基于智能算法的小麦倒伏识别及产量损失估测研究OA

为解决目前倒伏定量化研究中存在的生育期动态特征解析不足、传统单模态算法泛化性受限、多源数据协同机制解析缺失等问题,本研究利用深度实验室3+(DeepLabV3+)、金字塔场景解析网络(PSPNet)、U型网络(U-Net)及高分辨率网络(HR-Net)四种深度学习模型,针对3783份小麦自然群体的RGB图像进行倒伏区域提取,并结合多光谱数据计算植被指数,融合支持向量机(SVM)、极端梯度提升(GBR)、多元线性回归(MLP)和随机森林(RF)四种机器学习算法构建产量估算模型。通过预测正常生长产量与倒伏后实收产量评估产量损失。结果表明,在倒伏区域提取任务中,U-Net相较于DeepLabV3+、PSP-Net和HR-Net的召回率和平均精度最优,均达到了90.63%,但精确率略低于其他模型。不同生育条件下,提取小麦倒伏区域精度差异较大:抽穗期R^(2)仅为0.19~0.32,灌浆初期R^(2)提升至0.84~0.88,而灌浆中期R_(2)降至0.71~0.77,灌浆后期R^(2)则维持在0.65~0.74,可知灌浆初期为提取倒伏区域效果最佳时期。在小麦抽穗期与灌浆期,将U-Net算法提取的倒伏特征引入产量估算模型中,R^(2)提高0~0.26,其中以MLP算法构建的模型在灌浆初期精度最高(R^(2)=0.68)。在产量损失预测中,采用“直立-倒伏双轨建模”策略:先以SVM、GBR、MLP、RF四种算法分别构建未引入倒伏面积特征的直立小麦产量模型,估算潜在产量,再建立倒伏小麦产量模型,两次预测值之差即为倒伏造成的实际产量损失。其中MLP-MLP模型预测产量损失的精度最高(R^(2)=0.89),且误差最小(RMSE=419.47 kg·hm^(-2))。综上,多种智能算法结合使用可提高小麦倒伏区域提取与产量损失估算的精度。本研究为估算倒伏对小麦产量损失的影响提供了理论依据与技术支撑。