基于无人机多光谱影像与机器学习算法的棉花冠层叶绿素含量估算研究
Estimation of chlorophyll content in cotton canopy using UAV multispectral imagery and machine learning algorithms
赵鑫 1李朝阳 2王洪博 1刘江凡 1江文格 1赵泽艺 1王兴鹏 3高阳4
作者信息
- 1. 塔里木大学水利与建筑工程学院,新疆阿拉尔 843300;塔里木大学自治区教育厅普通高等学校现代农业工程重点实验室,新疆阿拉尔 843300;塔里木大学塔里木绿洲农业教育部重点实验室,新疆阿拉尔 843300
- 2. 塔里木大学水利与建筑工程学院,新疆阿拉尔 843300;塔里木大学自治区教育厅普通高等学校现代农业工程重点实验室,新疆阿拉尔 843300;农业农村部西北绿洲节水农业重点实验室,新疆石河子 832000
- 3. 塔里木大学水利与建筑工程学院,新疆阿拉尔 843300;塔里木大学自治区教育厅普通高等学校现代农业工程重点实验室,新疆阿拉尔 843300;塔里木大学塔里木绿洲农业教育部重点实验室,新疆阿拉尔 843300;农业农村部西北绿洲节水农业重点实验室,新疆石河子 832000;中国农业科学院西部农业研究中心,新疆 昌吉 831100;中国农业科学院农田灌溉研究所,河南新乡 453002
- 4. 中国农业科学院西部农业研究中心,新疆 昌吉 831100;中国农业科学院农田灌溉研究所,河南新乡 453002
- 折叠
摘要
[目的]利用无人机多光谱技术监测棉花冠层叶片的叶绿素含量.[方法]通过无人机获取新疆南疆地区棉花冠层的多光谱图像,选取7种植被指数,利用7种不同的反演方法估算棉花关键生育时期花铃期的叶绿素含量,包括基于线性回归(linear regression,LR)的一元线性回归、偏最小二乘回归(partial least squares regression,PLSR)、岭回归(ridge regression,RR)、最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,LASSO)回归,以及支持向量回归(support vector regression,SVR)、K近邻回归(K nearest neighbors regression,KNNR)、随机森林回归(random forest regression,RFR).[结果]与线性回归模型相比,RFR、SVR和KNNR算法提高了棉花冠层叶绿素含量估算模型精度,尤其是RFR算法,其模型验证集的决定系数为0.742,均方根误差为1.158mg·L-1,相对分析误差为1.969.[结论]利用RFR机器学习方法构建的基于无人机多光谱影像的棉花冠层叶片叶绿素含量估算模型可及时、准确地判断棉花的生长状况,为棉田精准管理提供技术支撑.
Abstract
[Objective]This study aims to monitor the chlorophyll content of cotton leaves by utilizing unmanned aerial vehicle(UAV)-based multispectral technology.[Methods]This study utilized multispectral images of cotton canopies obtained by UAV in southern Xinjiang and employed seven different machine learning methods to estimate the canopy chlorophyll content during the flowering and boll-setting stage which is the critical growth period of cotton.The seven methods include linear regression(LR)-based methods,i.e.,simple linear regression,partial least squares regression(PLSR),ridge regression(RR),least absolute shrinkage and selection operator(LASSO)regression,support vector regression(SVR),K-nearest neighbors regression(KNNR),and random forest regression(RFR).[Results]The results showed that compared with the LR method,the RFR,SVR and KNNR can improve the accuracy of prediction model of chlorophyll content in cotton canopies,especially the RFR algorithm,which had the coefficient of determination of 0.742,root mean square error of 1.158 mg L-1,residual predictive deviation of 1.969 with the validation dataset.[Conclusion]The use of UAV-based multispectral images with the RFR machine learning method,exhibits the most outstanding performance to estimate the chlorophyll content of cotton leaves and provide essential technical support for precision management in cotton field.
关键词
无人机/多光谱/叶绿素含量/机器学习/遥感反演/棉花Key words
UAV/multispectral imagery/chlorophyll content/machine learning/remote sensing inversion/cotton引用本文复制引用
基金项目
新疆生产建设兵团财政科技计划项目(2022BC009)
现代农业工作重点实验室2022年度开放课题项目(TDNG2022103)
中央级科研院所基本科研业务费专项(中国农业科学院农田灌溉研究所)资助项目(IFI2023-19)
国家重点研发计划(2022YFD1900505)
塔里木大学校级研创项目(TDGRI202253)
出版年
2024
国家科技期刊平台
NSTL
万方数据