欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 , Vol. 7 >Issue 6: 161 - 173

DOI: https://doi.org/10.12133/j.smartag.SA202507018

专刊--遥感+AI 赋能农业农村现代化

基于植被指数和纹理特征融合的冬油菜叶面积指数估测方法

  • 刘杰 1, 2 ,
  • 国佳欣 2 ,
  • 张嘉豪 1, 2 ,
  • 张炳超 3 ,
  • 熊洁 3 ,
  • 曹剑鹏 2 ,
  • 吴尚蓉 4 ,
  • 邓应彬 5 ,
  • 陈桂鹏 , 2
展开
  • 1. 华东交通大学 电气与自动化工程学院，江西 南昌 330013，中国
  • 2. 江西省农业科学院农业经济与信息研究所，江西省农业智能感知工程研究中心，江西 南昌 330200，中国
  • 3. 江西省农业科学院作物研究所，油料作物遗传改良江西省重点实验室，江西 南昌 330200，中国
  • 4. 中国农业科学院农业资源与农业区划研究所，北方干旱半干旱耕地高效利用全国重点实验室，北京 100081，中国
  • 5. 广东省科学院广州地理研究所，广东 广州 510070，中国
陈桂鹏，博士，研究员，研究方向为智慧农业。E-mail：

刘 杰，硕士研究生，研究方向为农业遥感。E-mail：

收稿日期: 2025-07-11

  网络出版日期: 2025-12-05

基金资助

江西省现代农业科研协同创新专项(JXXTCX202606)

江西省现代农业产业技术体系-智慧农业岗位(JXARS-16)

江西省高层次高技能领军人才培养工程项目(赣人社字〔2025〕2号)

国家自然科学基金面上项目(42271374)

收起

Method for Estimating Leaf Area Index of Winter Rapeseed Based on Fusion of Vegetation Indices and Texture Features

  • LIU Jie 1, 2 ,
  • GUO Jiaxin 2 ,
  • ZHANG Jiahao 1, 2 ,
  • ZHANG Bingchao 3 ,
  • XIONG Jie 3 ,
  • CAO Jianpeng 2 ,
  • WU Shangrong 4 ,
  • DENG Yingbin 5 ,
  • CHEN Guipeng , 2
Expand
  • 1. School of Electrical and Automation Engineering, East China Jiaotong University, Nanchang 330013, China
  • 2. Institute of Agricultural Economics and Information, Jiangxi Academy of Agricultural Sciences, Jiangxi Provincial Engineering Research Center of Intelligent Perception in Agriculture, Nanchang 330200, China
  • 3. Institute of Crop Science, Jiangxi Academy of Agricultural Sciences, Jiangxi Provincial Key Laboratory of Oil Crop Genetic Improvement, Nanchang 330200, China
  • 4. State Key Laboratory of Efficient Utilization of Arabie Land in China, Institute of Agricultural Resources and Regional Planning, Beijing 100081, China
  • 5. Guangzhou Institute of Geography, Guangdong Academy of Sciences, Guangzhou 510070, China
CHEN Guipeng, E-mail:

LIU Jie, E-mail:

Received date: 2025-07-11

  Online published: 2025-12-05

Supported by

Jiangxi Special Fund for Agro-scientific Research in the Collaborative Innovation(JXXTCX202606)

Jiangxi Agriculture Research System-Smart Agriculture Position(JXARS-16)

Jiangxi Provincial Project for Cultivating High-level and High-skilled Leading Talents (Gan Ren She Zi 〔2025〕 No. 2)(赣人社字〔2025〕2号)

General Program of the National Natural Science Foundation of China(42271374)

Copyright

copyright©2025 by the authors
Fold

摘要

［目的/意义］ 叶面积指数（Leaf Area Index, LAI ）作为量化作物冠层结构、光合潜力和群体长势的核心农学参数，对其精准栽培管理至关重要。旨在探索从无人机多光谱影像中提取植被指数和纹理特征，结合机器学习方法实现高精度估测冬油菜LAI的可行性。 ［方法］ 以甘蓝型油菜作为研究对象，从多光谱影像中提取植被指数和纹理特征作为输入。通过最小冗余最大相关性（Minimum Redundancy Maximum Relevance, mRMR）算法降低特征维度，选择10个最具有代表性和最小冗余的特征并采用3种回归模型进行建模，使用分组交叉验证（Group K-Fold Cross Validation）评估模型性能，分组依据是油菜样本所属的小区（将来自同一小区的样本视为一组）。 ［结果和讨论］ 输入特征为植被指数与纹理特征的机器学习模型优于输入为单一特征模型。其中基于植被指数与纹理特征融合的支持向量机回归（Support Vector Regression, SVR）模型在全生育期的估算精度最优，决定系数R²=0.90；均方根误差（Root Mean Square Error, RMSE）和平均绝对误差（Mean Absolute Error, MAE）分别为0.39和0.29。 ［结论］ 综上所述，融合无人机多光谱植被指数与纹理特征可高精度地反演冬油菜复杂冠层在全生育期的LAI，以期为油菜长势无损监测与精准管理提供高效技术支撑。

关键词： 冬油菜; 叶面积指数; mRMR算法; 交叉验证; 特征融合; 机器学习

本文引用格式

刘杰 , 国佳欣 , 张嘉豪 , 张炳超 , 熊洁 , 曹剑鹏 , 吴尚蓉 , 邓应彬 , 陈桂鹏 . 基于植被指数和纹理特征融合的冬油菜叶面积指数估测方法[J]. 智慧农业, 2025 , 7(6) : 161 -173 . DOI: 10.12133/j.smartag.SA202507018

