数字农科院2.0

基于多源遥感数据和机器学习算法的冬小麦产量预测研究

文献类型： 中文期刊

作者： 甘甜;李雷;李红叶;宋成阳;谢永盾;陶志强;肖永贵;孟亚雄

作者机构：

关键词： 遥感;冬小麦;产量预测;机器学习;集成学习

期刊名称：麦类作物学报

ISSN： 1009-1041

年卷期： 2022 年 11.0 期

页码：

收录情况： 北大核心（2020版） ; ; CSCD（2021-2022年度） ; ; 科技核心（2021版） ; ; 农林核心（2020版）

摘要： 为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F7代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型。结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量。相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数（r~2）为0.74,平均均方根误差（RMSE）为517.78 kg·hm~2。相对于决策树（DT）、随机森林（RF）、支持向量机（SVM）三种传统机器学习算法,岭回归（RR）算法预测产量的精度最高,平均r~2为0.73,平均RMSE为516.1 kg·hm-2。与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r~2高达0.77,RMSE也较低。SVM、RF、DT、RR四种机器学习算法和RGB、ASD、UAV、UGV四个传感器构成的算法-传感器集成方法的预测精度提升,r~2为0.79,RMSE降至469.98 kg·hm-2。因此,利用Stacking集成方法将不同算法、传感器进行结合,能够有效地提高冬小麦产量预测精度。

分类号：

  • 相关文献

[1]基于集成学习预测稻米镉的可解释性分析. 董泽馨,安毅,董琪,张晨晨,孙思佳. 2025

[2]基于无人机多光谱时序影像的冬小麦产量估测. 万国樑,王银婷,李雷,王多霞,陶志强,孙海艳. 2026

[3]Landsat8和机器学习估算蒙古高原草地地上生物量. 赵越,徐大伟,范凯凯,李淑贞,沈贝贝,邵长亮,王旭,辛晓平. 2022

[4]基于机器学习和可见光光谱的冬小麦叶片氮积累量估算. 崔日鲜,刘亚东,付金东. 2016

[5]基于高光谱遥感和集成学习方法的冬小麦产量估测研究. 费帅鹏,禹小龙,兰铭,李雷,夏先春,何中虎,肖永贵. 2021

[6]基于叶面积指数反演的区域冬小麦单产遥感估测. 任建强,陈仲新,周清波,唐华俊. 2010

[7]基于作物生物量估计的区域冬小麦单产预测. 任建强,刘杏认,陈仲新,周清波,唐华俊. 2009

[8]冬小麦叶面积指数高光谱遥感反演方法对比. 夏天,吴文斌,周清波,周勇. 2013

[9]基于种植制度利用MODIS数据提取冬小麦种植面积. 隋学艳,朱振林,李少昆,明博,张晓冬. 2010

[10]基于MODIS数据的冬小麦种植面积快速提取与长势监测. 黄青,李丹丹,陈仲新,刘佳,王利民. 2012

[11]基于环境减灾卫星时序归一化植被指数的冬小麦产量估测. 陈鹏飞,杨飞,杜佳. 2013

[12]基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测. 屈莎,李振海,邱春霞,杨贵军,宋晓宇,陈召霞,刘畅. 2017

[13]不同时序EOS／MODIS-NDVI提取冬小麦面积. 程登发,陈林,张云慧,田喆,孙京瑞. 2006

[14]基于NDVI加权指数的冬小麦种植面积遥感监测. 王利民,刘佳,杨玲波,杨福刚,滕飞,王小龙. 2016

[15]基于作物模型与叶面积指数遥感影像同化的区域单产估测研究. 杨鹏,吴文斌,周清波,陈仲新,查燕,唐华俊,柴崎亮介. 2007

[16]冬小麦面积遥感识别精度与空间分辨率的关系. 王利民,刘佳,高建孟,杨玲波,杨福刚,王小龙. 2016

[17]高分1号冬小麦解译面积核算方法研究. 王利军,贺佳,郭燕,王利民,刘佳,王来刚,武喜红,程永政,张红利. 2018

[18]冬小麦非监督分类结果的类别选择研究. 王利民,刘佳,杨福刚,杨玲波,姚保民. 2019

[19]基于时序归一化植被指数的冬小麦收获指数空间信息提取. 任建强,陈仲新,周清波,唐华俊. 2010

[20]基于遥感的冬小麦长势等级与气象因子相关性分析. 黄青,周清波,王利民,李丹丹. 2014

作者其他论文 更多>>