不同生育期小麦冠层SPAD值无人机多光谱遥感估算

摘要

随着长江中下游稻麦轮作区水稻成熟期的推迟,冬小麦播期的推迟已经成为影响产量的主要障碍,因此在迟播小麦中筛选抗性较好的品种很有必要。该研究旨在监测冬小麦生长早期冠层叶片的相对叶绿素含量,用于迟播冬小麦品种筛选。为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于多光谱无人机获取的5个单波段光谱反射率和15个植被指数作为自变量,经过递归特征消除法(RFE)特征变量筛选,去除冗余变量,利用后向神经网络(BP)回归算法构建冬小麦相对叶绿素含量(SPAD)值遥感反演模型。根据2020年—2021年江苏省扬州市广陵区实验点冬小麦越冬期、拔节期两个生育期的实测叶片SPAD值,结合同步获取的多光谱无人机影像,分析了这两个生育期遥感变量和SPAD值之间的相关性。并结合遥感变量之间的特征重要性排序进行特征变量筛选,筛选出的变量作为模型的输入,构建并筛选出各生育期最佳的反演模型。比较岭回归(Ridge)和梯度提升树(GBD)算法,以R^(2)和RMSE作为模型评价指标,在验证集上分析了各生育期3种模型的自学习能力和泛化能力。结果表明,经过了最优光谱信息筛选而建立的BP神经网络模型在此两个生育期的数据集上均表现出了最强的回归预测能力。R^(2)和RMSE在越冬期分别为0.806和1.861,拔节期分别为0.827和0.507。通过对无人机多光谱数据进行变量筛选,构建的优选模型BP神经网络具有较高估算精度,且表明在冬小麦的早期监测中,拔节期比越冬期效果好。利用无人机多光谱在估算迟播冬小麦SPAD值进行品种抗性筛选的方法是有价值的。