基于數(shù)據(jù)融合和機(jī)器學(xué)習(xí)的多年生苧麻產(chǎn)量估測

付虹雨，王薇，岳云開，盧建寧，龔喜紅，王梓薇，崔國賢，佘瑋

(湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，湖南 長沙 410128)

多年生作物是指能夠進(jìn)行多年生長，或地上部分在冬季枯萎，第二年繼續(xù)生長和開花結(jié)實(shí)的作物[1]，與一年生作物相比，其根系發(fā)達(dá)，具有更高的養(yǎng)分利用率和光能利用率，生產(chǎn)潛力巨大[2-3]。 苧麻是典型的多年生作物之一[4]，高效、無損、準(zhǔn)確地掌握苧麻產(chǎn)量信息不僅可為多年生作物生產(chǎn)管理提供技術(shù)支持，還能輔助進(jìn)一步挖掘多年生作物的產(chǎn)量潛力和遺傳資源。

目前，遙感技術(shù)能夠基于各種平臺(tái)(地面遙感、航空遙感、衛(wèi)星遙感)捕獲作物冠層信息，為大面積田間作物的長勢(shì)監(jiān)測、營養(yǎng)診斷、產(chǎn)量估測、病蟲害監(jiān)測等提供支持。 其中，無人機(jī)低空遙感憑借其高分辨率、高準(zhǔn)確性、靈活機(jī)動(dòng)等優(yōu)勢(shì)引起了越來越多學(xué)者的關(guān)注，并在精準(zhǔn)農(nóng)業(yè)的定量觀測中得到廣泛應(yīng)用。

無人機(jī)遙感平臺(tái)可搭載多種傳感器，如RGB相機(jī)、多光譜、高光譜等，從而獲取光譜、紋理、冠層結(jié)構(gòu)等多維數(shù)據(jù)信息[5]。 因此，有學(xué)者提出多維數(shù)據(jù)融合的策略，使多種類型數(shù)據(jù)互相補(bǔ)充，以提高作物指標(biāo)估測模型性能。 如，Yue 等[6-7]結(jié)合無人機(jī)高光譜傳感器獲取的光譜參數(shù)和作物高程進(jìn)行了小麥地上生物量估測，結(jié)果表明，作物高程的納入可以有效改善生物量的估算精度；除作物高程參數(shù)外，他還指出，利用高地面分辨率圖像的紋理信息也能提升高植被覆蓋率下作物生物量的估測精度。 Li 等[8]結(jié)合無人機(jī)高光譜成像數(shù)據(jù)和RGB 圖像提取的株高數(shù)據(jù)預(yù)測了馬鈴薯地上鮮生物量，改進(jìn)后的產(chǎn)量預(yù)測精度可達(dá)到0.81。劉楊等[9]通過無人機(jī)獲取了馬鈴薯冠層的多光譜影像，然后結(jié)合提取的植被指數(shù)、高頻信息和株高構(gòu)建了精度更高、更穩(wěn)定的生物量估測模型。以上研究表明，多維數(shù)據(jù)融合是提高作物產(chǎn)量估測精度的重要手段，但現(xiàn)有的大多數(shù)研究都是將多類別數(shù)據(jù)作為單獨(dú)變量直接引入估測模型中，缺乏對(duì)多數(shù)據(jù)間關(guān)系的深入探究，往往導(dǎo)致數(shù)據(jù)融合不充分和數(shù)據(jù)信息冗余。 樊意廣等[10]利用融合特征參數(shù)提高了馬鈴薯植株氮含量的估測精度，為基于數(shù)據(jù)融合的作物產(chǎn)量估測提供了新思路。

