文献类型：期刊文章

作　　者：徐云飞[1] 程琦[1] 魏祥平[2] 杨斌[1] 夏沙沙[3] 芮婷婷[1] 张世文[3]

Xu Yunfei;Cheng Qi;Wei Xiangping;Yang Bin;Xia Shasha;Rui Tingting;Zhang Shiwen(School of Spatial Informatics and Geomatics Engineering,Anhui University of Science and Technology,Huainan 232001,China;Huaibei Mining(Group)Co.Ltd,Huaibei 235001,China;School of Earth and Environment,Anhui University of Science and Technology,Huainan 232001,China)

机构地区：[1]安徽理工大学空间信息与测绘工程学院,淮南232001 [2]淮北矿业(集团)有限公司,淮北235001 [3]安徽理工大学地球与环境学院,淮南232001

出　　处：《农业工程学报》

基　　金：安徽省自然资源科技项目(2020-K-8);国家重点研发计划项目(2020YFC1908601);淮北矿业集团科技研发项目(No.2020-113)。

年　　份：2021

卷　　号：37

期　　号：20

起止页码：71-80

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象,开展无人机冬小麦长势监测,获取冬小麦生物量、株高、叶绿素含量和植株含水率数据,基于变异系数法(Coefficient of Variation Method,CV)构建综合长势监测指标(Comprehensive Growth Monitoring Indicators,CGMI_(CV)),通过16种植被指数与CGMI_(CV)进行相关性分析,计算植被指数间的方差膨胀因子,筛选最优植被指数作为模型输入变量,采用偏最小二乘(Partial Least Squares Regression,PLSR)、随机森林(Random Forest,RF)、反向传播神经网络(Back Propagation Neural Networks,BPNN)及遗传算法(Genetic Algorithm,GA)优化的BPNN模型建立冬小麦长势反演模型,结合评价指标获得冬小麦最优长势反演模型,最终得到研究区冬小麦长势空间分布信息。研究结果表明:以变异系数法得到的冬小麦CGMI_(CV)相关性比单一指标的相关性有不同程度的提高;利用变异系数法结合BPNN得到的冬小麦长势最佳反演模型CGMICV-BPNN,其决定系数R^(2)可达0.71,模型精度较传统赋权法构建的CGMI_(mean)-BPNN模型提高了26.79%;采用GA优化后的BPNN模型的不稳定显著下降,其平均相对误差中位数下降了22.22%,决定系数R^(2)也有所提高;研究区内半数以上的冬小麦长势集中于第Ⅲ等级,其所占比例为55.83%,其次集中于第Ⅰ等级,其所占比例为36.08%,研究区冬小麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。

关 键 词：无人机 农作物 遥感 变异系数法 综合长势监测指标  反向传播神经网络

分 类 号：S252]