文献类型： 中文期刊

作者： 张传波 ¹ ; 李卫国 ¹ ; 张宏 ¹ ; 李伟 ¹ ; 马廷淮 ¹ ; 张琤琤 ¹ ; 陈华 ¹ ;

作者机构： 1.江苏大学农业工程学院;江苏省农业科学院农业信息研究所;江苏大学流体机械工程技术研究中心;南京信息工程大学

关键词： 冬小麦;遥感光谱指标;叶面积指数;神经网络;生物量

期刊名称： 麦类作物学报

ISSN： 1009-1041

年卷期： 2022 年 05 期

页码： 631-639

收录情况： 北大核心 ; CSCD

摘要： 为探讨基于神经网络对小麦地上部生物量(aboveground biomass, AGB)进行遥感估测的可行性，在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验，在对冬小麦近红外波段反射率(near-infrared band reflectance, REF_(nir))、红光波段反射率(red band reflectance, REF_(red))、归一化差值植被指数(normalized difference vegetation index, NDVI)、差值植被指数(difference vegetation index, DVI)、比值植被指数(ratio vegetation index, RVI)、土壤调节植被指数(soil adjusted vegetation index, SAVI)和优化土壤调节植被指数(optimized soil adjusted vegetation index, OSAVI)等7个遥感光谱指标与冬小麦生长指标(LAI和AGB)进行相关性分析基础上，构建基于BP神经网络的冬小麦AGB估测模型，并与多元线性回归估测模型进行精度比较。结果表明，冬小麦拔节期REF_(red)、NDVI、RVI、SAVI、OSAVI和LAI与AGB之间存在较好相关性，其中LAI与AGB的相关性最高(相关系数为0.782),SAVI与AGB的相关性最低(相关系数为0.647)。利用BP神经网络建立的冬小麦AGB估测模型AGB_(BP)的决定系数(r~2)为0.918,均方根误差(root mean square error, RMSE)为582.9 kg·hm~(-2),平均相对误差(average relative error, ARE)为18.4%。利用多元线性回归分析建立的冬小麦AGB估测模型AGB_(RA)的r~2为0.784,RMSE为871.1 kg·hm~(-2), ARE为32.6%。利用冬小麦抽穗期AGB实测数据再对模型AGB_(BP)和AGB_(RA)进行验证，其RMSE分别为1 140.4和1 676.7 kg·hm~(-2), ARE分别为20.5%和33.1%。由此可以看出，冬小麦估测模型AGB_(BP)精度优于模型AGB_(RA),说明利用多个遥感光谱指标结合LAI建模可以有效提高冬小麦AGB的估测精度。