利用机器学习技术增强无人机的多光谱遥感能力，以监测水稻在不同生长关键阶段的叶面积指数

《Precision Agriculture》：Machine learning-enhanced UAV multispectral remote sensing for monitoring rice leaf area index across critical growth stages

　　

摘要

目的

传统方法难以在整个生长周期内准确高效地监测水稻叶片面积指数（LAI），从而阻碍了精准农业管理的发展。

方法

为了解决这一问题，本研究结合了无人机（UAV）多光谱遥感技术和机器学习方法，开发了一种新的模型，用于监测中国浙江省水稻的动态LAI变化。该模型利用了水稻分蘖、拔节和抽穗等关键阶段的数据。随后计算了归一化植被指数（NDVI）、归一化绿红差指数（NGRDI）、归一化红边指数（NDRE）、红边比率植被指数（RERVI）和增强植被指数（EVI）。在此基础上，分别构建了使用单一植被指数的线性和非线性模型。此外，还利用五种植被指数开发了两种基于经验统计的模型（偏最小二乘回归（PLSR）和岭回归（RR），以及四种机器学习模型（随机森林（RF）、支持向量机（SVM）、k最近邻（kNN）和改进型前馈神经网络（FNN）。

结果

结果表明，在传统的经验模型中，非线性模型LAI-EVI_non-linear的表现最好，其R^2值为0.756，均方根误差（RMSE）为0.680。这也表明，增加更多的植被指数作为输入数据并不一定能显著提高PLSR和RR模型的反演精度。然而，四种机器学习模型的表现取得了显著提升。其中，LAIFNN模型的准确率最高，R^2值约为0.821，RMSE约为0.583。通过使用Shapley加性解释（SHAP）方法，还量化了各个输入特征的贡献。基于最优模型，本文绘制了水稻LAI的多时相空间分布图。

结论

这些发现表明，基于无人机的遥感技术结合高性能机器学习为水稻农业生态系统的LAI监测提供了一种实用的方法。