Integration of multi-source UAV remote sensing features and derived features for winter wheat aboveground biomass estimation
Guangtao Wang · Sumei Yao · Yanzheng Xie 等 7 人
融合无人机多源遥感特征与衍生特征，用机器学习估算冬小麦地上生物量。
无人机植被指数、纹理、LiDAR特征及衍生特征结合四种机器学习算法建模。
多源特征融合优于单一特征，随机森林最优（R²=0.923），精度随生育期变化。
可探索生育期自适应建模与特征选择，提升跨期生物量估算的稳健性与可迁移性。
该研究融合无人机多源遥感特征与衍生特征，用随机森林估算冬小麦地上生物量，方法新颖、结论可靠，对作物长势监测有参考价值。
准确估算冬小麦（Triticum aestivum L.）地上生物量（aboveground biomass, AGB）对作物生长监测和田间管理具有重要意义。然而，由于不同生育期冠层条件存在差异，且不同遥感特征能够捕捉与AGB估算相关的互补信息，基于无人机（unmanned aerial vehicle, UAV）的AGB估算仍面临挑战。本研究将多源无人机衍生特征，包括植被指数（vegetation indices, VIs）、纹理特征（texture features, TFs）、激光雷达（light detection and ranging, LiDAR）衍生特征以及由原始特征集生成的衍生特征（derived features, DFs），与四种机器学习算法相结合，用于冬小麦AGB估算。结果表明，TFs的预测性能优于其他单一来源特征集。与单一来源特征集相比，融合VIs、TFs、LiDAR衍生特征和DFs进一步提高了AGB估算精度，其中随机森林（random forest, RF）模型在所评估的模型中表现最佳（R² = 0.923，RMSE = 1.731 Mg ha⁻¹）。基于仅含生育期信息的基线模型进行的增量R²分析表明，RF模型在生育期信息之外解释了AGB的额外变异，增量R²为0.479。分生育期评估表明，模型性能在不同生育期之间存在差异，其中在孕穗期观察到最高精度（R² = 0.632，RMSE = 1.425 Mg ha⁻¹）。基于使用全部生育期数据的全特征融合模型进行的特征贡献分析识别出冠层覆盖度和若干DFs为重要预测因子，而分生育期分析则表明不同生育期的主导预测因子存在差异。将多源无人机衍生特征和DFs与机器学习相结合，为冬小麦AGB估算提供了一种有效方法，但模型性能仍强烈依赖于生育期。