不同方法对冬小麦地块级估产的适用性研究

作者：柳琳; 徐鹏; 王哲奇

来源：北京测绘, 2022, 36(02): 156-161.

DOI：10.19580/j.cnki.1007-3000.2022.02.010

• 冬小麦
• 机器学习
• 深度学习
• 长短期记忆网络方法

为了探究不同估产模型对冬小麦估产的精度和适用性，提高像元级和地块级冬小麦估产精度。利用机器学习方法支持向量机（SVM）模型、随机森林（RF）模型和深度学习方法长短期记忆（LSTM）模型，对冬小麦进行产量预估。结果表明：在像元级上，LSTM模型、RF模型估产精度高于SVM模型，LSTM模型不仅能够表征作物在生育期的生长变化，还能降低人为因素干扰，估产结果更加客观真实，而SVM模型、RF模型易受到特征共线性和过拟合的影响，因此SVM模型、RF模型更适用于区域性小范围估产。在地块级上，SVM模型、RF模型和LSTM模型地块级估产精度比像元级估产精度均有提高，且LSTM模型估产精度明显高于SVM模型和RF模型，因此LSTM模型更适用于地块级估产，且LSTM模型泛化能力强、普适性高，适用于大范围农作物估产。