论文信息
论文解读
AI 辅助整理- 方法
- 多时相RGB与多光谱影像提取植被指数与纹理特征,结合RFE-SHAP、VIP、逐
- 发现
- 随机森林全生育期模型最优,R2达0.9197,能清晰反映不同氮处理下LAI空间分布。
- 机会点
- 可探索特征选择与多模型耦合在不同生育期与作物间的迁移性,并接入变量施肥决策闭环。
论文摘要
叶面积指数(Leaf Area Index, LAI)是表征作物冠层结构与生长状态的关键生物物理参数。利用遥感技术进行大范围、动态、高精度的LAI估算,对作物生长评估和产量预测至关重要。本研究通过将多时相无人机(UAV)影像中优化筛选的特征融入建模算法,探究了水稻多生育期LAI估算方法。基于不同氮肥梯度控制试验,同步采集稻田LAI数据与高分辨率红绿蓝(RGB)和多光谱无人机影像。随后提取植被光谱指数,并对这些指数进行主成分分析(PCA)以获得第一主成分(PC1)。在此基础上,对PC1图像进行灰度共生矩阵(GLCM)计算以提取纹理特征。分别采用以Shapley加性解释(SHAP)引导的递归特征消除(RFE)为随机森林(RF)筛选特征、以变量投影重要性(VIP)为偏最小二乘回归(PLSR)筛选特征、以向后消除法为逐步回归(SR)筛选特征。各模型分别利用其对应筛选的预测变量,针对单个生育期及组合数据集进行构建。结果表明,全生育期RF模型表现最佳,决定系数(R2)为0.9197,均方根误差(RMSE)为0.4309,相对均方根误差(rRMSE)为16.85%。估算的LAI分布图清晰揭示了不同生育期和氮处理下LAI的空间分布格局与梯度变化。最终,研究结果表明,将多源、多时相无人机遥感特征与建模算法相结合,能够实现水稻LAI的高精度反演,有效捕捉田块内生长异质性。本研究为作物动态监测、变量施肥决策和智慧农业管理提供了可靠的技术依据。
论文原文与出版信息
Agronomy