基于无人机高光谱数据和机器学习算法预测玉米产量

基于无人机高光谱数据预测玉米产量的不同机器学习算法比较

英文: Comparison of different machine learning algorithms for predicting maize grain yield using UAV-based hyperspectral images

研究单位

北京师范大学

华中师范大学

瓦赫宁根大学

多伦多大学

摘要

及时、准确地预测玉米产量有助于制定适应性措施以改进管理实践、调整消费模式，从而确保粮食安全。无人机（UAV）被广泛用于获取作物的高时间和高空间分辨率遥感图像，使传感器性能比较成为可能。迄今为止，很少有研究比较了基于多光谱和基于高光谱的图像、仅敏感光谱波长和全高光谱波长以及各种机器学习方法在估算高植被覆盖下的叶绿素、叶面积指数（LAI）和粮食产量等生理特征方面的潜在能力。该研究基于2021年9月13日和22日在中国沧州南皮实验站收集的具有作物性状地面测量的多光谱和高光谱图像。利用形成的两波段植被指数（VIs）和纹理指数（TIs），探索并比较了多光谱和高光谱图像在估算叶绿素、反演LAI和预测玉米产量方面的潜力。通过相关性分析确定了敏感波长，随后采用五种常用的机器学习方法和五种卷积神经网络（CNN）的深度学习方法，对比了基于敏感波长计算的植被指数（VIs）与全高光谱波长在预测玉米产量方面的精度。结果表明，在高植被覆盖率下，高光谱数据对叶绿素、叶面积指数（LAI）和粮食产量的敏感性高于多光谱图像。与仅使用敏感光谱波长构建的VIs相比，采用全高光谱波段显著提高了玉米产量预测的准确性。基于选定的VIs，随机森林（RF）和LightGBM展现了最高的预测精度，R2（RMSE）分别为0.90（0.55 t/ha）和0.85（0.59 t/ha）。而当使用全高光谱波段时，RF和CNN150的预测性能最为出色，R2（RMSE）分别为0.92（0.53 t/ha）和0.91（0.59 t/ha）。研究表明，将全高光谱波段数据与随机森林算法相结合，对于预测玉米产量尤为有效，特别是在高植被覆盖率区域。

研究数据

高光谱数据：高光谱数据由Cubert X20P机载框幅式高光谱成像仪获取。该成像仪采用革命性的框幅式高光谱成像技术，具有20MP的超高清大面阵光谱探测器，可同步获取350~1000 nm范围内164个光谱通道高光谱图像，在1/1000秒内获得整个高光谱立方体数据，更适合高速移动式测量，数据真实可靠无伪影，影像具有厘米级地理坐标信息，配备一体式无刷云台，内置控制及固态存储，适合多旋翼或固定翼无人机搭载。

研究过程

图1 实验站地理位置和高光谱成像系统

图2 基于无人机遥感数据结合机器学习和深度学习方法预测玉米产量流程图

表1 各数据集所采用的机器学习和深度学习方法

图3 多光谱VIs与叶绿素计测值及LAI的偏相关分析：（a）-（f）为两个日期的RNDVI、RRVI和RDVI与叶绿素计值的相关性；（g）-（i）为两个日期的RNDVI、RRVI和RDVI与LAI的相关性（x轴和y轴为多光谱图像的波长）

图4 多光谱TIs与叶绿素计测量值和LAI之间的偏相关分析：（a）-（f）为两个日期的RNDTI、RRTI和RDTI与叶绿素计测量值之间的相关性；（g）-（i）为两个日期的RNDTI、RRTI和RDTI与LAI之间的相关性（x轴和y轴分别为多光谱图像的R、G、B、RE和NIR波长的8个TIs）

图5 高光谱VIs与叶绿素仪实测值和LAI的偏相关分析:（a）~（f）分别为两时段的RNDVI、RRVI和RDVI与叶绿素仪实测值的相关性；（g）~（i）分别为两时段的RNDVI、RRVI和RDVI与LAI的相关性（横轴和纵轴分别为高光谱影像波长范围为350nm~1000nm的164个波段）

图6 多光谱和高光谱VIs与粮食产量的偏相关性：（a）-（f）分别为两个日期的多光谱图像RNDVI、RRVI和RDVI与产量的相关性；（g）-（i）分别为两个日期高光谱图像RNDVI、RRVI和RDVI与产量的相关性

图7 高光谱图像双波段VIs与玉米产量之间的线性回归分析（1-25代表25种VIs组合，s1和s2分别代表9月13日和9月22日）

表2 高光谱图像的两波段VIs与玉米产量之间的线性回归分析（Rλ1和Rλ2表示高光谱图像的波长，s1和s2分别表示9月13日和9月22日）

图8 使用机器学习和深度学习方法基于选定的两波段指数预测的玉米产量和实测值的散点图（CNN后面的数字表示不同的卷积核，s1和s2分别代表9月13日和9月22日）

图9 使用机器学习和深度学习方法基于高光谱图像全光谱预测的玉米产量和实测值的散点图（CNN后面的数字表示不同的卷积核，s1和s2分别代表9月13日和9月22日）

表3 使用机器学习和深度学习方法基于选定的双波段指数和高光谱图像全光谱预测玉米产量的比较（RMSE的单位为（t/ha））

研究结论

该研究提取了基于多光谱的双波段VIs和TIs以及基于高光谱的双波段VIs，并将其与测得的叶绿素计值、LAI和玉米产量进行比较。基于五种常用的机器学习方法和一种深度学习模型，分别应用双波段VIs和全高光谱波段两组不同的数据集来估算玉米产量。结果表明，在高植被覆盖度下，基于高光谱的VIs在估算叶绿素计值、LAI和玉米产量时比基于多光谱VIs和TIs保持相对更高的相关性。基于高光谱图像全光谱的RF对玉米产量预测的准确率最高。强烈建议采用融合全高光谱和RF来预测玉米产量。

原文链接：https://doi.org/10.1016/j.jag.2023.103528