Abstract

[Objective] Leaf area index (LAI) is a vital agronomic parameter that reflects the structure of crop canopies, photosynthetic capacity, and population growth status. It holds significant importance for the precision cultivation and management of winter oilseed rape. Traditional methods for measuring LAI, such as destructive sampling or the use of costly instruments, are often constrained by low efficiency, high costs, and limited adaptability. In contrast, unmanned aerial vehicle (UAV) remote sensing technology offers a novel approach to rapid and non-destructive LAI monitoring due to its advantages in high resolution and flexibility. However, reliance solely on spectral vegetation indices (VIs) frequently results in saturation phenomena at elevated LAI levels, complicating accurate representation of complex canopy structures. Consequently, this study aims to investigate the integration of vegetation indices with texture features (TFs) using machine learning techniques to enhance the estimation accuracy of LAI throughout the entire growth cycle of winter oilseed rape. [Methods] The research was conducted at an experimental site in Gao'an city, Jiangxi province, where 81 plots were established with varying sowing dates, densities, and fertilization treatments. These plots encompassed four critical growth stages: seedling, bud elongation, flowering, and pod development. A DJI Phantom 4 RTK multispectral UAV was employed to acquire image data, while ground-truth LAI data were concurrently collected using an LAI-2200C plant canopy analyzer, resulting in a total of 324 valid samples. From the multispectral imagery obtained, eight vegetation indices, namely normalized difference vegetation index (NDVI), optimized soil adjusted vegetation index (OSAVI), normalized difference red edge (NDRE), enhanced vegetation index (EVI), green normalized difference vegetation index (GNDVI), simple ratio (SR), difference vegetation index (DVI), and canopy infrared reflectance estimate (CIRE), were derived alongside reflectance values from five spectral bands: blue, green, red, red-edge, and near-infrared. Additionally, 40 texture features were extracted based on the Gray-Level Co-occurrence Matrix. To select the ten most representative features with minimal redundancy among these variables, the minimum redundancy maximum relevance (mRMR) algorithm was utilized. Subsequently, three machine learning algorithms, multiple linear regression (MLR), extreme gradient boosting (XGBoost), and support vector machine regression (SVR), were applied to develop models for estimating LAI. To assess model generalizability and mitigate overfitting risks during evaluation processes, a 3-fold GroupKFold cross-validation approach was implemented to ensure that samples originating from the same plot remained intact between training and testing sets. The performance of each model was rigorously evaluated using several metrics, including the coefficient of determination (R2), root mean square error (RMSE), and mean absolute error (MAE). [Results and Discussions] The results indicated that the LAI of winter oilseed rape exhibited a dynamic trend throughout its growth cycle, characterized by being "low at the seedling stage, high at the bud elongation stage, decreasing at the flowering stage, and dropping again at the pod stage". The LAI values ranged from 0.90 to 6.39, with a uniform sample distribution observed within each developmental phase. Most vegetation indices and texture features demonstrated a highly significant correlation with LAI (P < 0.001), with the SR and near-infrared entropy (NIR-entropy) exhibiting the strongest correlation (r = 0.81). In terms of feature selection, vegetation indices such as SR, CIRE, and NDRE along with texture features like NIR-entropy and G-variance maintained high selection frequencies among the top ten mRMR-selected features. This indicated their stable contribution to model construction. Regarding model performance, the fused vegetation and texture features (VTFs) model outperformed all other models evaluated; specifically, the VTFs-SVR model achieved superior estimation accuracy across the entire growth cycle (R2=0.90, RMSE=0.38, MAE=0.27). When compared to models utilizing only vegetation indices or solely texture features, the fused model demonstrated particularly enhanced performance during high-coverage stages such as bud elongation, effectively addressing issues related to spectral saturation. Residual analysis further confirmed that the VTFs model exhibited a more concentrated residual distribution, indicating significantly greater prediction stability than single-feature models. [Conclusions] The fusion of vegetation indices and texture features extracted from UAV-based multispectral imagery, combined with machine learning modeling, particularly the SVR algorithm, enabled high-accuracy, non-destructive estimation of LAI throughout the entire growth cycle of winter oilseed rape. Texture features effectively supplemented canopy structural information, showing strong complementarity, especially during high-LAI stages where spectral data is prone to saturation. Through mRMR feature selection and group-based cross-validation, the model demonstrated good generalizability and practical application potential. This method could provide reliable technical support for monitoring winter oilseed rape growth status and precision agriculture management. Future research would further incorporate canopy structural parameters or multi-temporal features to enhance the model's estimation capability during stages dominated by non-leaf organs.

Key words： winter rapeseed; leaf area index; mRMR algorithm; nested cross-validation; feature fusion; machine learning

