麦类作物学报

融合光谱和点云信息的小麦地上部生物量估测

PDF下载

杨冠硕 ¹^,² , 朱少龙 ¹^,² , 杨天乐 ¹^,² , 韩东伟 ¹^,² , 张伟军 ¹^,² , 王建亮 ¹^,² , 姚照胜 ¹^,² , 刘涛 ¹^,² , 孙成明 ¹^,²^,³

麦类作物学报 | 生理、生态与栽培 2025,45(11): 1575-1585

收起

麦类作物学报 |生理、生态与栽培 2025 , 45 (11) : 1575 -1585

融合光谱和点云信息的小麦地上部生物量估测

全屏

杨冠硕¹^,², 朱少龙¹^,², 杨天乐¹^,², 韩东伟¹^,², 张伟军¹^,², 王建亮¹^,², 姚照胜¹^,², 刘涛¹^,², 孙成明¹^,²^,³

作者信息

^1．江苏省作物遗传生理国家级重点实验室培育点，扬州大学，江苏扬州 225009

^2．江苏省粮食作物现代产业技术协同创新中心，扬州大学，江苏扬州 225009

^3．扬州大学智慧农业研究院，江苏扬州 225009

通讯作者:

E-mail: cmsun@yzu.edu.cn（孙成明）

作者简介:

E-mail: MX120220736@stu.yzu.edu.cn（杨冠硕）

Estimation of Wheat Aboveground Biomass by Fusion of Spectral and Point Cloud Information

Guanshuo YANG¹^,², Shaolong ZHU¹^,², Tianle YANG¹^,², Dongwei HAN¹^,², Weijun ZHANG¹^,², Jianliang WANG¹^,², Zhaosheng YAO¹^,², Tao LIU¹^,², Chengming SUN¹^,²^,³

Affiliations

^1.Cultivation and Construction Site of National Key Laboratory for Crop Genetics and Physiology in Jiangsu Province, Yangzhou University, Yangzhou, Jiangsu 225009, China

^2.Jiangsu Co-Innovation Center for Modern Production Technology of Grain Crops, Yangzhou University, Yangzhou, Jiangsu 225009, China

^3.Research Institute of Smart Agriculture, Yangzhou University, Yangzhou, Jiangsu 225009, China

出版时间: 2025-11-15 doi: 10.7606/j.issn.1009-1041.2025.11.15

文章导航

摘要

收起

小麦地上部生物量（AGB）是衡量其生长状况的重要指标，采用无人机搭载不同光学传感器可实现小麦AGB的监测。由于小麦生长后期植被覆盖度较高，光学传感器难以获取冠层内部的信息，从而影响AGB的监测精度。为了减少这种影响，本研究在利用光谱指数（颜色指数CIs和植被指数VIs）估算AGB时，引入了与高度相关的点云特征参数（PCs）作为冠层结构的代表性指标，并对引入PCs前后的AGB估算模型精度进行了比较分析。结果表明，在小麦拔节期、抽穗期和灌浆期，使用不同特征参数估算AGB的效果存在差异。CIs在训练集中的估算效果略低于VIs，而在验证集中则略高于VIs；尽管PCs在三个关键时期的表现并不最为突出，但其稳定性较强，部分冠层结构特征显示出对AGB的预测潜力。使用单一特征预测AGB时，r²范围为0.47~0.75，而融合CIs、VIs与PCs三种特征后的AGB估算模型精度得到了显著提高。在三个生育时期，模型的预测r²分别为0.79、0.81和0.77，RMSE分别为0.42、0.74和0.80 t·hm^-2。在采用不同类型的遥感特征时，支持向量机回归（SVM）比高斯过程回归（GPR）表现出更优的估算效果。因此，通过融合CIs、VIs和PCs三种特征，并采用SVM算法，可以有效实现小麦AGB的估算。

关键词

小麦 / 地上部生物量 / 机器学习 / 光谱指数 / 点云特征参数

Abstract

收起

Wheat above ground biomass (AGB) serves as a crucial indicator for assessing its growth status. Currently, unmanned aerial vehicles (UAVs) equipped with various optical sensors have been extensively utilized for monitoring wheat AGB. However, in the late stages of wheat growth, high vegetation coverage hinders optical sensors from capturing information within the canopy, thereby diminishing the accuracy of AGB monitoring. To mitigate this issue, this study incorporated point cloud characteristic parameters (PCs), which are related to canopy height, as representative indicators of canopy structure for estimating AGB using spectral indices, including color indices (CIs) and vegetation indices (VIs). The accuracy of AGB estimation models was then compared before and after the inclusion of PCs. The results revealed variations in the effectiveness of AGB estimation using different characteristic parameters during the jointing, heading, and filling stages of wheat growth. In the training set, the effect of CIs was slightly lower than that of VIs, while in the validation set, it was marginally higher. Although PCs did not exhibit the most remarkable performance across the three key periods, their stability was notably strong, and certain canopy structural characteristics demonstrated potential for AGB prediction. When individual features were used for AGB prediction, the r² values ranged from 0.47 to 0.75. In contrast, integrating the three features of CIs, VIs, and PCs substantially enhanced the accuracy of the AGB estimation model. Specifically, during the three growth stages, the model's r² values were 0.79, 0.81, and 0.77, and the root mean square error (RMSE) was 0.42, 0.74, and 0.80 t·hm^-2, respectively. Among different types of remote sensing features, support vector machine regression (SVM) provided superior estimation results compared to Gaussian process regression (GPR). Therefore, by integrating the three features (CIs, VIs, and PCs) and employing the SVM algorithm, an effective estimation of wheat AGB can be achi.

Key words

Aboveground biomass / Machine learning / Spectral indices / Point cloud feature parameters / Wheat

引用本文

杨冠硕, 朱少龙, 杨天乐, 韩东伟, 张伟军, 王建亮, 姚照胜, 刘涛, 孙成明. 融合光谱和点云信息的小麦地上部生物量估测. 麦类作物学报, 2025 , 45 (11) : 1575 -1585 . DOI: 10.7606/j.issn.1009-1041.2025.11.15

Guanshuo YANG, Shaolong ZHU, Tianle YANG, Dongwei HAN, Weijun ZHANG, Jianliang WANG, Zhaosheng YAO, Tao LIU, Chengming SUN. Estimation of Wheat Aboveground Biomass by Fusion of Spectral and Point Cloud Information[J]. Journal of Triticeae Crops, 2025 , 45 (11) : 1575 -1585 . DOI: 10.7606/j.issn.1009-1041.2025.11.15

基金

收起

江苏省重点研发计划（现代农业）项目(BE2022338)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

2025年第45卷第11期

PDF下载

120

引用本文

BibTeX

文章信息

doi: 10.7606/j.issn.1009-1041.2025.11.15

接收时间：2024-09-24
首发时间：2026-09-18
出版时间：2025-11-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-09-24
修回日期：2025-02-15

基金

江苏省重点研发计划（现代农业）项目(BE2022338)

作者信息

^1．江苏省作物遗传生理国家级重点实验室培育点，扬州大学，江苏扬州 225009

^2．江苏省粮食作物现代产业技术协同创新中心，扬州大学，江苏扬州 225009

^3．扬州大学智慧农业研究院，江苏扬州 225009

通讯作者:

E-mail: cmsun@yzu.edu.cn（孙成明）

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/mlzwxb/CN/10.7606/j.issn.1009-1041.2025.11.15

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT