基于无人机遥感和可解释机器学习的棉花地上生物量监测OA

【目的】利用无人机遥感技术实现棉花地上生物量的精准监测。【方法】基于2021—2022年田间试验,利用无人机搭载的多光谱和RGB相机获取棉花蕾期和花期的棉田冠层影像,从影像中提取与棉花地上生物量(AGB)相关的颜色指数和植被指数,采用极限树(Extra Trees)、K最近邻(KNN)、支持向量机(SVM)3种机器学习模型构建了基于全特征参数的棉花AGB监测模型,并使用Shapley additive explanation(SHAP)事后检验法进行模型的可解释性分析,提出了基于SHAP的事后检验特征选择方法,并与常见的事前检验方法进行比较。【结果】Extra Trees模型是基于所有特征参数下的最优机器学习模型,最优模型测试集的决定系数(R^(2))、平均绝对值误差(MAE)和均方根误差(RMSE)分别为0.84、1.22 t/hm^(2)、1.48 t/hm^(2);归一化差植被指数(NDVI),红绿比率指数(RGRI)和超绿指数(EXG)是对各模型预测精度贡献较强的特征指数;Extra Trees模型更善于挖掘植被指数中的信息,而KNN和SVM模型在对棉花AGB模型构建过程中更依赖颜色指数;相较于事前检验,采用事后检验进行特征选择可减少最优模型的特征数,提升最优模型的模拟精度。事后检验中,最优模型为KNN模型,最优模型的测试集R^(2)、MAE、RMSE分别为0.85、1.07 t/hm^(2)、1.22 t/hm^(2)。【结论】对基于无人机遥感技术和机器学习模型结合所构建的模型进行事后检验可以更准确地监测棉花AGB,为棉花科学田间管理提供技术支持。