利用無(wú)人機(jī)（UAV）高光譜圖像準(zhǔn)確估算冬小麥葉面積指數(shù)（LAI），對(duì)于作物生長(zhǎng)監(jiān)測(cè)，施肥管理和精密農(nóng)業(yè)的發(fā)展至關(guān)重要。


在不同氮肥處理下，不同冬小麥品種的主要生育期(拔節(jié)期、孕穗期和灌漿期)，同時(shí)獲得無(wú)人機(jī)高光譜圖像數(shù)據(jù)、分析光譜設(shè)備（ASD）數(shù)據(jù)和葉面積指數(shù)（LAI）。采用一階導(dǎo)數(shù)（FD）、逐次投影算法（SPA）、競(jìng)爭(zhēng)性自適應(yīng)加權(quán)采樣（CARS）和競(jìng)爭(zhēng)性自適應(yīng)加權(quán)采樣結(jié)合逐次投影算法（CARS-SPA）等算法從無(wú)人機(jī)高光譜數(shù)據(jù)中提取LAI相關(guān)特征波段。此外，采用偏最小二乘回歸(PLSR)、支持向量機(jī)回歸(SVR)和極端梯度增強(qiáng)(Xgboost)三種建模機(jī)器學(xué)習(xí)方法建立葉面積指數(shù)（LAI）估計(jì)模型。



結(jié)果表明，無(wú)人機(jī)與ASD高光譜數(shù)據(jù)的相關(guān)系數(shù)大于0.99，表明無(wú)人機(jī)數(shù)據(jù)可以用于小麥生長(zhǎng)信息的估計(jì)。在本研究建立的15個(gè)模型中，通過(guò)不同算法選擇的葉面積指數(shù)波段略有不同。采用CARS_SPA算法選取9個(gè)連續(xù)特征頻帶作為輸入的Xgboost模型性能最佳。該模型對(duì)校準(zhǔn)集和驗(yàn)證集的測(cè)定系數(shù)(0.89)結(jié)果一致，表明該模型具有很高的準(zhǔn)確性。

將Xgboost建模方法與CARS_SPA算法相結(jié)合，可以減少輸入變量，提高模型操作效率。研究結(jié)果為無(wú)人機(jī)無(wú)損快速估算冬小麥葉面積指數(shù)提供了參考和技術(shù)支持。

來(lái)源：Plant Methods.Leaf area index estimation model for UAV image hyperspectral data based on wavelength variable selection and machine learning methods.Juanjuan Zhang,Tao Cheng,Wei Guo,Xin Xu,Hongbo Qiao,Yimin Xie&Xinming Ma
原文鏈接：https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00750-5