0 引 言

中国是油料作物种植大国，油菜在全国油料作物生产和保障食用油供应安全中占有举足轻重的地位［1］。在此背景下，叶面积指数（Leaf Area Index, LAI）作为量化作物冠层结构、光合潜力和群体长势的核心农学参数［2］，对冬油菜（Brassica napus L.）的高效精准栽培至关重要。传统测量作物LAI的方法包括网格法、鲜重法［3］等。尽管上述方法具有测量精度高且操作简单的优点，但以破坏性方式收集样本，通常效率低下，难以实现农田的动态监测［4］。现代农业技术创新催生了如LP110LAI测量仪（PSI，捷克）、LAI-2000/2200冠层分析仪（LI-COR公司，林肯，内布拉斯加州），以及SunScan冠层分析仪（Delta-T Devices，剑桥，英国）等仪器。它们以高精度非破坏性测量替代了传统破坏性采样方法，但却面临成本高昂且针对不同作物叶片规格适应性有限的问题，因此如何实现作物LAI的快速、无损、精准获取，仍是该领域亟待突破的技术挑战。
遥感技术凭借其快速、同步\时效性强的特点在获取作物LAI中展现出显著优势［5］。传统卫星遥感通常用于大面积LAI的估测，在采集小尺度农田LAI时存在分辨率较低、易受云层和空间辐射等因素影响［6］，因此，对于需要精细管理的精准农业而言，传统卫星遥感技术在快速获取田间尺度的LAI方面可能并非最理想的解决方案。而无人机（ Unmanned Aerial Vehicle, UAV）遥感技术凭借厘米级超高分辨率、灵活机动性及载荷多样性，为作物LAI的快速、无损且精准监测开辟了高效的新途径［7］。
随着无人机遥感技术的快速发展，利用无人机上装备的多光谱相机或高光谱传感器等设备获取的光谱数据来提取植被指数，并以此来反演作物LAI的方法被广泛应用。Zhu等［8］通过利用无人机高光谱遥感数据计算植被指数并以此估测油菜LAI，反演精度R 2达0.81。同样地，Peng等［9］利用无人机多光谱结合植被指数与机器学习算法反演油菜LAI并以此来预测油菜产量，反演精度R 2高达0.91，进一步证明了无人机遥感技术在农业遥感中的潜力。然而，LAI反演结果受到多种因素的影响。有研究表明，当LAI>3时，随着植被生长，红波段和近红外波段之间的反射率变化不再明显，这直接导致了植被指数出现饱和现象，导致其对LAI的响应不再敏感，从而影响LAI估算的准确性［10］。因此仅依靠光谱特征在某些情况下可能无法全面、准确地反映实际情况。为了突破光谱饱和的瓶颈，研究者们开始探索利用高分辨率遥感影像中蕴含的纹理特征（Texture Features, TFs）。纹理特征通过量化像元灰度的空间分布和变化规律（如对比度、熵、同质性等）［11］，能够有效捕捉由叶片空间排列、孔隙度、茎秆阴影等造成的冠层结构异质性信息［12］。这种空间结构信息与LAI高度相关——随着LAI增大，冠层结构趋于复杂，其在影像上表现为纹理的粗糙度和不规则性增加［13］。因此，纹理特征为LAI估算提供了一个与光谱信息相互独立且互补的维度。郭立笑等［14］研究表明，融合多波段组合纹理特征使马铃薯LAI预测精度显著提升，最优模型验证集R 2达0.84，较仅用植被指数特征提升20%。除此之外，Tang等［15］将植被指数与纹理特征，以及三维纹理指数融合使用机器学习进行反演油菜LAI，验证集精度R 2达0.88，较仅用植被指数模型精度提升0.23。通过结合纹理特征反演LAI的方法，研究人员可以捕捉作物冠层结构和空间分布的复杂细节，从而提供补充信息，弥补仅依靠光谱特征的局限性。上述使用植被指数结合纹理特征反演LAI的方法都在其特定的作物上取得了良好的结果，然而，冬油菜冠层在不同生育期呈现出独特的光谱与结构特性。例如，花期大量黄色花瓣在450~650 nm可见光波段具有高反射特性［9］，可能导致基于可见光波段的传统植被指数和纹理特征产生偏差；而蕾薹期密集的分枝结构和角果期非叶片器官（角果）的显著贡献，进一步增加了LAI遥感反演的复杂性［12］。这些特性既是对反演模型的挑战，也意味着仅依靠光谱信息可能不足，而纹理特征恰好为捕捉这些结构异质性提供了可能［13］。
针对上述问题，本研究以甘蓝型油菜为研究对象，利用大疆Phantom 4 RTK多光谱无人机获取苗期、蕾薹期、花期、角果期4个生育期的多光谱影像，提取8种植被指数，5种波段反射率及5个波段的8类纹理特征。基于mRMR（Minimum Redundancy Maximum Relevance）［16］算法互信息理论的方式筛选相同数量的植被指数（Vegetation Indexs，VIs）、纹理特征（Texture Features, TFs），以及两者融合的VTFs（Vegetation Indexs+ Texture Features）分别作为模型输入变量，选取多元线性回归（Multiple Linear Regression, MLR）、极端梯度提升树（Extreme Gradient Boosting, XGBoost）、支持向量机回归（Support Vector Regression, SVR）3种机器学习算法构建冬油菜LAI估计模型，利用3折交叉验证［17］策略评估LAI反演模型的泛化能力并避免过拟合风险，最后通过对比不同模型在冬油菜全生育期的LAI反演性能，筛选稳定性强、效率高的最佳模型，以期为区域尺度冬油菜长势动态监测提供可靠方法支撑。

1 材料与方法

1.1　研究区概况

研究区设立在江西省农业科学院高安市试验基地（28°25'27''N，115°12'15''E）进行冬油菜小区试验，供试品种为甘蓝型油菜。试验设置3个播种期（A1：10月1日、A2：10月11日、A3：10月21日），每个播种期下设3个种植密度（B1：30万株/hm2）、B2：60万株/hm2、B3：90万株/hm2），每个密度下设置3个施肥水平（C1：0 kg/hm2、C2：25 kg/hm2、C3：50 kg/hm2）。试验采用油菜专用缓释肥（N 25%、P2O5 7%、K2O 8%）作为基肥，于播种前施用。试验采用裂区设计，共81个小区（3播种期×3密度×3施肥×3重复），小区间以田垄分隔，单区长4.14 m，宽2.5 m，面积为10.35 m2。在冬油菜苗期、蕾薹期、花期和角果期分别采集无人机图像，并同步采集地面各个小区的LAI。研究区概况如图1所示。
图1 江西省农业科学院高安市试验基地研究区概况图

Fig. 1 Overview map of the research area at the Gao'an experimental base of Jiangxi Academy of Agricultural Sciences

1.2　数据获取与预处理

1.2.1　冬油菜LAI测定

本研究中，冬油菜LAI的测定在每个试验小区内进行。采用LAI-2200C冠层分析仪（LI-COR Biosciences，Lincoln，NE，USA）进行地面实时测量。在每个小区内，依据小区的对角线，选取3个测量点。每个测量点均按照仪器操作规范采取，并记录仪器计算输出的LAI值。测定工作选择在均匀、稳定的非极端光照条件下完成，以减小太阳高度角对透射光测量的影响。同一小区的3个测量点获得的LAI值取其算术平均值，作为该小区的最终LAI代表值记录表中，用于后续统计分析。单个生育期采集81个样本，全生育期共计324个样本。

1.2.2　无人机影像获取与预处理

采用大疆Phantom 4 RTK多光谱版无人机，其搭载的一体化多光谱成像系统覆盖可见光（RGB）、蓝（Blue）、绿（Green）、红（Red）、红边（Red Edge）及近红外波段（Near Infrared）具体参数如表1所示。飞行任务规划于当地时间10∶00—14∶00的太阳高度角峰值时段执行，以获取辐照度稳定的高质量光谱数据。飞行高度设定为30 m，航向重叠度与旁向重叠度分别设置为80%和70%。
表1 多光谱相机基本参数

Table 1 Multispectral camera basic parameters

波段名称 中心波长/nm 面板反射率系数
Blue 450 0.760 1
Green 560 0.750 2
Red 650 0.749 4
Red edge 730 0.759 7
Near infrard 840 0.753 2
针对冬油菜全生育期，共获取4个关键生育期的多光谱无人机影像数据如表2所示。利用Agisoft Metashape（Agisoft LLC, Russia）软件添加照片先进性辐射定标（采用地面标定板校正）校正之后进行将照片对齐紧接着优化相机，再构建点云，之后构建数字高程模型（Digital Elevation Model, DEM），最后再生成4个生育期的5波段（蓝、绿、红、红边、近红外）数字正射影像（Digital Orthophoto Map, DOM）。随后将导出的数字正射影像在ENVI（Environmental Visualization, Inc.USA）软件中打开，运用支持向量机（Support Vector Machine, SVM）分类器分离油菜冠层与土壤。由于花期黄色花瓣与土壤易混淆，在处理花期正射影像时先利用感兴趣区工具（Region of Interest, ROI）取裸露的土壤，再用ROI工具取未被花朵覆盖的油菜冠层之后进行掩膜处理，最后通过感兴趣区工具提取各小区植被指数，如归一化植被指数（Normalized Difference Vegetation Index, NDVI）、优化土壤调整植被指数（Optimized Soil Adjusted Vegetation Index, OSAVI）等与纹理特征（对比度、熵等），并整理成易操作的逗号分隔值（Comma-Separated Values, CSV）文件。
表2 无人机各波段在各生育期影像采集量

Table 2 UAV image acquisition volume for each band in different growth stages

生育期 蓝色波段图像数 绿色波段图像数 红色波段图像数 红边波段图像数 近红外波段图像数
苗期 30 30 30 30 30
蕾薹期 39 39 39 39 39
花期 31 31 31 31 31
角果期 33 33 33 33 33
各波段总图像数 133 133 133 133 133

1.3　植被指数与纹理特征获取

植被指数是评估作物生长参数的重要工具，它们可以作为关键指标来量化和监测作物的生长状况［18］。在本研究中，基于前人的研究成果，初步筛选了包括NDVI、OSAVI、归一化差异红色边缘指数（Normalized Difference Red Edge Index, NDRE）、增强型植被指数（Enhanced Vegetation Index, EVI）、绿波段归一化植被指数（Green Normalized Difference Vegetation Index, GNDVI）、简单比率指数（Simple Ratio Index, SR）、差值植被指数（Difference Vegetation Index, DVI）、红边叶绿素指数（Chlorophyll Index - Red Edge, CIRE）8种植被指数，以及5个波段（Blue、Green、Red、RedEdge、近红外光（Near Infrared, NIR））的反射率，具体见表3中公式（1）~公式（8）。
表3 植被指数的计算方法表

Table 3 Calculation methods of vegetation indices

变量名 计算公式
NDVI［19］ ρ N - ρ R ρ N + ρ R （1）
OSAVI［20］ 1.16 ρ N + ρ R + 0.16 × ( ρ N - ρ R ) （2）
NDRE［21］ ρ N - ρ R E ρ N + ρ R E （3）
EVI［22］ 2.5 × ρ N - ρ R ρ N + 6 × ρ R - 7.5 × ρ B + 1 （4）
GNDVI［19］ ρ N - ρ G ρ N + ρ G （5）
SR［23］ ρ N ρ R （6）
DVI［24］ ρ N - ρ R （7）
CIRE［25］ ρ N - ρ R E ρ R E （8）

注： ρ B、 ρ G、 ρ R、 ρ R E、 ρ N分别为波段B、G、R、RE、NIR的反射率。

纹理特征作为表征图像或物体表面纹理属性的量化指标，通过空间像素灰度与颜色的规律性与差异性反映结构信息［26］。本研究基于ENVI 5.6平台，采用灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）算法对多光谱正射影像进行纹理解析，设定步长1、窗口尺度3×3及64级灰度量化。对各波段光谱影像分别提取8项特征参数：均值（Mean）、方差（Variance）、同质性（Homogeneity）、对比度（Contrast）、相异性（Dissimilarity）、信息熵（Entropy）、二阶矩（Second Moment）与相关性（Correlation），累计获得5波段×8特征=40维纹理特征集。

1.4　最小冗余最大相关性算法

mRMR算法将每个特征视为离散变量，通过互信息衡量特征属性与目标属性之间的关联程度［27］。在信息论中，互信息是一种高效的信息度量方式，常用I（X，Y）表示两个随机变量X、Y之间的互信息。本研究中，从冬油菜试验小区的多光谱影像中提取特征，具体包括8种植被指数（NDVI、OSAVI、NDRE、EVI、GNDVI、SR、DVI、CIRE）的均值、5个波段（Blue、Green、Red、Red edge、Near infrared）的反射率均值，以及5个波段通过灰度共生矩阵提取的8类纹理特征（均值、方差、同质性、对比度、相异性、信息熵、能量、相关性），共同构成候选特征集合S。将冬油菜LAI实测值作为目标变量集合H，与候选特征集合S联合输入mRMR算法进行特征筛选。
基于mRMR算法选择特征的目标函数计算如公式（9）~公式（11）所示。
V = 1 S Σ F i ∈ S I ( F i , H )
W = 1 S 2 Σ F i ˙ , F j ∈ s I ( F i , F j )
C = m a x   V - W
式中：V代表候选特征集合S与目标变量集合H（冬油菜LAI）的相关性；W代表候选特征集合S中各特征之间的冗余性； F i， F j代表候选特征集合中的每个特征；C代表目标函数。
本研究采用mRMR算法进行特征选择，旨在从多光谱遥感特征中筛选出与LAI高度相关且彼此冗余度低的最优特征子集。具体实现中，采用连续变量的互信息计算方法，该方法能够有效捕捉特征与LAI之间的非线性关系。算法提供互信息差值（Mutual Information Difference, MID）和互信息商（Mutual Information Quotient, MIQ）两种评分准则，本研究默认采用MID准则。为确保实验结果的可重复性，在所有随机过程中统一设置随机种子为42。停止条件包括达到预设特征数（K=10）、特征耗尽或出现异常情况。针对计算效率优化，本研究设置了互信息矩阵预计算机制，利用对称性减少重复计算。同时，加入数值稳定性保护措施，包括安全除法检查和防除零处理。除此之外，该mRMR算法被嵌入到分组交叉验证框架中，有效避免数据泄露问题。

1.5　模型构建与评估

本研究采用多元线性回归（Multiple Linear Regression, MLR）、XGBoost、SVR这3种机器学习算法。3种模型的核心参数设置如表4所示。
表4 冬油菜LAI反演研究模型参数设置表

Table 4 Table of model parameter settings for winter rapeseed LAI estimation research

模型 核心参数 参数说明与取值范围
SVR 核函数（Kernel） 默认使用RBF核函数
惩罚参数（C） 对数均匀分布： 1e0~1e2
Epsilon ［0.01， 0.05， 0.1， 0.2］
Gamma ［'scale'， 'auto'］ + 对数均匀分布： 1e-4~1e-1
XGBoost 学习率（Learning_rate） 均匀分布： 0.01~0.21
最大树深（Max_depth） 整数均匀分布： 3~6
最小子权重（Min_child_weight） 整数均匀分布： 1~5
列采样比例（Colsample_bytree） ［0.6， 0.7， 0.8， 0.9， 1.0］
Gamma 均匀分布： 0~0.5
L1正则化（Reg_alpha） ［0， 0.1， 0.5， 1］
L2正则化（Reg_lambda） ［0.5， 1， 5］
MLR 无特殊超参数 使用普通最小二乘
MLR［28］是一种统计分析方法，用于研究多个自变量（解释变量）与一个因变量（响应变量）之间的线性关系。它是简单线性回归的扩展，能够同时考虑多个因素对因变量的影响，从而提供更全面和准确的预测和解释。
XGBoost［29］是一种高效的机器学习算法，属于集成学习中的提升树（Boosting）方法。它通过组合多个弱学习器（通常是决策树）来构建一个强大的预测模型，广泛应用于分类、回归和排序等任务中。
SVR［30］是一种强大的监督学习算法，广泛应用于分类和回归任务。它通过在特征空间中寻找最优超平面来最大化不同类别数据点之间的间隔，从而实现分类或回归预测。SVR在处理高维数据和复杂数据分布时表现出色，是机器学习领域的重要工具之一。
本研究选取R 2、RMSE及MAE这3类指标，对融合植被指数与纹理特征的冬油菜LAI反演模型进行全面评估。
决定系数（R 2）用于衡量田间实测冬油菜LAI与模型预测数据之间的拟合程度，其取值范围为0~1。R 2数值越趋近于1，意味着模型能够解释的LAI变异比例越高，即模型对冬油菜LAI变化规律的捕捉能力越强，预测值与实测值的契合度越好。均方根误差RMSE是先对预测值与实测值的残差求平方和，再取平均后开方得到的指标。它从整体误差层面，反映模型预测值与实测值的偏离程度。RMSE数值越小，表明模型预测结果的离散程度越低，模型的整体预测精度越高。平均绝对误差MAE则是直接计算预测值与实测值绝对误差的平均值。相较于RMSE，MAE不受残差平方放大极端误差的影响，更直观地体现模型预测值与实测值的平均偏差水平。MAE越小，说明模型在逐样本预测过程中，误差的平均水平越低，对冬油菜LAI的估计稳定性越强。

1.6　K折交叉验证

本研究采用3折交叉验证方法来全面评估模型性能。将数据集划分为3个相等的子集且每个子集样本数都为108。每次选取其中1个子集作为测试集，其余两个子集合并为训练集。这一过程重复3次，确保每个子集都作为测试集使用1次。对于每次迭代，分别计算模型的R 2、RMSE和MAE。最终的模型性能指标为3次迭代结果的平均值。
通过交叉验证，可以系统地比较不同特征组合和不同算法（如MLR、XGBoost和SVR）在LAI估测中的性能差异，从而为选择最优模型提供科学依据。

1.7　模型训练流程

本模型训练流程首先读取并预处理数据，通过创建分组标识确保同一小区样本在交叉验证中不被拆分；随后配置SVR、XGBoost和MLR3种模型及其超参数空间；采用3折GroupKFold交叉验证，在每折中独立进行mRMR特征选择、数据标准化、超参数优化和模型训练；最后汇总各折结果，从特征稳定性、模型性能和预测效果等多维度进行分析，并生成系列可视化图表完成全面评估。模型训练流程如图2所示。
图2 冬油菜LAI反演模型训练流程图

Fig. 2 Flow chart of winter rapeseed LAI inversion model training

2 结果与分析

2.1　冬油菜LAI分布

冬油菜LAI实测数据分布如图3及表5所示。全生育期324个LAI样本呈“苗期低、蕾薹期高、花期中、角果期中低”多峰动态分布，划分为10根柱子可使每组平均包含约32个样本，既避免组数过少掩盖生育期差异，也避免组数过多导致样本量不足产生统计噪声，能清晰凸显各生育期LAI峰值；其划分依据以数据极差为核心，先计算LAI最大值（6.39）与最小值（0.9）的极差为5.49，再按“组距=极差/组数”得出理论组距约0.55（微调后确保覆盖全范围），最终形成10组均匀区间；每根柱子的宽度范围依次为0.90~1.44、1.45~1.99、2.00~2.54、2.55~3.09、3.10~3.64、3.65~4.19、4.20~4.74、4.75~5.29、5.30~5.84、5.85~6.39，分别对应苗期低LAI样本、苗期多数样本、苗期上限与角果期下限样本、角果期多数样本、角果期上限与花期下限样本、花期多数样本下限、花期多数样本、花期上限与蕾薹期下限样本、蕾薹期多数样本、蕾薹期高LAI样本，完整覆盖0.9~6.39的LAI范围并精准匹配各生育期数据特征。
图3 冬油菜全生育期LAI分布直方图

注： 样本数量n=324，组距单位0.55。

Fig. 3 Histogram of LAI distribution during the entire growth period of winter rapeseed

表5 冬油菜各生育期LAI实测值统计表

Table 5 Table of measured LAI values of winter rapeseed at different growth periods

冬油菜生育期 样本数 最小值 最大值 平均值 标准差 CV
苗期 81 0.9 3.23 2.41 0.44 0.18
蕾薹期 81 1.73 6.39 5.05 0.76 0.15
花期 81 3.15 5.33 4.37 0.43 0.10
角果期 81 1.97 4.40 2.93 0.49 0.17
全生育期 324 0.90 6.39 3.69 1.20 0.33
LAI随生育进程呈现显著动态变化：苗期均值为2.41（标准差0.44），蕾薹期快速增至生育峰值5.05（标准差0.76），花期回落至4.37（标准差0.43），角果期降至2.93（标准差0.49）。各生育期内变异系数（Coefficient of Variation, CV）稳定在0.10~0.18（花期最低0.10），表明群体内LAI分布高度均匀。全生育期直方图呈多峰分布（范围0.90~6.39），主峰位与生育期均值对应，总标准差为1.20（CV=32.5%），其变异性主要由生育阶段间显著差异主导。

2.2　相关性分析

图4所示的相关性热力图综合反映了LAI-2200C冠层分析仪实测的冬油菜LAI与从无人机多光谱影像中提取的各类特征之间的线性相关关系，包括8种植被指数、5个波段反射率及40个纹理特征。
图4 特征与LAI的相关性分析热力图

注：*表示P<0.05，**表示P<0.01，***表示P<0.001，热力图中的色标量名为相关系数，相关系数为无量纲的统计量。

Fig. 4 Heatmap of correlations between features and LAI

对于所有植被指数和波段反射率而言，共有9个特征的相关性系数绝对值为0.29~0.81，与冬油菜LAI呈现极显著相关关系（P < 0.001）表现强相关性。多数植被指数的相关性系数绝对值都大于0.5，其中SR（简单比率指数）相关系数绝对值最高（r = 0.81）。除此之外，CIRE相关系数绝对值为0.11与冬油菜LAI呈弱相关性。对于所有纹理特征来说，共有29个纹理特征的相关性系数绝对值为0.19~0.81，与冬油菜LAI呈现极显著相关性关系（P < 0.001），表现强相关性，其中B-entropy相关系数绝对值最高（r = 0.81）。特征G-energy与R-correlation相关性绝对值都为0.13，与冬油菜LAI呈弱相关性。
基于上述相关性结果可知，与冬油菜LAI相关性最强的是纹理特征，其次是植被指数，最后是波段反射率，由此推测纹理特征能够提升冬油菜的估测精度。

2.3　特征选择频率对比

在探究特征对模型构建的贡献与影响时，特征选择频率是关键观测指标。通过3折交叉验证，分别对仅植被指数、仅纹理特征、植被指数+纹理特征3种输入模式下的特征进行筛选，得到前10高选择频率的特征分布如表6和图5所示。
表6 不同输入特征模型下排名前10的特征选择频率表

Table 6 Table of the selection frequency of the top 10 features across models with different input feature schemes

特征名称 VIs模型选择频率 TFs模型选择频率 VTFs模型选择频率
SR 1.00 — 1.00
CIRE 1.00 — 1.00
NDRE 1.00 — 1.00
B 1.00 — —
GNDVI 1.00 — —
NIR 1.00 — 1.00
R 1.00 — —
NDVI 1.00 — —
RE 1.00 — —
OSAVI 0.80 — —
NIR-entropy — 1.00 1.00
G-variance — 1.00 1.00
NIR-mean — 1.00 —
R-contrast — 1.00 0.60
B-correlation — 1.00 0.60
G-dissimilarity — 1.00 —
NIR-homogeneity — 0.80 —
RE-correlation — 0.60 —
G-correlation — 0.60 0.40
R-entropy — 0.60 0.60

注：在不同输入特征模型下排名前10的特征选择频率表中，只有相关输入特征模型中排名前10的特征才会输入选择频率，其他都以“—”表示。

图5 不同输入特征模型下排名前10的特征选择频率图

a. VIs模型特征选择频率 b. TFs模型特征选择频率 c. VTFs模型特征选择频率

Fig. 5 Frequency diagram of the top 10 features selected across models with different input feature schemes

从植被指数和纹理特征的单一输入情况看，两类特征在各自场景下都有高选择频率的核心特征。植被指数中，SR、CIRE等9个特征选择频率为1.00，体现植被指数在纯指数输入时，多数核心指数对模型贡献稳定，是构建模型的基础关键特征，纹理特征里，NIR-entropy、G-variance等6个特征选择频率达1.00，说明这些纹理指标在纯纹理输入时对模型构建高度关键。
当植被指数与纹理特征融合，特征选择呈现新特点。一方面，部分原单一类型的高频率特征（如NIR-entropy、SR、G-variance等）仍保持1.00的选择频率，说明它们在融合后依旧是模型识别的关键，其对数据的有效表征不受特征类型融合影响；另一方面，融合使特征竞争加剧，像纹理特征里原R-contrast由选择频率1.00下降为0.60、B-correlation由选择频率1.00下降为0.60、G-correlation由选择频率0.60下降为0.40。植被指数与纹理特征的交互，让模型对特征的筛选更具综合性，如图6所示，R-contrast与G-variance相关系数高达0.95，B-correlation与G-correlation相关系数高达0.98，表明两者信息高度冗余，从而选择频率改变，体现出融合特征能让模型挖掘更丰富数据信息，同时也反映出不同特征类型结合后，对模型特征偏好和选择机制产生的重塑作用，为优化特征组合、提升模型性能提供了观察依据。
图6 冬油菜LAI反演研究输入特征为植被指数与纹理特征模型中排名前10的特征热力图

Fig. 6 Heatmap of the top 10 features in the winter rapeseed LAI inversion model with vegetation indices and texture features as input features

2.4　基于植被指数的冬油菜LAI估测模型构建

以OSAVI、RE、NDVI、R、NIR、GNDVI、B、NDRE、CIRE、SR作为输入特征，使用SVR、XGBoost，以及MLR模型进行训练，其全生育期估测结果如图7a所示。3种模型的R 2为0.85~0.88，均方根误差为0.41~0.46，平均绝对误差为0.31~0.37。其中VIs-XGBoost模型表现最优（R 2=0.88，RMSE=0.41，MAE=0.31），VIs-MLR模型表现最差（R 2=0.85，RMSE=0.46，MAE=0.37）。
图7 不同输入特征下的冬油菜LAI反演图

