变异系数法结合优化神经网络的无人机冬小麦长势监测.pdf

第 37 卷 第 20 期 农 业 工 程 学 报 Vol.37 No.20 2021 年 10 月 Transactions of the Chinese Society of Agricultural Engineering Oct. 2021 71 ·农业航空工程· 变异系数法结合优化神经网络的无人机冬小麦长势监测 1 1 2 1 3 1 3※ 徐云飞 ，程 琦 ，魏祥平 ，杨 斌 ，夏沙沙 ，芮婷婷 ，张世文 （1. 安徽理工大学空间信息与测绘工程学院，淮南 232001 ；2. 淮北矿业（集团）有限公司，淮北 235001 ；3. 安徽理工大学地球 与环境学院，淮南 232001 ） 摘 要：高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象，开展 无人机冬小麦长势监测，获取冬小麦生物量、株高、叶绿素含量和植株含水率数据，基于变异系数法（Coefficient of Variation Method ，CV ）构建综合长势监测指标（Comprehensive Growth Monitoring Indicators，CGMICV ），通过 16 种植被指数与 CGMICV 进行相关性分析，计算植被指数间的方差膨胀因子，筛选最优植被指数作为模型输入变量，采用偏最小二乘（Partial Least Squares Regression ，PLSR ）、随机森林 （Random Forest ，RF ）、反向传播神经网络 （Back Propagation Neural Networks ， BPNN ）及遗传算法（Genetic Algorithm，GA ）优化的 BPNN 模型建立冬小麦长势反演模型，结合评价指标获得冬小麦 最优长势反演模型，最终得到研究区冬小麦长势空间分布信息。研究结果表明：以变异系数法得到的冬小麦 CGMICV 相 关性比单一指标的相关性有不同程度的提高；利用变异系数法结合 BPNN 得到的冬小麦长势最佳反演模型 CGMICV-BPNN，其决定系数R2 可达 0.71，模型精度较传统赋权法构建的 CGMImean-BPNN 模型提高了 26.79% ；采用GA 优化后的 BPNN 模型的不稳定显著下降，其平均相对误差中位数下降了 22.22% ，决定系数 R2 也有所提高；研究区内半 数以上的冬小麦长势集中于第Ⅲ等级，其所占比例为 55.83%，其次集中于第Ⅰ等级，其所占比例为 36.08%，研究区冬小 麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。 关键词：无人机；农作物；遥感；变异系数法；综合长势监测指标；反向传播神经网络 doi ：10.11975/j.issn.1002-6819.2021.20.008 中图分类号：S252 文献标志码：A 文章编号：1002-6819(2021)-20-0071-10 徐云飞，程琦，魏祥平，等. 变异系数法结合优化神经网络的无人机冬小麦长势监测[J]. 农业工程学报，2021，37(20)： 71-80. doi ：10.11975/j.issn.1002-6819.2021.20.008 Xu Yunfei, Cheng Qi, Wei Xiangping, et al. Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network[J]. Transactions of the Chinese Soc