优化基于LAI的综合小麦增长指数系统和监测模型
Mingguang Diao1, Shuning Liang2, Jianing Chen2
1School of Information Engineering, China University of Geosciences (Beijing), Beijing, 100083, China. dmg@cugb.edu.cn.
Scientific reports
|December 21, 2025
概括
这项研究开发了一种可靠的小麦生长监测方法,使用卫星数据和机器学习. 优化的XGBoost模型实现了高精度,改善了农业决策和粮食安全.
科学领域:
- 农业科学 农业科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 监测小麦生长对于农业决策和全球粮食安全至关重要.
- 需要准确有效的方法来评估作物健康和产量潜力.
研究的目的:
- 通过整合卫星遥感和机器学习,开发一种准确和高效的小麦生长监测方法.
- 用植被指数评估不同机器学习模型用于小麦生长监测的性能.
主要方法:
- 利用 Sentinel-2 卫星图像和测量的小麦叶面积指数 (LAI) 数据.
- 使用皮尔森相关性分析选择并排列了11个植被指数 (例如,NDVI,NDRE,RVI).
- 使用粒子群优化 (PSO) 构建了一个包含前八个指数的索引系统,并优化了线性回归,逆向传播神经网络和XGBoost模型.
主要成果:
- 粒子优化优化的XGBoost模型表现出最高的精度,R2 = 0.94和MSE = 0.075.
- 开发的模型在监测小麦生长方面表现出强大的稳定性和稳定性.
- 皮尔森相关性分析和逐步优化有效地确定了用于小麦生长评估的关键植被指数.
结论:
- 卫星遥感,植被指数和优化机器学习的综合方法为小麦生长监测提供了可靠的解决方案.
- 这种方法可以为精准农业和提高粮食安全做出重大贡献.
- 进一步的研究可以探索额外的遥感数据和先进的机器学习算法,以改善作物监测.