注：由于LAI为无量纲的物理量，因此图中的横纵坐标都没有单位。

Fig. 7 Winter oilseed rape LAI retrieval maps based on different input features

基于植被指数的冬油菜LAI分生育期的估测结果如表7所示。苗期时R 2为0.49~0.66，均方根误差为0.26~0.31，平均绝对误差为0.20~0.31。其中VIs-SVR表现最优（R 2=0.66，RMSE=0.26，MAE=0.20），VIs-XGBoost模型表现最差（R 2=0.49，RMSE=0.31，MAE=0.23）。而蕾薹期、花期，以及角果期时模型精度明显下降，其中VIs-SVR模型（R 2=0.19，RMSE=0.68，MAE=0.51）在分生育期中的所有模型中表现最差，3个生育期中表现最好的模型VIs-XGBoost的R 2也仅为0.42。因此基于植被指数的冬油菜LAI估测模型在苗期后估测效果不佳。
表7 不同输入特征的机器学习模型对油菜全生育期LAI的反演结果

Table 7 Machine learning model inversion results for canopy LAI Across the whole growth stage of oilseed rape based on different input features

生育期 特征类型 SVR XGBOOST MLR
R 2 RMSE MAE R 2 RMSE MAE R 2 RMSE MAE
苗期 VIs 0.66 0.26 0.20 0.49 0.31 0.23 0.63 0.27 0.21
TFs 0.02 0.43 0.31 0.01 0.43 0.32 0.05 0.43 0.33
VTFs 0.59 0.28 0.21 0.51 0.30 0.23 0.67 0.25 0.20
蕾薹期 VIs 0.19 0.68 0.51 0.21 0.67 0.49 0.33 0.62 0.47
TFs 0.43 0.58 0.41 0.31 0.63 0.43 0.33 0.62 0.49
VTFs 0.54 0.52 0.40 0.29 0.64 0.47 0.42 0.58 0.44
花期 VIs 0.33 0.35 0.27 0.42 0.32 0.26 0.29 0.48 0.31
TFs 0.32 0.35 0.27 0.27 0.36 0.28 0.32 0.35 0.27
VTFs 0.37 0.34 0.26 0.52 0.30 0.22 0.24 0.37 0.29
角果期 VIs 0.29 0.41 0.32 0.41 0.37 0.29 0.39 0.38 0.31
TFs 0.27 0.51 0.39 0.30 0.41 0.30 0.26 0.59 0.43
VTFs 0.49 0.34 0.26 0.48 0.35 0.27 0.46 0.36 0.28
全生育期 VIs 0.86 0.44 0.35 0.88 0.41 0.31 0.85 0.46 0.37
TFs 0.85 0.45 0.32 0.83 0.48 0.35 0.83 0.48 0.36
VTFs 0.90 0.39 0.29 0.87 0.45 0.31 0.83 0.51 0.39

2.5　基于纹理特征的冬油菜LAI估测模型构建

以R-entropy、G-correlation、RE-correlation、NIR-homogeneity、G-dissimilarity、B-correlation、R-contrast、NIR-mean、G-variance、NIR-entropy作为输入特征，使用SVR、XGBoost，以及MLR模型进行训练，其全生育期估测结果如图7b所示。三种模型的R 2为0.83~0.85，均方根误差为0.45~0.48，平均绝对误差为0.32~0.36。其中TFs-SVR模型表现最优（R 2=0.85，RMSE=0.45，MAE=0.32），TFs-XGBoost模型和TFs-MLR模型估测效果近似一致。
基于纹理特征的冬油菜LAI分生育期的估测结果如表7所示。TFs-SVR模型在蕾薹期时R 2达0.43，在其他生育期都表现不佳，其中在苗期时R 2仅为0.02。TFs-XGBoost模型整体效果都不太理想，其中在苗期时最低R 2=0.01，在蕾薹期效果最好，但R 2也仅为0.31。TFs-MLR模型同样效果不佳，在苗期时R 2仅为0.05，效果在蕾薹期时最好也仅为0.33。因此基于纹理特征的冬油菜LAI估测模型在单个的生育期中效果皆不理想。

2.6　基于植被指数和纹理特征的冬油菜LAI估测模型构建

以R-entropy、G-correlation、NIR、NDRE、CIRE、B-correlation、R-contrast、SR、G-variance、NIR-entropy作为输入特征，使用SVR、XGBoost以及MLR模型进行训练，其全生育期估测结果如图7c所示。3种模型的R 2为0.83~0.90，均方根误差为0.39~0.51，平均绝对误差为0.29~0.39。其中VTFs-SVR模型表现最优（R 2=0.90，RMSE=0.39，MAE=0.29），VTFs-MLR模型估测效果最差（R 2=0.83，RMSE=0.51，MAE=0.39）。
基于植被指数和纹理特征的冬油菜LAI分生育期的估测结果如表7所示。VTFs-SVR模型在花期效果较差R 2仅为0.37，在苗期时效果最好（R 2=0.59）。VTFs-XGBoost模型在蕾薹期效果最差，R 2仅为0.29，而在其他生育期效果较好，其中在花期效果最佳，R 2达0.52。VTFs-MLR模型在花期时效果最差，R 2仅为0.24，在苗期时表现最优，R 2达0.67。对比不同输入特征，植被指数加纹理特征的组合效果皆优于其他特征组合效果。因此，植被指数加纹理特征的组合能够改善单一特征对于冬油菜LAI估测的局限性。

