通过融合多时光谱特征和来自无人机图像的农学特征参数来改善谷物产量预测

科学领域:

• 农业科学 农业科学
• 遥感 遥感 遥感 遥感
• 农作物科学 农作物科学

背景情况:

• 准确的作物产量预测对于粮食安全和农业规划至关重要.
• 无人驾驶飞行器 (UAV) 提供灵活,高分辨率的数据,用于现场规模的作物监测.
• 传统方法通常仅依赖光谱特征,可能缺少关键的生长信息.

研究的目的:

• 研究农学特征参数对作物产量预测准确性的影响.
• 将光谱特征与农学特征 (树冠高度,覆盖面,体积) 结合起来,以提高产量预测.
• 确定最佳特征和生长阶段,以准确预测作物产量.

主要方法:

• 利用无人机的多光谱和RGB图像进行数据采集.
• 提取的光谱特征 (例如,NDVI_RE,EVI) 和农学特征 (天花板高度,部分植被覆盖).
• 开发了整合不同生长阶段和品种的光谱和农学数据的预测模型.

主要成果:

• 将农业学特征与光谱特征相结合,显著提高了产量预测准确度,而不是单独使用光谱特征.
• 最优的特征组合包括树冠高度 (CH),部分植被覆盖 (FVC),NDVI_RE和EVI,达到8.34%的误差和0.95.95的R2.
• 预测准确性在头部阶段是最高的,并且在使用多个增长阶段的数据时得到改善.
• 虽然不同品种的预测较弱,但联合方法提供了一些改进.

结论:

• 农学特征参数对于提高基于无人机的作物产量预测的准确性至关重要.
• 整合多时光谱和农学数据为准确的产量预测提供了一个强大的框架.
• 该研究强调了无人机遥感在优化农业管理和确保粮食安全方面的潜力.