文献类型： 中文期刊

作者： 甘甜 ¹ ; 李雷 ² ; 李红叶 ² ; 宋成阳 ² ; 谢永盾 ² ; 陶志强 ² ; 肖永贵 ¹ ; 孟亚雄 ¹ ;

作者机构： 1.甘肃农业大学农学院

2.中国农业科学院作物科学研究所

关键词： 遥感;冬小麦;产量预测;机器学习;集成学习

期刊名称： 麦类作物学报

ISSN： 1009-1041

年卷期： 2022 年 42 卷 011 期

页码： 1419-1428

收录情况： 北大核心 ; CSCD

摘要： 为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F7代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型.结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量.相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数(r2)为0.74,平均均方根误差(RMSE)为517.78 kg·hm-2.相对于决策树(DT)、随机森林(RF)、支持向量机(SVM)三种传统机器学习算法,岭回归(RR)算法预测产量的精度最高,平均-2为0.73,平均RMSE为516.1 kg·hm-2.与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r2高达0.77,RMSE也较低.SVM、RF、DT、RR四种机器学习算法和RGB、ASD、UAV、UGV四个传感器构成的算法-传感器集成方法的预测精度提升,r2为0.79,RMSE降至469.98 kg·hm-2.因此,利用Stac-king集成方法将不同算法、传感器进行结合,能够有效地提高冬小麦产量预测精度.