基于土壤背景分割的田间玉米地上生物量无人机精准估算OA

针对无人机多光谱影像估算玉米地上生物量(above-ground biomass,AGB)易受土壤背景干扰的问题,该研究提出一种“先分割、后建模”的方法。首先利用绿光归一化差异植被指数(green normalized difference vegetation index,GNDVI)分割植被与土壤,提取植被区域的5个波段反射率(band reflectances,RBs)、14个植被指数(vegetation indexs,VIs)和40个纹理特征(texture features,TFs),然后通过相关性分析筛选4种组合(RBs、VIs、TFs、RBs+VIs+TFs)的特征变量作为输入,最后使用随机森林(random forest,RF)和偏最小二乘回归(partial least squares regression,PLSR)算法构建AGB估算模型。结果表明:1)单一特征中,VIs预测效果最佳。采用RF算法预测鲜、干地上生物量,其决定系数(coefficient of determination,R^(2))、均方根误差(root mean square error,RMSE)、相对均方根误差(relative root mean square error,rRMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)分别为0.860、72.408 g/m^(2)、22.874%、25.574%和0.844、28.161 g/m^(2)、21.166%、23.171%。2)多特征融合(RBs+VIs+TFs)显著提升预测精度,尤其对PLSR算法提升更明显。与仅使用RBs、VIs或TFs的模型相比,鲜地上生物量的R^(2)分别提高了0.356、0.209和0.132,RMSE分别降低了66.841、44.287和30.347 g/m^(2);干地上生物量的R^(2)分别提高了0.339、0.179和0.012,RMSE分别降低了19.413、11.303和0.877 g/m^(2)。3)整体来说,RF算法的鲁棒性优于PLSR算法。最佳估算鲜地上生物量(PLSR算法)和干地上生物量(RF算法)模型的R^(2)、RMSE、rRMSE、MAPE分别为0.882、66.484 g/m^(2)、21.003%、25.374%和0.844、28.226 g/m^(2)、21.215%和21.569%。植被土壤分割有效排除了土壤背景干扰,尤其适用于长势稀疏作物AGB的精准估算,为无人机精准农情监测提供了科学依据。