草地学报 ›› 2026, Vol. 34 ›› Issue (11): 4181-4190.DOI: 10.11733/j.issn.1007-0435.2026.11.025
• 研究论文 • 上一篇
吴冠洲2, 杨博1, 马琳1, 刘亚玲3, 王学敏1, 马韫韬2
WU Guan-zhou2, YANG Bo1, MA Lin1, LIU Ya-ling3, WANG Xue-min1, MA Yun-tao2
摘要: 为提高饲用燕麦(Avena sativa L.)地上生物量估算效率,本研究以张家口地区1460份饲用燕麦种质资源为对象,基于田间采集的4个时相无人机多源数据,融合可见光(Red green blue,RGB)、多光谱(Multispectral image,MSI)、摄影测量株高(UAV photogrammetry-derived plant height)和植被指数(Vegetation indices,VIs),构建多时相多源深度学习地上生物量估算模型,并与多元线性回归(Multiple linear regression,MLR)、随机森林(Random forest,RF)和极端梯度提升(Extreme gradient boosting,XGBoost)模型进行比较。剔除50份影像质量不合格样本后,以1410份资源小区样本开展建模。独立测试集结果表明,深度学习模型的决定系数R2为0.86,平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)分别为37.43 g和47.17 g,优于3种对比模型。残差分析显示,高生物量样本仍存在低估趋势;分级空间图能够定性再现实测地上生物量的主要空间格局,但不能替代逐小区误差检验。研究表明,多时相无人机多源遥感与深度学习相结合,可为饲用燕麦地上生物量估算和田间尺度空间制图提供技术支撑。
中图分类号: