基于无人机多光谱遥感和机器学习的苎麻理化性状估测

苎麻生理生化性状是其遗传基础和环境条件综合影响的结果,能够反映特定胁迫环境下苎麻的生长发育状况.无人机遥感技术为大规模田间作物长势监测提供了有效手段,利用无人机搭载多光谱相机对苎麻理化性状进行综合评价具有实际意义.因此,以苎麻种质资源为研究对象,采用无人机多光谱遥感获取苎麻冠层的光谱参数和纹理参数,运用相关性分析法(Pearson correlation analysis,PCA)、递归特征消除法(Recursive feature elimination,RFE)2种最优特征筛选方法和线性回归(Linear regression,LR)、决策树(Decision tree,DT)、随机森林回归(Random forest,RF)、支持向量机(Support vector machines,SVM)、偏最小二乘 回归分析(Partial least squares regression analysis,PLSR)5种机器学习算法分别构建了苎麻叶绿素相对含量(SPAD值)、叶面积指数(Leaf area index,LAI)和叶片相对含水量(Relative water content,RWC)的估测模型.结果表明,苎麻理化性状与冠层光谱偏态参数存在显著相关性,基于偏态参数构建的苎麻理化性状估测模型能包含更多信息输入.对比PCA方法,RFE能更有效地筛选敏感特征参数,从而提高估测模型精度.基于多时序融合数据的苎麻理化性状估测模型精度较高,LR-SAPD估测模型的R2为0.662,RMSE为2.088;LR-RWC估测模型的R2为0.793,RMSE为2.213％,SVR-LAI模型能较好估测苎麻叶面积指数,R2为0.737,RMSE为0.630.提出的准确高效、性价比高、普适性高的田间苎麻理化性状动态监测方法,可用于作物理化含量的快速、无损估测.