摘要：高效、及时获取作物长势信息对作物生产管理具有重要作用。目前针对小区域的农作物长势监测多以无人机的光谱信息反演来实现，但综合考虑农作物不同生育期阶段的表面特征信息进行小区域农作物长势监测的方法需进一步研究。本文以冬小麦为研究对象，基于冬小麦的株高和叶面积指数(Leaf area index，LAI)按照变异系数法构建综合长势监测指标(Comprehensive growth monitoring indicators，CGMI)，提出一种融合无人机光谱信息与纹理特征的冬小麦综合长势监测方法。以搭载多光谱镜头的无人机获取了冬小麦4个生育期的影像，得到12种植被指数和各波段的8类纹理特征。采用Person相关性分析方法，筛选出与CGMI相关性较好的植被指数与纹理特征，进而采用随机森林回归(Random forest，RF)、偏最小二乘回归(Partial least squares regression，PLSR)、支持向量机回归(Support vector regression，SVR)3种机器学习方法分别构建基于植被指数和基于植被指数与纹理特征的2个长势监测模型，通过比较得到较优长势监测模型，最终获得研究区冬小麦长势空间分布信息。结果表明：3种机器学习方法中，基于植被指数与纹理特征的SVR长势监测模型的精度最高(训练集R2为0.789，MAE为0.03，NRMSE为4.8%，RMSE=0.04)，与基于植被指数的SVR长势监测模型相比，该模型决定系数提高了5.1%，平均绝对误差降低了3.3%，标准均方根误差降低了8.3%，均方根误差降低了10%。研究结果证明该方法精确、可靠，可为冬小麦长势监测提供重要参考。
文章目录
0 引言
1 材料与方法
1. 1 研究区概况
1. 2 数据获取与处理
1. 2. 1 多光谱数据获取与处理
1. 2. 2 田间数据获取
1. 3 研究方法
1. 3. 1 植被指数选取
1. 3. 2 纹理特征提取
1. 3. 3 综合长势监测指标
1. 3. 4 模型构建与建模方法
1. 3. 5 模型精度评价
2 结果分析
2. 1 CGMI的构建
2. 2 光谱数据与CGMI的相关性分析
2. 3 基于植被指数的CGMI模型
2. 4 基于植被指数和纹理特征的CGMI模型
2. 5 最佳监测模型的应用
3 讨论
4 结论
