典型文献
基于多源遥感数据和机器学习算法的冬小麦产量预测研究
文献摘要：
为探讨基于多源遥感数据和机器学习算法预测冬小麦产量的可行性,利用中麦175/轮选987重组自交系F7代群体中70个家系开展田间试验,通过无人机遥感平台和地面表型车平台及手持式冠层鉴定平台,获取冬小麦灌浆期光谱数据,分别用4种机器学习方法和集成方法建立产量预测模型.结果表明,在61个光谱指数中,除MCARI、DSI、PVI外,其余指数均与产量显著相关或极显著相关,700 nm和800 nm组合的高光谱指数能够比较准确地预测产量.相对于高光谱和多光谱,RGB传感器预测产量精度最高,平均决定系数(r2)为0.74,平均均方根误差(RMSE)为517.78 kg·hm-2.相对于决策树(DT)、随机森林(RF)、支持向量机(SVM)三种传统机器学习算法,岭回归(RR)算法预测产量的精度最高,平均-2为0.73,平均RMSE为516.1 kg·hm-2.与单一的传统机器学习算法相比,DT、RF、SVM、RR结合集成算法的预测精度高且稳定,r2高达0.77,RMSE也较低.SVM、RF、DT、RR四种机器学习算法和RGB、ASD、UAV、UGV四个传感器构成的算法-传感器集成方法的预测精度提升,r2为0.79,RMSE降至469.98 kg·hm-2.因此,利用Stac-king集成方法将不同算法、传感器进行结合,能够有效地提高冬小麦产量预测精度.
文献关键词：
遥感;冬小麦;产量预测;机器学习;集成学习
中图分类号：
作者姓名：
甘甜;李雷;李红叶;宋成阳;谢永盾;陶志强;肖永贵;孟亚雄
作者机构：
甘肃农业大学农学院,甘肃兰州730070;中国农业科学院作物科学研究所,北京100081
文献出处：
引用格式：
[1]甘甜;李雷;李红叶;宋成阳;谢永盾;陶志强;肖永贵;孟亚雄-.基于多源遥感数据和机器学习算法的冬小麦产量预测研究)[J].麦类作物学报,2022(11):1419-1428
A类：
B类：
多源遥感数据,和机器学习算法,冬小麦产量,产量预测,预测研究,算法预测,重组自交系,F7,代群,家系,田间试验,无人机遥感,遥感平台,手持式,冠层,灌浆期,光谱数据,机器学习方法,集成方法,MCARI,DSI,PVI,高光谱指数,测产,多光谱,RGB,决定系数,r2,RMSE,hm,决策树,DT,RF,三种传统,岭回归,RR,合集,集成算法,ASD,UAV,UGV,精度提升,Stac,king,集成学习
AB值：
0.334969
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
