农业工程学报

作者：杨莹,徐璐,曹思珩,康婷婷,李建国,黄晟,胡建,

关键词：无人机, 地上生物量, GNDVI阈值分割, 随机森林, 偏最小二乘回归

基金：42

针对无人机多光谱影像估算玉米地上生物量（above-ground biomass，AGB）易受土壤背景干扰的问题，该研究提出一种“先分割、后建模”的方法。首先利用绿光归一化差异植被指数（green normalized difference vegetation index，GNDVI）分割植被与土壤，提取植被区域的5个波段反射率（band reflectances，RBs）、14个植被指数（vegetation indexs，VIs）和40个纹理特征（texture features，TFs），然后通过相关性分析筛选4种组合（RBs、VIs、TFs、RBs+VIs+TFs）的特征变量作为输入，最后使用随机森林（random forest，RF）和偏最小二乘回归（partial least squares regression，PLSR）算法构建AGB估算模型。结果表明：1）单一特征中，VIs预测效果最佳。采用RF算法预测鲜、干地上生物量，其决定系数（coefficient of determination，italic>R/italic>su2/su）、均方根误差（root mean square error，RMSE）、相对均方根误差（relative root mean square error，rRMSE）、平均绝对百分比误差（mean absolute percentage error，MAPE）分别为0.860、72.408 g/msu2/su、22.874%、25.574%和0.844、28.161 g/msu2/su、21.166%、23.171%。2）多特征融合（RBs+VIs+TFs）显著提升预测精度，尤其对PLSR算法提升更明显。与仅使用RBs、VIs或TFs的模型相比，鲜地上生物量的italic>R/italic>su2/su分别提高了0.356、0.209和0.132，RMSE分别降低了66.841、44.287和30.347 g/msu2/su；干地上生物量的italic>R/italic>su2/su分别提高了0.339、0.179和0.012，RMSE分别降低了19.413 、11.303和0.877 g/msu2/su。3）整体来说，RF算法的鲁棒性优于PLSR算法。最佳估算鲜地上生物量（PLSR算法）和干地上生物量（RF算法）模型的italic>R/italic>su2/su、RMSE、rRMSE、MAPE分别为0.882、66.484 g/msu2/su、21.003%、25.374%和0.844、28.226 g/msu2/su、21.215%和21.569%。植被土壤分割有效排除了土壤背景干扰，尤其适用于长势稀疏作物AGB的精准估算，为无人机精准农情监测提供了科学依据。/

来源：2026年第7期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第7期