多遥感光谱指标优选的大田冬小麦茎蘖数估测

作者：张宏; 李卫国^*; 张晓东; 李伟; 马廷淮; 韩振强

来源：麦类作物学报, 2023, 43(03): 391-398.

• 冬小麦茎蘖数
• 波段反射率
• 植被指数
• 神经网络
• 估测模型

为了快速、准确地估测大田冬小麦茎蘖数(stem&tiller number, STN),在江苏省盐城市大丰区、泰州泰兴市和宿迁市沭阳县布设冬小麦STN遥感估测试验，获取了冬小麦拔节期冠层红光波段反射率(red band reflectance, βred)、近红外波段反射率(near infrared band reflectance, βnir)、比值植被指数(ratio vegetation index, RVI)、归一化差值植被指数(normalized difference vegetation index, NDVI)、差值植被指数(differential vegetation index, DVI)、阴影植被指数(shadow vegetation index, SVI)和STN数据，通过分析多个遥感光谱指标(βred、βnir、RVI、NDVI、DVI、SVI)与STN之间的相关性，优选冬小麦STN的敏感光谱指标，再基于敏感光谱指标分别建立冬小麦STN的BP神经网络估测模型(STNBP估测模型)和多元线性回归估测模型(STNMLR估测模型),并对模型预测精度进行验证。结果表明，βred、βnir、RVI、NDVI、DVI和SVI与冬小麦STN之间均存在不同程度的相关性，其相关系数依次表现为βred(0.337)<βnir(0.375)<DVI(0.423)<RVI(0.446)<SVI(0.447)<NDVI(0.470),择优选择RVI、NDVI、DVI和SVI作为建立STNBP估测模型和STNMLR估测模型的输入变量。模型精度验证显示，STNBP估测模型的决定系数(coefficient of determination,R2)为0.758,均方根误差(root mean square error, RMSE)为2.169×106个·hm-2,平均相对误差(average relative error, ARE)为13.7%;STNMLR估测模型的R2为0.599,RMSE为3.110×106个·hm-2,ARE为20.0%。STNBP估测模型的估测精度优于STNMLR估测模型，说明利用多遥感光谱敏感特征指标和BP神经网络建立的冬小麦STNBP估测模型能够有效满足大田冬小麦茎蘖数的估测要求。

• 单位
  南京信息工程大学; 江苏省农业科学院; 江苏大学