另一種數(shù)據(jù)融合策略是基于無人機(jī)遙感獲取的多時(shí)序數(shù)據(jù)。 如，Campos 等[11]利用多個(gè)生長階段數(shù)據(jù)構(gòu)建了小麥產(chǎn)量估測模型，結(jié)果表明多時(shí)序數(shù)據(jù)的融合能夠顯著提高作物產(chǎn)量估測精度，因?yàn)樵谀承┪锖蚱诎l(fā)現(xiàn)的差異可以在其他物候期得到補(bǔ)償。 Dhillon 等[12]同樣提出，利用多時(shí)序遙感影像預(yù)測冬小麥地上生物量比使用單一時(shí)期的遙感“快照”更可靠、更精確。

針對(duì)苧麻多年生生長特性，本研究擬采用3種數(shù)據(jù)融合策略提升基于無人機(jī)遙感的多年生作物產(chǎn)量估測精度。 首先基于無人機(jī)RGB 影像提取苧麻遙感特征值，分別包括植被指數(shù)(vegetation indexes，VIs)、株高(HDSM)、覆蓋率(VCUAV)、株數(shù)(PN)；然后構(gòu)造VIs × HDSM× VCUAV、VIs/(1+HDSM)、VIs(1+ VCUAV)3 種融合特征參數(shù)(fusion feature parameters，F(xiàn)FPs)；最后以歷史產(chǎn)量、遙感特征值、融合特征參數(shù)為變量，利用4 種機(jī)器學(xué)習(xí)方法構(gòu)建苧麻產(chǎn)量估測模型，探究歷史數(shù)據(jù)融合、多時(shí)序數(shù)據(jù)融合、多維數(shù)據(jù)融合估測多年生作物產(chǎn)量的潛力。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于湖南省長沙市芙蓉區(qū)湖南農(nóng)業(yè)大學(xué)耘園種植基地(28°11＇1.981″N，113°4＇10.159″E)。 該地區(qū)屬典型的亞熱帶季風(fēng)性濕潤氣候，降水充沛，光熱條件良好，是苧麻生長的主產(chǎn)區(qū)之一。 研究區(qū)域內(nèi)共栽有154 份苧麻種質(zhì)材料，各材料于2017 年12 月育苗移栽，2018 年6 月首次收獲。 小區(qū)面積為3.6 m2，小區(qū)內(nèi)種植8 蔸苧麻(2 行×4 蔸)，小區(qū)間距為0.6 m，排水溝寬為0.5 m。 試驗(yàn)區(qū)土壤成分均一且肥沃，灌溉排水便捷，田間水肥管理一致。 為完成后期影像的重建，提高經(jīng)緯、高程位置校準(zhǔn)的精度，在試驗(yàn)地內(nèi)均勻布置了6 個(gè)地面控制點(diǎn)(GCP)。

1.2 數(shù)據(jù)采集

于2019—2021 年間，對(duì)試驗(yàn)材料進(jìn)行了連續(xù)多次監(jiān)測。 采集的數(shù)據(jù)包括兩種來源，即地面測量數(shù)據(jù)和無人機(jī)影像數(shù)據(jù)。 為保證數(shù)據(jù)的時(shí)效性，地面數(shù)據(jù)測量與無人機(jī)航拍在同一天同步進(jìn)行。

1.2.1 地面數(shù)據(jù)采集 采集了苧麻株高、成熟期株數(shù)及產(chǎn)量數(shù)據(jù)。 每小區(qū)隨機(jī)選取10 株苧麻，利用直尺測量植株底部至冠層頂端的距離，取其平均值作為小區(qū)尺度株高；株數(shù)為每個(gè)小區(qū)內(nèi)苧麻植株總數(shù)，通過目視獲得；產(chǎn)量利用電子秤稱取每個(gè)小區(qū)的苧麻總重量獲得。

1.2.2 遙感影像采集及預(yù)處理 采用大疆悟2搭載禪思X5s 高清數(shù)碼相機(jī)獲取苧麻冠層RGB影像。 為保證太陽輻射穩(wěn)定和充足，飛行作業(yè)選擇在當(dāng)?shù)貢r(shí)間12—14 時(shí)進(jìn)行。 采用DJI GS Pro(大疆地面站專業(yè)版)在指定區(qū)域內(nèi)自動(dòng)生成航線，設(shè)置主航向上重疊率80%，主航線間圖像重疊率70%，飛行高度為20 m，云臺(tái)俯仰角為-90°，相機(jī)曝光模式選擇自動(dòng)。

遙感影像的預(yù)處理在Pix4Dmapper 軟件中完成，最終生成研究區(qū)域的正射影像以及數(shù)字地表模型(digital surface model，DSM)，見圖1。 拼接過程中，為獲取準(zhǔn)確的地理參考，導(dǎo)入地面控制點(diǎn)的三維空間位置信息進(jìn)行地理校正。

圖1 試驗(yàn)區(qū)域正射影像及數(shù)字地表模型

1.3 遙感特征值提取

從無人機(jī)遙感影像中提取的遙感特征值包括VIs、HDSM、VCUAV以及PN。

1.3.1 VIs、HDSM的提取 VIs 由不同波段反射率的均值及其線性或非線性方式組合而成[13-14]，HDSM通過對(duì)不同時(shí)期獲取的DSM 進(jìn)行差值運(yùn)算提取，具體計(jì)算公式如表1。 在ArcGIS 10.2 軟件中，采用柵格工具繪制矩形感興趣區(qū)域(area of interest，AOI)，提取單位小區(qū)的平均VIs 和HDSM。繪制時(shí)，小區(qū)四周邊緣余留10%以消除邊緣效應(yīng)干擾。

表1 VIs 和HDSM的計(jì)算公式

1.3.2 VCUAV的提取 本研究參考多篇文獻(xiàn)求取植被覆蓋率的思路[15-17]，提出一種利用HSV 顏色轉(zhuǎn)換空間，從無人機(jī)遙感影像中快速提取植被覆蓋度的方法。 首先利用HSV 顏色空間的H 通道對(duì)苧麻植株及土壤進(jìn)行閾值分割；然后使用最大間類方差法去除影像中包含的雜草，生成苧麻植被影像；最后分別計(jì)算原影像總像元數(shù)和植被影像總像元數(shù)，兩者的比值結(jié)果即為VCUAV，計(jì)算公式如下:

其中，PO表示植被影像包含的總像元個(gè)數(shù)，P 表示未分割前原影像中包含的總像元數(shù)。

1.3.3 PN 的提取 利用2019、2020 年獲取的苧麻冠層影像，采用FCOS 目標(biāo)檢測(fully convolutional one-stage object detection)算法構(gòu)建了苧麻植株計(jì)數(shù)模型，模型召回率達(dá)到0.892，精度為0.819，RMSE 為0.089，表明該模型可用于識(shí)別遙感影像中的苧麻株數(shù)。 FCOS 模型采用殘差網(wǎng)絡(luò)ResNet101 作為主干網(wǎng)絡(luò)(backbone)，F(xiàn)PN(特征金字塔網(wǎng)絡(luò))用于提取特征，訓(xùn)練次數(shù)為20 次。圖2 為苧麻植株檢測結(jié)果，藍(lán)框標(biāo)注實(shí)際植株樣本，紅框標(biāo)注識(shí)別樣本。

圖2 基于FCOS 的苧麻植株計(jì)數(shù)

1.4 FFPs 的構(gòu)造

為充分融合苧麻光譜特征和結(jié)構(gòu)特征，基于上述提取的遙感特征值，分別構(gòu)造了VIs × HDSM×VCUAV、VIs/(1+ HDSM)、VIs/(1+ VCUAV)3 種共計(jì)33 個(gè)FFPs。

1.5 模型構(gòu)建與評(píng)估

采用線性回歸(linear regression，Linear)、偏最小二乘回歸(partial least squares regression analysis，PLSR)、支持向量回歸(support vector regression，SVR)和隨機(jī)森林(random forest，RF)4 種方法建模。 建模過程中，采用網(wǎng)格搜索方法尋找不同模型的最佳參數(shù)；采用五折交叉驗(yàn)證方法評(píng)估模型；采用7 ∶3比例將數(shù)據(jù)劃分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集用于訓(xùn)練數(shù)據(jù)構(gòu)建經(jīng)驗(yàn)?zāi)Ｐ?，?yàn)證集用于評(píng)估模型穩(wěn)定性；采用決定系數(shù)(R2)、均方根誤差(RMSE)評(píng)估模型性能。

2 結(jié)果與分析

2.1 苧麻產(chǎn)量的統(tǒng)計(jì)描述

表2 為2019—2021 年不同季度每小區(qū)苧麻產(chǎn)量的統(tǒng)計(jì)分析結(jié)果。 可見，試驗(yàn)材料間產(chǎn)量差異明顯，變異系數(shù)為5.99%～15.75%；不同季苧麻產(chǎn)量變異程度表現(xiàn)為頭麻＞三麻＞二麻。 2019—2021 年頭麻、二麻、三麻平均產(chǎn)量分別為10.195、7.433、8.067 kg，表現(xiàn)為頭麻＞三麻＞二麻，與苧麻產(chǎn)量變異的趨勢(shì)一致。 這可能是因?yàn)?，頭麻和三麻生長期長(約80 d)，并且生長周期內(nèi)雨量充沛，日照條件好，有利于苧麻的生長；而二麻生長周期短(50～60 d)，且期間易受高溫干旱影響，生長受限。 綜上所述，頭麻、三麻的產(chǎn)量比二麻產(chǎn)量存在更大差異，數(shù)據(jù)分布更加分散。

表2 2019—2021 年苧麻種質(zhì)材料的小區(qū)產(chǎn)量統(tǒng)計(jì)結(jié)果

2.2 融合歷史產(chǎn)量的苧麻產(chǎn)量估測

2.2.1 相關(guān)性分析 表3 為苧麻產(chǎn)量與遙感特征值(HDSM、PN、VIs)、歷史產(chǎn)量的Pearson 相關(guān)性分析結(jié)果。 可見，不同年份不同季苧麻產(chǎn)量間存在極顯著相關(guān)關(guān)系(P＜0.01)，平均相關(guān)系數(shù)范圍為0.482 ～0.644，表明歷史產(chǎn)量可以作為苧麻產(chǎn)量估測的重要數(shù)據(jù)來源。 PN、HDSM與產(chǎn)量的平均相關(guān)系數(shù)分別為0.375、0.351，這是因?yàn)橹陻?shù)和株高是苧麻產(chǎn)量的重要構(gòu)成因素；對(duì)于由高清數(shù)字圖像構(gòu)建的VIs，B、R、ExGR 與苧麻產(chǎn)量具有較好的相關(guān)關(guān)系，平均相關(guān)系數(shù)分別為0.266、0.212、0.199；另外，與頭麻產(chǎn)量相關(guān)性達(dá)到極顯著水平的VIs 較多，而與三麻、二麻產(chǎn)量極顯著相關(guān)的VIs 較少，表明基于VIs 的苧麻產(chǎn)量估測效率可能不高，數(shù)據(jù)的融合有望彌補(bǔ)單一光譜特征估測的缺陷。

表3 苧麻產(chǎn)量與遙感特征值、往年產(chǎn)量數(shù)據(jù)的相關(guān)性分析

2.2.2 利用歷史產(chǎn)量和遙感特征值估測苧麻產(chǎn)量 融合歷史產(chǎn)量和從遙感影像中提取的4 項(xiàng)遙感特征值(HDSM、PN、VCUAV、VIs)，采用Linear、RF、PLSR、SVR 4 種機(jī)器學(xué)習(xí)算法，分別構(gòu)建了2019—2021 年各季苧麻產(chǎn)量估測模型。 圖3 為不同機(jī)器學(xué)習(xí)算法的建模效果，可知，Linear、RF、PLSR、SVR 總體表現(xiàn)非常接近(Std.＜0.1)。 總體來說，SVR 的產(chǎn)量估測表現(xiàn)略好于其他算法，在2019 年三麻、2020 年頭麻、2020 年二麻的產(chǎn)量估測中表現(xiàn)最佳；Linear 和PLSR 也具有較好的表現(xiàn)，PLSR 在2019 年二麻產(chǎn)量估測中R2最大；RF對(duì)2020 年三麻產(chǎn)量及2021 年頭麻產(chǎn)量的估測效果最好。

圖3 不同機(jī)器學(xué)習(xí)算法的建模效果

表4 對(duì)比了最優(yōu)模型下，基于遙感特征值的苧麻產(chǎn)量估測精度與融合歷史產(chǎn)量和遙感特征值的苧麻產(chǎn)量估測精度。 可知，僅基于遙感特征值的苧麻產(chǎn)量估測模型精度較低，驗(yàn)證集R2為0.012～0.420，RMSE 在2.020～3.554 范圍內(nèi)；而融合歷史產(chǎn)量后，苧麻產(chǎn)量估測模型精度顯著提高，驗(yàn)證集R2為0.289 ～0.832，RMSE 為1.256 ～3.556，對(duì)比遙感特征值估產(chǎn)結(jié)果，建模集R2提高4.619%～631.915%， RMSE 降低 14. 644% ～54.427%，驗(yàn)證集R2提高87.647%～2 308.333%，RMSE 降低4.307%～39.088%(除2020 年二麻增加外)。 綜上所述，對(duì)于多年生作物，歷史產(chǎn)量數(shù)據(jù)對(duì)當(dāng)季產(chǎn)量預(yù)測及估測具有重要意義。

表4 融合歷史產(chǎn)量和遙感特征值的苧麻產(chǎn)量估測

2.3 融合多時(shí)序、多維數(shù)據(jù)的苧麻產(chǎn)量估測

上述研究中，使用的遙感特征值是單一時(shí)期(成熟期)獲取的，并且各項(xiàng)遙感特征值是作為單獨(dú)變量直接輸入到產(chǎn)量估測模型中的。 為進(jìn)一步探究生育周期內(nèi)多時(shí)序數(shù)據(jù)、多維數(shù)據(jù)融合對(duì)苧麻產(chǎn)量估測精度的影響，以2021 年頭麻為例，著重探討多時(shí)序FFPs 估測苧麻產(chǎn)量的潛力。

2.3.1 FFPs 與苧麻產(chǎn)量的關(guān)系 由圖4 可知，VIs 和FFPs 在4 個(gè)生育期都表現(xiàn)出與產(chǎn)量較好的相關(guān)性。 其中，苗期有8 個(gè)VIs 與產(chǎn)量極顯著相關(guān)(P＜0.01)，相關(guān)系數(shù)絕對(duì)值介于0.223 ～0.408之間，按相關(guān)性大小排序前三的VIs 分別為VARI(0.408)、NGRDI(0.408)、ExR(-0.364)，而相關(guān)性位于前三的FFPs 分別為VARI×HDSM×VCUAV、B×HDSM×VCUAV、NGRDI×HDSM×VCUAV，相關(guān)系數(shù)范圍為0.520 ～0.531；封行期有VARI(0.3)、WI(0.267)、B_mean(0.249)、G_mean(0.246)、NGRDI(0.229)5 個(gè)VIs 與產(chǎn)量呈極顯著相關(guān)關(guān)系，相關(guān)系數(shù)絕對(duì)值介于0.229 ～0.300，排序前三的FFPs 分別為VARI×HDSM×VCUAV、G×HDSM×VCUAV、B×HDSM×VCUAV，相關(guān)系數(shù)范圍為0.559 ～0.565；旺長期VIs 與產(chǎn)量之間的相關(guān)性在4 個(gè)時(shí)期中最弱，相關(guān)系數(shù)范圍為0.019 ～0.200，而該時(shí)期FFPs 與產(chǎn)量的相關(guān)系數(shù)范圍為0.019 ～0.398；在4 個(gè)時(shí)期中，成熟期VIs 與產(chǎn)量的相關(guān)性最強(qiáng)，除ExG 外，其他VIs 與產(chǎn)量均達(dá)到極顯著相關(guān)水平，相關(guān)系數(shù)絕對(duì)值范圍為0.251 ～0.459，排序前三的FFPs 為RF×HDSM×VCUAV、ExGR×HDSM×VCUAV、NGRDI/(1+VCUAV)，相關(guān)系數(shù)分別達(dá)到0.499、0.493、0.489。 由以上分析可知，構(gòu)造的大部分FFPs 與產(chǎn)量的相關(guān)性都明顯高于單一光譜特征值，并且不同生育期特征參數(shù)均對(duì)產(chǎn)量敏感，這表明融合特征參數(shù)與苧麻產(chǎn)量聯(lián)系更緊密，通過融合光譜特征和結(jié)構(gòu)紋理特征能更好地估測苧麻產(chǎn)量，多時(shí)序數(shù)據(jù)可能有助于苧麻產(chǎn)量的早期預(yù)測，提高最終產(chǎn)量估測精度。

