融合无人机光谱信息与纹理特征的棉花叶绿素指数估测OA

精准检测农田尺度下的棉花叶片叶绿素含量(Leaf Chlorophyll Content,LCC)对于研究棉花生长动态与产量对田间管理措施的响应具有重要意义。本文通过设置不同的灌水量与施肥水平营造差异化的冠层结构,利用无人机搭载多光谱传感器通过多光谱影像获取棉花冠层植被指数(Vegetation indices,VIs)与纹理特征(Texture features,TFs),通过Pearson分析法筛选出与LCC高相关性的VIs与TFs,进而采用随机森林回归(Random forest,RF)机器算法、残差网络(Residual Network,ResNet)、1D-卷积神经网络(1D-CNN)构建基于VIs、TFs以及二者结合后综合指标的LCC反演模型,并比较其精度。结果表明,在3种估算模型中,1D-CNN模型更具有稳定性,VIs和TFs综合指标提高了棉花各生育期LCC反演模型精度。在棉花蕾期、花铃期、吐絮期3个生育时期,综合指标训练集R^(2)分别为0.957、0.957、0.955,RMSE分别为1.019、1.057、0.915,分别较VIs训练集反演模型精度提升7.1%,4.3%,11%,较TFs训练集反演模型精度提升41.7%,37%,39%;验证模型R^(2)分别为0.827、0.877、0.874,RMSE分别为1.927、1.732、1.408,较VIs验证集反演模型精度分别提升0.9%,2.4%,8.5%,较TFs验证集反演模型精度分别提升33.4%,37.7%,38.3%。本研究可为融合无人机多光谱信息与图像纹理信息的LCC反演模型为棉花叶片信息的诊断提供了一种可行准确的方法。