通过多源无人机融合进行LAI倒置:一个三维纹理和机器学习方法
Zijun Tang1, Junsheng Lu1, Ahmed Elsayed Abdelghany2
1Key Laboratory of Agricultural Soil and Water Engineering in Arid and Semiarid Areas of Ministry of Education, Northwest A&F University, Yangling, Xianyang 712100, China.
Plants (Basel, Switzerland)
|April 26, 2025
概括
这项研究使用无人机 (UAV) 多谱数据增强冬季油菜叶面积指数 (LAI) 估计. 将植被指数和新的3D纹理特征与XGBoost相结合,实现了精准农业的高精度.
科学领域:
- 农业遥感 农业遥感
- 精准农业 精准农业 精准农业
- 农作物监测 农作物监测
背景情况:
- 叶面积指数 (LAI) 对于作物生长的评估和管理至关重要.
- 基于无人机 (UAV) 的多谱数据为LAI估计提供了潜力.
- 使用单一纹理特征来准确预测LAI存在局限性.
研究的目的:
- 探索结合植被指数和新的3D纹理特征的有效性,用于冬季油菜的LAI估计.
- 评估支持向量机 (SVM),反向传播神经网络 (BPNN) 和极端梯度增强 (XGBoost) 模型的性能.
- 开发一种准确可靠的方法,用于基于无人机的LAI监测,用于精密农业.
主要方法:
- 实地实验收集了两年来冬季油菜的地面真相LAI和UAV多谱数据.
- 提取了植被指数和树冠纹理特征;使用相关性矩阵生成了新的3D纹理指数.
- 选择了重要的变量,并输入到SVM,BPNN和XGBoost模型以进行LAI估计.
主要成果:
- 大多数植被指数和纹理特征与LAI显著相关 (p < 0.05).
- 3D纹理指数NDTTI显示了与LAI的最高个体相关性 (R = 0.725).
- 结合植被指数,纹理特征和3D纹理指数的XGBoost模型实现了最高的准确性 (R2 = 0.882,RMSE = 0.204).
结论:
- 结合多样化的光谱和空间特征,大大提高了冬季油菜的LAI估计准确度.
- 开发的方法为基于无人机的多谱LAI监测提供了有效的方法.
- 这项研究支持精准农业管理的科学和技术进步.
