河南农业科学 ›› 2022, Vol. 51 ›› Issue (2): 147-158.DOI: 10.15933/j.cnki.1004-3268.2022.02.018
所属专题: 遥感助力农业信息精准监测专题
井宇航1,2,3,郭燕2,3,张会芳2,戎亚思1,2,张少华1,冯伟1,王来刚2,3,贺佳2,3,刘海礁2,3,郑国清2,3
JING Yuhang1,2,3,GUO Yan2,3,ZHANG Huifang2,RONG Yasi1,2,ZHANG Shaohua1,FENG Wei1,WANG Laigang2,3,HE Jia2,3,LIU Haijiao2,3,ZHENG Guoqing2,3
摘要: 无人机具有快速、高效、无损获取作物信息的优势,但是飞行高度直接影响作物信息获取效率。通过设置30、60、90 m飞行高度获取冬小麦拔节期、开花期、灌浆期不同分辨率的无人机遥感影像,探索无人机飞行高度对冬小麦植株氮积累量预测模型的影响。首先将不同高度植被指数和纹理特征与冬小麦植株氮积累量进行相关性和共线性分析,筛选出6个植被指数(NDVI、RDVI、RERDVI、GBNDVI、OSAVI、EXG)和4个纹理特征(Green-mean、Green-sm、Red-mean、Red-var)。基于筛选出的植被指数和纹理特征,采用偏最小二乘回归(PLSR)和BP神经网络(BPNN)法建立了植被指数、纹理特征与植被指数+纹理特征的冬小麦植株氮积累量预测模型,并将模型在不同高度进行交叉验证,采用决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)指标对模型的稳定性进行分析。结果表明,2种方法均是30 m飞行高度遥感影像提取的植被指数、纹理特征、植被指数、纹理特征建立的预测模型稳定性最好,3种建模信息构建的模型验证时的R2、RMSE、RPD 分别为0.57~0.89、1.27~4.16 g/m2、1.67~3.65。BPNN在3种建模信息下构建的模型稳定性整体优于PLSR,验证模型的R2、RPD分别提高0.01~0.39、0.05~1.44,RMSE下降0.08~8.53 g/m2。3个高度植被指数、纹理特征、植被指数+纹理特征的植株氮积累量预测模型稳定性顺序:植被指数+纹理特征>植被指数>纹理特征。融合3个飞行高度遥感影像的植被指数、纹理特征、植被指数+纹理特征进行植株氮积累量预测可以提高估算精度,R2、RMSE、RPD分别为0.89~0.93、1.80~2.03 g/m2、3.54~4.03。因此,在兼顾效率与精度的情况下,适当提高无人机飞行高度,综合利用植被指数和纹理特征可以对植株氮积累量达到较好的预测效果。
中图分类号: