科研之友
微信
新浪微博
Facebook
分享链接
摘要
准确、快速、无损估测叶面积指数(LAI)对于冬小麦生产管理具有重要意义。利用无人机搭载Prime ALTUM多光谱相机获取冬小麦拔节期、孕穗期、抽穗期、灌浆期多光谱图像，利用LAI-2200C型植物冠层分析仪获取地面LAI数据。通过Pearson相关性分析筛选出25个植被指数，并提取植被指数影像中8种纹理特征：对比度(CON)、熵(ENT)、方差(VAR)、均值(MEA)、协同性(HOM)、相异性(DIS)、二阶矩(SEM)和相关性(COR),以及3种颜色特征：一阶矩(M)、二阶矩(V)和三阶矩(S),再分别利用多元逐步回归模型(MSR)、支持向量回归模型(SVR)和高斯过程回归模型(GPR)构建冬小麦LAI估测模型。结果表明：相对于考虑单一类型变量，考虑结合纹理特征和颜色特征进行估测时模型精度更高；3类模型中，GPR模型估测冬小麦LAI的精度最高；所有模型中，基于纹理-颜色特征与植被指数融合的GPR模型估测冬小麦LAI精度最高(决定系数R2为0.94,均方根误差(RMSE)为0.17 m2/m2,平均绝对误差(MAE)为0.13 m2/m2,归一化均方根误差(NRMSE)为4.06%)。纹理特征和颜色特征能有效改善植被指数在高密度冠层下的饱和问题，能够从有限的信息中衍生得到更多信息用于更高精度地估测冬小麦LAI,从而为冬小麦长势监测和生产管理提供理论依据。
- 出版日期2023
- 单位西北农林科技大学; 建筑工程学院
