基于多光谱遥感和CNN的玉米地上生物量估算模型

摘要：

目前玉米地上生物量(Aboveground biomass,AGB)的预测方法集中在使用从无人机图像中提取光学植被指数,通过线性模型或机器学习算法与AGB建立关系,原始图像信息损失严重,玉米生长后期的饱和效应会严重降低模型精度.针对此问题,本文收集了玉米拔节期、吐丝期和乳熟期的无人机图像和地面数据.分析了不同生育期玉米干地上生物量、鲜地上生物量与8个植被指数(Vegetation indexes,Vis)之间的相关性.分别以最优植被指数作为输入建立多层感知机(Multilayer perceptron,MLP)模型、以无人机多光谱图像作为输入建立卷积神经网络(Convolutional neural network,CNN)模型来估算玉米干地上生物量、鲜地上生物量.结果表明,基于MLP的玉米干地上生物量估算模型随着玉米生育期推进,模型的精度急剧下降,3个生长期MLP模型验证集R2分别为0.65、0.23、0.32,RMSE分别为0.27、2.15、5.03 t/hm2.CNN模型能够较好地克服光谱饱和问题,具有良好的精度和适用性,3个生育期验证集R2分别提高27.69％、191.30％、171.88％,RMSE分别降低22.22％、38.14％、45.53％.基于MLP的玉米鲜地上生物量估算模型在玉米生长后期模型的精度同样较低,吐丝期、乳熟期验证集的R2分别为0.27、0.37,RMSE分别为11.57、14.98 t/hm2.CNN模型2个生育期验证集的R2分别提高159.26％、129.73％,RMSE分别降低26.62％、54.01％.使用原始多光谱图像作为输入的CNN模型取得了最好的估计结果,可为玉米不同生育期的监测研究、精准管理提供指导.

关键词：玉米、地上生物量、多光谱、无人机遥感、卷积神经网络、多生育期

所属期刊栏目：55

分类号：S252;S275(农业航空)

资助基金：国家重点研发计划;国家自然科学基金;陕西省重点研发计划项目

在线出版日期：2024-09-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：238-248