基于无人机影像多时相的小麦品种氮效率分类识别

【目的】探索无人机遥感在氮效率分类识别中的潜力,构建小麦品种氮效率分类方法,为氮高效品种筛选提供理论依据和技术支持。【方法】通过6个成熟期与氮效率密切相关的农学指标(产量、植株氮积累、氮素生理利用效率、植株干生物量、籽粒总吸氮量、N收获指数)构建主成分综合值,并对其进行K-Means聚类分析,将121个小麦品种划分为氮高效型、氮中效型和氮低效型3种类型。利用无人机遥感平台搭载多光谱相机,在小麦拔节期、孕穗期和开花期获取无人机遥感影像,并提取34种植被指数,分析植被指数与氮效率综合值的相关性;对比支持向量机(SVM)、随机森林(RF)和K最近邻(KNN)分类方法的氮效率分类模型精度,使用总体分类精度(OA)和Kappa系数比较不同生育时期下小麦品种氮效率分类识别的能力;并使用3种不同的特征集筛选方法(ReliefF算法、Boruta算法和RF-RFE算法)对优化的特征子集进行综合评价,确立适宜的小麦品种氮效率分类识别方法。【结果】随着小麦生育时期的不断推进,植被指数与氮效率综合值的相关性逐渐提高,开花期最高(r=0.502);利用植被指数全特征集对小麦品种氮效率进行分类,对于单生育时期数据而言,以开花期的SVM模型分类效果最好(OA=77.1%,Kappa=0.591),拔节期最差(OA=65.6%,Kappa=0.406);总体而言,多生育时期数据融合的品种氮效率分类精度高于单生育时期,其中以拔节期+孕穗期+开花期3个生育时期数据融合的SVM模型的分类效果最优(OA=80.6%,Kappa=0.669)。为减少多生育时期数据融合的特征集变量数量,比较分析RF-RFE、Boruta和ReliefF 3种算法的特征优化效果,基于RF-RFE算法得到的优化特征子集分类精度最高,其OA和Kappa系数比全特征集分类模型分别提高了4.0%和10.1%,其中,以3个生育时期数据融合的分类效果最好(OA=85.4%,Kappa=0.749)。【结论】确立6个氮效率指标—主成分分析—K-Means氮效率评价方法;RF-RFE算法有效优化多生育时期组合的特征子集数量,且获得较高的分类精度,确立基于多生育时期组合—RF-RFE—SVM技术融合的小麦品种氮效率分类模型,为小麦氮高效品种的快速准确分类鉴定提供理论依据和技术支撑。