目录
摘 要 1
关键词 1
ABSTRACT 1
KEY WORDS 2
引言 2
1 材料与方法 3
1．1 园区试验背景 3
1．2 数据采集与处理 4
1．1．1 地面采样与农学参数获取 4
1．1．2 无人机数据获取 4
1．1．2 无人机数据处理 5
1．3 模型构建与检验 5
1．3．1 植被指数选择 6
1．3．2 多元线性回归模型 8
1．3．3 随机森林回归模型 8
1．3．4 支持向量机回归模型 9
2 结果与分析 9
2.1参数选择与建模 9
2．2 各变量与LAI预测精度之间的关系 11
2．2．1 植被指数是否包含红边波段与LAI估算精确度高低之间的关系 11
2．2．2 回归方法与LAI估算精确度高低之间的关系 11
2．3 各变量与LNA预测精度之间的关系 12
2．3．1 植被指数是否包含红边波段与LNA估算精确度高低之间的关系 12
2．3．2 回归方法与LNA估算精确度高低之间的关系 12
2．3．3 训练集样本量与LNA估算精确度高低之间的关系 12
3 讨论 13
致谢 14
参考文献 16
基于固定翼无人机影像与多种回归方法的小麦叶面积指数与叶片氮积累量估测研究
摘 要
本研究旨在利用无人机影像提取的植被指数结合机器学习算法来提高叶面积指数和小麦氮素状况估测的准确度。于20172018年开展不同小麦品种及施氮水平的小区试验，在关键生育期同步获取无人机影像及叶片数据。由于红边信息的有无往往影响两种指标估测的精度，因此将提取的植被指数分为红边和非红边两类，并使用多元线性回归、随机森林和支持向量机三种回归方法来分别构建小麦叶面积指数和叶片氮积累量估测模型。结果表明，对于两种研究指标而言，无论建模数据集是否包含红边信息，随机森林（R2 > 0.8 *51今日免费论文网|www.jxszl.com +Q: ^351916072^ 
23）和支持向量机（R2 > 0.825）均有较好的预测精度。而多元线性回归方法对多元线性回归预测叶片氮积累量（R2 = 0.641~0.834）影响较大。本研究说明无人机数据结合机器学习算法能够更好地估测小麦叶面积指数与氮素状况。

原文链接：http://www.jxszl.com/nongxue/zwbh/606138.html