基于多光谱遥感和CNN的玉米地上生物量估算模型

作     者：周敏姑 闫云才 高文 何景源 李鑫帅 牛子杰 ZHOU Mingu;YAN Yuncai;GAO Wen;HE Jingyuan;LI Xinshuai;NIU Zijie

作者机构：西北农林科技大学中国旱区节水农业研究院 西北农林科技大学机械与电子工程学院 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年第55卷第9期

页      面：238-248页

核心收录：

学科分类：0810[工学-信息与通信工程] 0828[工学-农业工程] 08[工学] 09[农学] 0901[农学-作物学] 0825[工学-航空宇航科学与技术] 081002[工学-信号与信息处理] 

基　　金：国家重点研发计划项目(2022YFD1900802) 国家自然科学基金联合基金重点项目(U2243235) 陕西省重点研发计划项目(2022NY-220) 

主　　题：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 

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。