基于PROSAIL与迁移学习的冬小麦分蘖密度无人机遥感监测方法OA

为解决传统人工计数效率低及纯数据驱动模型泛化性差的难题,该研究通过构建融合tiller-PROSAIL物理机理模型与迁移学习的无人机遥感监测方法,实现冬小麦分蘖密度的高通量精准监测,从而为精准追肥等农业管理决策提供可靠的技术路径与数据支撑。首先,深入探究了冬小麦分蘖密度与叶面积指数(LAI)之间的内在联系,提出了一种分蘖密度引导的PROSAIL辐射传输模型(tiller-PROSAIL模型),并利用tiller-PROSAIL模型模拟不同冬小麦分蘖场景下的作物冠层光谱。在此基础上,探究冠层光谱与分蘖密度的关联机制,筛选最优光谱特征子集。随后,引入迁移学习算法,使用实测数据集、实测-模拟直接混合以及实测-模拟迁移融合三种训练集策略进行分蘖密度反演建模。分别采用随机森林回归、梯度提升回归、支持向量回归方法进行建模分析与验证,并对模型调优。结果表明,利用迁移融合数据集建立的梯度提升回归模型在冬小麦分蘖密度监测中表现最优,其预测精度R^(2)为0.763,RMSE为248.158蘖/m^(2)。研究结果可为利用遥感数据反演冬小麦分蘖密度提供实用的遥感方法和参考。