基于无人机多光谱影像与机器学习算法的冬小麦生长监测模型构建及光谱-纹理特征融合研究

针对传统作物生长监测方法效率低下、单一植被指数易饱和等问题，研究人员通过无人机遥感获取冬小麦多光谱影像，融合植被指数(VI)和纹理特征(T)构建综合生长指数(CGI)，采用BPNN、RF和SVM机器学习算法建立预测模型。结果表明VI+T组合模型精度最优(R2=0.888)，熵权法构建的CGI显著提升监测效果，为精准农业提供新方法。

　　

在农业生产中，实时监测作物生长状况对田间管理和产量预测至关重要。然而传统方法如破坏性采样耗时费力，卫星遥感易受天气影响，地面遥感又难以实现大范围快速监测。无人机(UAV)遥感技术凭借高效、无损、低成本等优势成为解决方案，但单一植被指数(VI)在作物生长后期易出现光谱饱和问题，影响监测精度。

山西农业大学的研究团队在《Computers and Electronics in Agriculture》发表研究，创新性地将多光谱影像的VI与纹理特征(T)融合，通过熵权法构建冬小麦综合生长指数(CGI)，并采用反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM)三种机器学习算法建立预测模型。研究选取204个冬小麦品种的株高(PH)、地上部干重(AGDB)等7项生长指标，利用红边波段纹理特征显著提升相关性(r>0.6)，最终CGI模型平均R²达0.819，其中RF算法结合VI+T变量的预测效果最优(R²=0.888，RMSE=0.041)。

关键技术包括：1) 无人机多光谱影像采集；2) 熵权法构建CGI指标；3) 机器学习建模比较(BPNN/RF/SVM)；4) 光谱-纹理特征融合分析。

【Constructing the CGI of winter wheat based on entropy method】
通过相关性分析发现PH与AGDB的相关系数达0.74，而叶绿素(Chl)与荧光参数(F_m,F_v)相关性较低。熵权法有效整合了农艺、生理和生化指标，避免单一参数局限性。

【Feasibility of CGI to characterize the growth status】
CGI与红边波段纹理特征显著相关，其模型精度超越多数单一指标(平均R²提高4.3%)，证实综合指标更能全面反映生长状态。

【Conclusions】
研究证实：1) 光谱-纹理特征融合可提升模型性能，VI+T组合平均R²(0.858)显著高于单独使用VI(0.825)或T(0.774)；2) RF算法在生长监测中展现最佳应用潜力；3) 熵权法构建的CGI为作物表型监测提供新思路。该成果为精准农业实践提供了理论依据和技术支持，推动无人机遥感在智慧农业中的深化应用。