基于无人机遥感和可解释机器学习的棉花地上生物量监测
韩红亮1
石浩磊2
曹红霞2
王雪梅3
1.陕西农林职业技术大学 机电工程学院,陕西 杨凌 7121002.西北农林科技大学 旱区农业水土工程教育部重点实验室,陕西 杨凌 7121003.陕西农林职业技术大学 水利工程学院,陕西 杨凌 712100
摘要：[目的]利用无人机遥感技术实现棉花地上生物量的精准监测.[方法]基于 2021-2022年田间试验,利用无人机搭载的多光谱和 RGB 相机获取棉花蕾期和花期的棉田冠层影像,从影像中提取与棉花地上生物量(AGB)相关的颜色指数和植被指数,采用极限树(Extra Trees)、K 最近邻(KNN)、支持向量机(SVM)3 种机器学习模型构建了基于全特征参数的棉花 AGB 监测模型,并使用 Shapley additive explanation(SHAP)事后检验法进行模型的可解释性分析,提出了基于 SHAP的事后检验特征选择方法,并与常见的事前检验方法进行比较.[结果]Extra Trees模型是基于所有特征参数下的最优机器学习模型,最优模型测试集的决定系数(R2)、平均绝对值误差(MAE)和均方根误差(RMSE)分别为0.84、1.22 t/hm2、1.48 t/hm2;归一化差植被指数(NDVI),红绿比率指数(RGRI)和超绿指数(EXG)是对各模型预测精度贡献较强的特征指数;Extra Trees模型更善于挖掘植被指数中的信息,而 KNN和 SVM模型在对棉花 AGB 模型构建过程中更依赖颜色指数;相较于事前检验,采用事后检验进行特征选择可减少最优模型的特征数,提升最优模型的模拟精度.事后检验中,最优模型为 KNN模型,最优模型的测试集R2、MAE、RMSE分别为 0.85、1.07 t/hm2、1.22 t/hm2.[结论]对基于无人机遥感技术和机器学习模型结合所构建的模型进行事后检验可以更准确地监测棉花 AGB,为棉花科学田间管理提供技术支持.
关键词：棉花无人机遥感机器学习事后检验地上生物量可解释性
分类号：S663.4(果树园艺)S152.7(土壤学)
资助基金：陕西省自然科学基础研究计划项目(2025JC-YBMS-643)国家自然科学基金(52179047)
论文发表日期：2026-08-31
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：9( 34-42 )
英文信息