无人机表型技术在冬小麦产量性状鉴定中的应用

作     者：宋成阳 

作者单位：新疆农业大学 

学位级别：硕士

导师姓名：耿洪伟;肖永贵

授予年度：2022年

学科分类：09[农学] 0901[农学-作物学] 

主      题：无人机遥感 冬小麦 产量 光谱指数 机器学习算法 

摘      要：小麦是世界三大粮食作物之一,也是中国北方地区最重要的粮食作物。受人口增长、天气灾害、气候灾害、疫情生态灾害和水文灾害等不确定性因素的影响,我国粮食需求还将保持刚性增长的态势。应用无人机能够无损、快速准确、及时高效地估测小麦产量,可以有效加快作物高产基因型的筛选和辅助分子育种工作,同时为农业生产计划制定、粮食安全保障、国家经济和宏观决策提供科学依据。通过机器学习方法充分挖掘灌浆期冬小麦冠层无人机多传感器遥感信息对小麦籽粒产量的估测潜力,明确多传感器数据融合对估测精度的提升效果。主要研究与结果如下:(1)基于各生育时期不同传感器获取的遥感信息分别提取可见光植被指数和多光谱植被指数,与小区实测产量进行相关性分析,并进行显著性检验。研究所选取的植被指数(10个可见光植被指数和13个多光谱植被指数)均与小区产量达到0.01极显著水平。多光谱植被指数与小区产量相关系数绝对值在0.40-0.84之间,大于可见光植被指数与小区产量相关系数绝对值(0.37-0.66)。综合整个小麦生育时期,多数植被指数开花期与灌浆期的相关系数大于抽穗期和成熟期,整体呈现灌浆期开花期抽穗期成熟期的特征。灌浆期具有更好的实测产量相关性,是产量估测的理想时期。(2)研究基于灌浆期遥感数据利用RR、SVR、RFR、GP、KNN和Cubist六种算法建立单一传感器的小麦产量估测模型进行产量预测。基于RGB传感器遥感数据构建小区产量估算模型,六种机器学习算法所构建的产量预测模型验证精度R最高可达0.51,平均RMSE和RRMSE分别为380kg·hm和4.47%。基于多光谱传感器遥感数据构建小区产量估算模型,六种机器学习算法所构建的产量预测模型验证精度R最高可达0.69,平均RMSE和RRMSE分别为310 kg·hm和3.69%。其中利用Cubist算法建立的基于单一传感器遥感数据的产量预测模型均表现出更好的精度。总体比较,多光谱传感器产量模型预测精度大于RGB传感器产量模型,且在RGB传感器及多光谱传感器产量预测模型精度均为灌浆期开花期抽穗期成熟期,与植被指数相关性表现相一致。(3)论文发现相对于单一传感器产量估测模型精度受传感器数据类型限制,多传感器数据融合在无人机产量估测中表现出巨大潜力,而选取适合的算法有助于应对多传感器输入数据的有效融合,进而最大化提升产量估测精度。以灌浆期遥感数据为输入变量构建产量预测模型,多传感器数据融合产量估测模型(R=0.50-0.71)多光谱传感器产量估测模型(R=0.53-0.69)RGB传感器产量估测模型(R=0.35-0.51)。而综合各算法表现,Cubist算法能更好的处理多模态融合数据,可以有效应对多因子产量估测。多传感器数据融合相对于单一传感器产量预测模型,R由0.48提升至0.71,RMSE降低至290 kg·hm,表现出巨大潜力。