遥感光谱指标和神经网络结合的冬小麦地上部生物量估测

为探讨基于神经网络对小麦地上部生物量(aboveground biomass,AGB)进行遥感估测的可行性,在江苏省泰州泰兴市、盐城大丰区和宿迁沭阳县布设冬小麦大田试验,在对冬小麦近红外波段反射率(near-infrared band reflectance,REFnir)、红光波段反射率(red band reflectance,REFred)、归一化差值植被指数(normalized difference vegetation index,NDVI)、差值植被指数(difference vegetation index,DVI)、比值植被指数(ratio vegetation index,RVI)、土壤调节植被指数(soil adjusted vegetation index,SAVI)和优化土壤调节植被指数(optimized soil adjusted vegetation index,OSAVI)等7个遥感光谱指标与冬小麦生长指标(LAI和AGB)进行相关性分析基础上,构建基于BP神经网络的冬小麦AGB估测模型,并与多元线性回归估测模型进行精度比较.结果表明,冬小麦拔节期REFred、NDVI、RVI、SAVI、OSAVI和LAI与AGB之间存在较好相关性,其中LAI与AGB的相关性最高(相关系数为0.782),SAVI与AGB的相关性最低(相关系数为0.647).利用BP神经网络建立的冬小麦AGB估测模型AGBBP的决定系数(r2)为0.918,均方根误差(root mean square error,RMSE)为 582.9 kg·hm-2,平均相对误差(average relative error,ARE)为 18.4％.利用多元线性回归分析建立的冬小麦AGB估测模型AGBRA的 r2为0.784,RMSE为871.1 kg·hm-2,ARE为32.6％.利用冬小麦抽穗期AGB实测数据再对模型AGBBP和AGBRA进行验证,其RMSE分别为1 140.4和1 676.7 kg·hm-2,ARE分别为20.5％和33.1％.由此可以看出,冬小麦估测模型AGBBP精度优于模型AGBRA,说明利用多个遥感光谱指标结合LAI建模可以有效提高冬小麦AGB的估测精度.