圖4 不同生育期苧麻產(chǎn)量與融合特征參數(shù)的相關(guān)性分析

2.3.2 利用多時(shí)序融合特征參數(shù)估測苧麻產(chǎn)量為評(píng)估融合特征參數(shù)估測苧麻產(chǎn)量的能力，將各生育期構(gòu)建的FFPs、PN、歷史產(chǎn)量作為變量，采用RF 算法構(gòu)建2021 年頭麻產(chǎn)量估測模型。由圖6 可知，對(duì)比單參數(shù)估測苧麻產(chǎn)量，以融合特征參數(shù)為變量構(gòu)建的單一生育期苧麻產(chǎn)量估測模型性能有所提升，R2提高7.624%～19.031%，其中苗期、封行期、旺長期、成熟期模型的R2分別達(dá)到0.638、0.607、0.593、0.663，表明多參數(shù)構(gòu)建的模型具有更高的精度和穩(wěn)定性，這與相關(guān)性分析的結(jié)果一致。

基于多時(shí)序融合特征參數(shù)的苧麻產(chǎn)量估測模型精度同樣提升，訓(xùn)練集R2為0.917，RMSE 為1.030，驗(yàn)證集R2達(dá)到0.671(圖5)，驗(yàn)證集多時(shí)序融合特征參數(shù)構(gòu)建模型的R2比單一生育期融合特征參數(shù)構(gòu)建模型的R2提高1.207%～13.153%，RMSE 為2.376。 綜上所述，多時(shí)序融合特征參數(shù)包含更多作物生長細(xì)節(jié)，能夠有效提高苧麻產(chǎn)量估測精度。

圖5 單參數(shù)和融合參數(shù)構(gòu)建模型估測苧麻產(chǎn)量的效果比較

3 討論

長期栽培生產(chǎn)發(fā)現(xiàn)，當(dāng)環(huán)境因素較為穩(wěn)定時(shí)，不同年份不同收獲季間苧麻產(chǎn)量存在高度相關(guān)性和連續(xù)性，與本研究的相關(guān)性分析結(jié)果一致。 造成這一現(xiàn)象的原因是，苧麻屬多年生宿根性作物，具有穩(wěn)定的再生能力和優(yōu)質(zhì)高產(chǎn)的可持續(xù)性[18]。

