基于时序光谱特征融合冠层结构的滴灌冬小麦产量预测模型构建

郭晓帅; 赖宁; 耿庆龙; 吕彩霞; 李永福; 信会男; 李娜; 陈署晃

郭晓帅,赖宁,耿庆龙,吕彩霞,李永福,信会男,李娜,陈署晃.基于时序光谱特征融合冠层结构的滴灌冬小麦产量预测模型构建[J].干旱地区农业研究,2026,(1):252~259

基于时序光谱特征融合冠层结构的滴灌冬小麦产量预测模型构建

The construction of drip\|irrigated winter wheat yield prediction model based on the fusion of canopy structure and time\|series spectral features

DOI：10.7606/j.issn.1000-7601.2026.01.25

中文关键词: 滴灌冬小麦产量预测模型高光谱叶面积指数敏感波段机器学习算法

英文关键词:drip\|irrigation winter wheat yield prediction model hyperspectral leaf area index sensitive bands machine learning algorithms

基金项目:新疆维吾尔自治区自然科学基金（2023D01A95）；新疆现代农业产业技术体系（XJARS-01-21）；新疆小麦农业科学院自主培育专项（xjnkycxzx-2022004）；新疆维吾尔自治区重大科技专项（2022A02011-2）

作者	单位
郭晓帅	新疆农业大学资源与环境学院,新疆乌鲁木齐 830052
赖宁	新疆维吾尔自治区农业科学院农业资源与环境研究所,新疆乌鲁木齐 830091；新疆维吾尔自治区农业科学院农业遥感中心,新疆乌鲁木齐 830091
耿庆龙	新疆维吾尔自治区农业科学院农业资源与环境研究所,新疆乌鲁木齐 830091；新疆维吾尔自治区农业科学院农业遥感中心,新疆乌鲁木齐 830091
吕彩霞	新疆维吾尔自治区农业科学院农业资源与环境研究所,新疆乌鲁木齐 830091；新疆维吾尔自治区农业科学院农业遥感中心,新疆乌鲁木齐 830091
李永福	新疆维吾尔自治区农业科学院农业资源与环境研究所,新疆乌鲁木齐 830091；新疆维吾尔自治区农业科学院农业遥感中心,新疆乌鲁木齐 830091
信会男	新疆维吾尔自治区农业科学院农业资源与环境研究所,新疆乌鲁木齐 830091；新疆维吾尔自治区农业科学院农业遥感中心,新疆乌鲁木齐 830091
李娜	新疆维吾尔自治区农业科学院农业资源与环境研究所,新疆乌鲁木齐 830091；新疆维吾尔自治区农业科学院农业遥感中心,新疆乌鲁木齐 830091
陈署晃	新疆维吾尔自治区农业科学院农业资源与环境研究所,新疆乌鲁木齐 830091；新疆维吾尔自治区农业科学院农业遥感中心,新疆乌鲁木齐 830091

摘要点击次数: 661

全文下载次数: 104

中文摘要:

为筛选适宜预测滴灌冬小麦产量的敏感光谱指数与算法，通过2 a定位试验，以‘新冬22号’为试验材料，在滴灌冬小麦拔节期、孕穗期、扬花期和灌浆期4个关键生育时期采集冠层光谱数据，并测量叶面积指数（LAI），同时利用15个光谱指数与产量进行皮尔逊相关性分析，筛选可表征产量的敏感光谱指数，结合随机森林（RF）、支持向量机（SVM）和K最近邻（KNN）算法构建产量预测模型。结果显示：仅用组合光谱指数建模时，灌浆期RF模型精度最高（R²达0.70，RMSE为927.86 kg·hm^-2）；组合光谱指数融合叶面积指数后，灌浆期RF模型表现最优（R²达0.73，RMSE为910.06 kg·hm^-2）；而组合光谱指数和叶面积指数与敏感波段结合后，灌浆期RF模型精度最高（R²达0.76，RMSE为728.47 kg·hm^-2），表明采用RF算法融合组合光谱指数、叶面积指数与敏感波段构建的模型可更准确预测滴灌冬小麦产量。

英文摘要:

This study aimed to screen sensitive spectral indices and algorithms suitable for predicting the yield of drip\|irrigated winter wheat. Through two years of field trials using ‘Xindong 22’ as the experimental material, canopy spectral data were collected during four critical growth stages—jointing, booting, flowering, and grain filling—of drip\|irrigated winter wheat. Leaf area index (LAI) was measured. Pearson correlation analysis was conducted between 15 spectral indices and yield to identify sensitive indices characterizing yield. Yield prediction models were constructed using random forest (RF), support vector machine (SVM), and K-nearest neighbors (KNN) algorithms. The results showed when modeling with spectral indices alone, the RF model during the grain filling stage achieved the highest accuracy (R²reached 0.70, RMSE was 927.86 kg·hm^-2). After integrating spectral indices with LAI, the RF model during the grain filling stage performed optimally (R² reached 0.73, RMSE was 910.06 kg·hm^-2). Combining composite spectral indices with LAI and sensitive bands yielded the highest accuracy for the RF model during the grain filling stage (R² reached 0.76, RMSE was 728.47 kg·hm^-2). These findings indicate that the model constructed by adopting RF algorithm and integrating composite spectral indices, LAI, and sensitive bands can more accurately by predict the yield of drip\|irrigated winter wheat.

查看全文查看/发表评论下载PDF阅读器