学报》下载免费的PDF全文
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号