根據(jù)這一生長特征，本研究提出了優(yōu)化苧麻產(chǎn)量估測模型的3 種數(shù)據(jù)融合策略，分別是歷史產(chǎn)量數(shù)據(jù)融合、多維數(shù)據(jù)融合以及多時(shí)序數(shù)據(jù)融合。 結(jié)果表明，融合歷史產(chǎn)量數(shù)據(jù)后，2019—2021年各季苧麻產(chǎn)量估測精度明顯提升，表現(xiàn)為建模集和驗(yàn)證集的R2提高，RMSE 降低，證實(shí)了歷史產(chǎn)量對(duì)多年生作物產(chǎn)量預(yù)測及估測的意義。 在當(dāng)前全球資源緊缺、氣候變化的背景下，多年生作物因具有比一年生作物更高的水分、養(yǎng)分利用率以及更強(qiáng)的生產(chǎn)潛力日益受到人們關(guān)注，世界各國已開展多年生作物育種計(jì)劃[19]，因此，把握多年生作物生長規(guī)律，精確獲取多年生作物產(chǎn)量，對(duì)于篩選優(yōu)質(zhì)高產(chǎn)品種、挖掘其遺傳資源具有重要意義。

將VIs、FFPs 和苧麻產(chǎn)量進(jìn)行相關(guān)性分析，發(fā)現(xiàn)各生育期融合特征參數(shù)與苧麻產(chǎn)量具有更高的相關(guān)性，說明光譜特征值與結(jié)構(gòu)特征值的深度融合有利于更好地反映作物長勢(shì)情況。 樊意廣等[10]研究表明，包含了作物冠層和垂直結(jié)構(gòu)2 個(gè)層次變化信息的FFPs 與植株氮含量具有更好的相關(guān)性。 株高是苧麻產(chǎn)量的主要構(gòu)成因素[20-21]，植被覆蓋度能一定程度消除土壤背景的影響，因此本研究所構(gòu)建的FFPs 能有效反映苧麻產(chǎn)量。

本研究成果都是基于RGB 相機(jī)拍攝影像獲得的，盡管RGB 相機(jī)具有高性價(jià)比、高圖像分辨率的優(yōu)勢(shì)，利用RGB 影像也取得了較滿意的苧麻估產(chǎn)結(jié)果，但今后的研究還需從更多源的數(shù)據(jù)中探索更多的特征，例如高光譜數(shù)據(jù)、熱數(shù)據(jù)、氣象數(shù)據(jù)、雷達(dá)數(shù)據(jù)等，而所獲取的作物表型也不應(yīng)僅停留在冠層層面，從而有望通過更多源數(shù)據(jù)的融合在估測精度及穩(wěn)定性上取得更大突破。

4 結(jié)論

本研究探究了利用無人機(jī)搭載高清數(shù)碼相機(jī)獲取的圖像估測多年生作物苧麻的產(chǎn)量潛力，通過采用3 種數(shù)據(jù)融合策略和4 種常用機(jī)器學(xué)習(xí)方法，優(yōu)化了基于無人機(jī)遙感的苧麻產(chǎn)量估測模型，主要結(jié)論如下:

(1)對(duì)于多年生作物，歷史產(chǎn)量是重要的參考數(shù)據(jù)，融合無人機(jī)遙感特征值和歷史產(chǎn)量的苧麻產(chǎn)量估測模型精度明顯提升。 其中，基于隨機(jī)森林方法的2020 年三麻估產(chǎn)模型具有最高精度，R2＝0.832，RMSE ＝1.256。

(2)與原始遙感特征值相比，構(gòu)造的大部分融合特征參數(shù)與苧麻產(chǎn)量的相關(guān)性較高，可以用于估算作物產(chǎn)量。

(3)對(duì)比單一生育期產(chǎn)量估測，基于生長周期內(nèi)多時(shí)序數(shù)據(jù)構(gòu)建的估產(chǎn)模型效果更好。 利用隨機(jī)森林算法構(gòu)建模型對(duì)2021 年頭麻產(chǎn)量的估測結(jié)果顯示，模型訓(xùn)練集R2為0.917，RMSE 為1.030；驗(yàn)證集R2達(dá)到0.671，比單一生育期融合參數(shù)構(gòu)建模型的R2提高1.207% ～13.153%，且RMSE 為2.376。