多遥感光谱指标优选的大田冬小麦茎蘖数估测

摘要：

为了快速、准确地估测大田冬小麦茎蘖数(stem&tiller number,STN),在江苏省盐城市大丰区、泰州泰兴市和宿迁市沭阳县布设冬小麦STN遥感估测试验,获取了冬小麦拔节期冠层红光波段反射率(red band reflectance,βred)、近红外波段反射率(near infrared band reflectance,βnir)、比值植被指数(ratio vege-tation index,RVI)、归一化差值植被指数(normalized difference vegetation index,NDVI)、差值植被指数(dif-ferential vegetation index,DVI)、阴影植被指数(shadow vegetation index,SVI)和 STN 数据,通过分析多个遥感光谱指标(βred、βnir、RVI、NDVI、DVI、SVI)与STN之间的相关性,优选冬小麦STN的敏感光谱指标,再基于敏感光谱指标分别建立冬小麦STN的BP神经网络估测模型(STNBP估测模型)和多元线性回归估测模型(STNMLR估测模型),并对模型预测精度进行验证.结果表明,βred、βnir、RVI、NDVI、DVI和SVI与冬小麦STN之间均存在不同程度的相关性,其相关系数依次表现为βred(0.337)＜βnir(0.375)＜DVI(0.423)＜RVI(0.446)＜SVI(0.447)＜NDVI(0.470),择优选择 RVI、NDVI、DVI 和 SVI 作为建立 STNBP 估测模型和STNMLR估测模型的输入变量.模型精度验证显示,STNBP估测模型的决定系数(coefficient of determination,R2)为 0.758,均方根误差(root mean square error,RMSE)为 2.169×106 个·hm-2,平均相对误差(average relative error,ARE)为 13.7％;STNMLR估测模型的 R2为 0.599,RMSE 为 3.110×106 个·hm-2,ARE为20.0％.STNBP估测模型的估测精度优于STNMLR估测模型,说明利用多遥感光谱敏感特征指标和BP神经网络建立的冬小麦STNBP估测模型能够有效满足大田冬小麦茎蘖数的估测要求.

关键词：冬小麦茎蘖数、波段反射率、植被指数、神经网络、估测模型

所属期刊栏目：43

分类号：S512.1;S314(禾谷类作物)

资助基金：国家重点研发计划;江苏省农业科技自主创新资金项目

在线出版日期：2023-05-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：391-398