来源：期刊VIP网 时间：
作者：殷琴亮;刘洋;李建武;张玉烛;
单位：湖南农业大学农学院;湖南杂交水稻研究中心;隆平农业科技黄埔研究院;
摘要：以3个籼型常规稻为研究对象，在湖南省岳阳市开展试验，采用无人机和人工实测的方式获取移栽后第14、21、35、42、56、73天等6个水稻生育时期的多光谱遥感影像及水稻叶面积指数（LAI）实测数据，使用不同方法构建水稻LAI反演跨期与非跨期预测模型，并检验其预测性能（拟合效果和预测精度）。通过Pearson相关性分析，筛选出5个与水稻LAI密切相关的植被指数，分别为近红外反射植被指数（NDRE）、绿色植被指数（GNDVI）、标准化植被指数（NDVI）、叶片光谱指数（LCI）和优化土壤调整植被指数（OSAVI）。分别采用逐步回归和Lasso回归2种多元回归模型、随机森林（RF）和支持向量机（SVM）2种机器学习回归模型构建水稻LAI反演跨期与非跨期预测模型，并用决定系数（R~2）与均方根误差（RMSE）对各模型的预测性能进行评价。结果表明，在水稻LAI反演跨期预测模型中，SVM模型整体预测性能较优，其验证集在移栽后跨第56天预测精度最高（R~2为0.562），跨第14天预测精度最低（R~2为0.095）；在水稻LAI反演非跨期预测模型中，RF模型整体预测性能较优，其验证集在各生育时期的R~2均在0.562及以上，最高达0.856，预测稳定。总体来看，机器学习回归模型较多元回归模型具备更高的预测性能。此外，水稻LAI反演跨期预测模型虽表现出一定的迁移能力，但不同生育时期差异较大，仍需根据时期特征优化建模策略。
关键词：叶面积指数;;无人机多光谱;;遥感;;反演;;机器学习回归;;多元回归
基金资助：湖南省农业科技创新资金项目（2024CX07）
