变异系数法结合优化神经网络的无人机冬小麦长势监测

作者：徐云飞; 程琦; 魏祥平; 杨斌; 夏沙沙; 芮婷婷; 张世文^*

来源：农业工程学报, 2021, 37(20): 71-80.

• 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

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,CGMICV),通过16种植被指数与CGMICV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(GeneticAlgorithm,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CGMICV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R2可达0.71,模型精度较传统赋权法构建的CGMImean-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R2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。

• 单位
  安徽理工大学