3 讨 论

本研究系统评估了植被指数、纹理特征、植被指数加纹理特征3种不同输入特征组合在冬油菜LAI估测中的效果差异。从全生育期角度来看，输入特征为植被指数加纹理特征模型VTFs-SVR在全生育期冬油菜LAI估测中表现最佳（R 2=0.90，RMSE=0.39，MAE=0.29），显著优于单一特征输入模型，这一结果充分证明了多源特征的融合能够更全面、更准确地描述作物的生长状态，从而显著提升模型的估测精度［13］。
从单个生育期角度来看，苗期植被覆盖度低，冠层结构简单，输入特征为纹理特征模型R 2都小于0.06，说明纹理特征在苗期信息量很少；而输入特征为植被指数模型R 2最高达0.66；输入特征为植被指数加纹理特征模型R 2最高达0.67与植被指数模型相差无几。由此可以说明油菜苗期LAI的估测主要以植被指数为主。蕾薹期植被快速生长，冠层结构复杂化。输入特征为纹理特征的模型较苗期时R²提升至0.31~0.43，此时纹理特征开始发挥作用，非线性关系增强。输入特征为植被指数的模型其R²降至0.19~0.33。此时最佳模型是输入特征为植被指数加纹理特征的VTFs-SVR模型R 2=0.54。说明纹理特征在油菜蕾薹期LAI的估测中已经能够提供植被指数之外的信息，能够有效缓解光谱饱和现象［10］。花期冠层结构稳定，3种输入特征模型效果相近，最佳模型是输入特征为植被指数加纹理特征的VTFs-XGBoost模型（R 2=0.52）。此时树模型展现优势，特征组合效果最佳。角果期冠层结构变化，输入特征为植被指数加纹理特征模型在所有模型中表现最佳，其中VTFs-SVR模型最优（R 2=0.49）。此时由于特征融合使得模型鲁棒性增强，并且效果提升明显。
然而，本研究主要侧重于植被指数与纹理特征对于单一输入特征估测冬油菜LAI的有效性，未来工作可以结合冠层结构参数（如孔隙度、叶倾角）及作物的形态参数如株高进一步刻画作物生长，形成更全面的表征。

4 结 论

本研究首先通过引入mRMR算法与K折交叉验证策略，有效减少冗余特征，降低模型复杂度，从而提升模型运行效率。其次，输入特征为植被指数与纹理特征的机器学习模型效果均优于单一特征，证实了纹理特征能够有效缓解光谱饱和现象。本研究证实，将从无人机多光谱影像中提取的植被指数与纹理特征结合，并作为输入特征利用机器学习建立反演模型，是实现冬油菜全生育期LAI快速、无损且高精度估测的有效途径。未来可以结合冠层结构参数（如孔隙度、叶倾角）及作物的形态参数如株高进一步刻画作物生长，形成更全面的表征。并且可以使用更强大的模型如集成学习模型将各类模型的优点集合从而提升模型鲁棒性以进一步提升分生育期的估测精度，为智慧农业提供更精准的技术支持。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
马宇靖, 吴尚蓉, 杨鹏, 等. 油料作物产量遥感监测研究进展与挑战[J]. 智慧农业(中英文), 2023, 5(3): 1-16.

MA Y J, WU S R, YANG P, et al. Research progress and challenges of oil crop yield monitoring by remote sensing[J]. Smart agriculture, 2023, 5(3): 1-16.

[2]
BOCK A D, BELMANS B, VANLANDUIT S, et al. A review on the leaf area index (LAI) in vertical greening systems[J]. Building and environment, 2023, 229: ID 109926.

[3]
李方一, 黄璜, 官春云, 等. 作物叶面积测量的研究进展[J]. 湖南农业大学学报(自然科学版), 2021, 47(3): 274-282.

LI F Y, HUANG H, GUAN C Y, et al. Research progress of crop leaf area measurement[J]. Journal of Hunan agricultural university (natural sciences), 2021, 47(3): 274-282.

[4]
徐乐园, 毛克彪, 郭中华, 等. 卷积神经网络在农业遥感图像语义分割中的应用综述[J]. 农业展望, 2024, 20(2): 70-75.

XU L Y, MAO K B, GUO Z H, et al. Summary of application of convolutional neural network in semantic segmentation of agricultural remote sensing images[J]. Agricultural outlook, 2024, 20(2): 70-75.

[5]
MANDAPATI R. Remote sensing leaf area index (LAI) data assimilation with crop model for yield predictions in rice[D]. Odisha: Centurion University of Technology and Management, 2024.

[6]
胡健波, 张健. 无人机遥感在生态学中的应用进展[J]. 生态学报, 2018, 38(1): 20-30.

HU J B, ZHANG J. Advances in the application of UAV remote sensing in ecology[J]. Acta ecologica sinica, 2018, 38(1): 20-30.

[7]
LI Z P, CHEN Z, CHENG Q, et al. Deep learning models outperform generalized machine learning models in predicting winter wheat yield based on multispectral data from drones[J]. Drones, 2023, 7(8): ID 505.

[8]
ZHU H Y, LIN C Z, DONG Z H, et al. Early yield prediction of oilseed rape using UAV-based hyperspectral imaging combined with machine learning algorithms[J]. Agriculture, 2025, 15(10): ID 1100.

[9]
PENG Y, ZHU T E, LI Y C, et al. Remote prediction of yield based on LAI estimation in oilseed rape under different planting methods and nitrogen fertilizer applications[J]. Agricultural and forest meteorology, 2019, 271: 116-125.

[10]
LI X C, ZHANG Y J, LUO J H, et al. Quantification winter wheat LAI with HJ-1CCD image features over multiple growing seasons[J]. International journal of applied earth observation and geoinformation, 2016, 44: 104-112.

[11]
ZHOU C, GONG Y, FANG S H, et al. Combining spectral and wavelet texture features for unmanned aerial vehicles remote estimation of rice leaf area index[J]. Frontiers in plant science, 2022, 13: ID 957870.

[12]
DU R Q, LU J S, XIANG Y Z, et al. Estimation of winter canola growth parameter from UAV multi-angular spectral-texture information using stacking-based ensemble learning model[J]. Computers and electronics in agriculture, 2024, 222: ID 109074.

[13]
WEI C W, HUANG J F, MANSARAY L R, et al. Estimation and mapping of winter oilseed rape LAI from high spatial resolution satellite data based on a hybrid method[J]. Remote sensing, 2017, 9(5): ID 488.

[14]
郭立笑, 陈志超, 马彦鹏, 等. 基于无人机多光谱和多波段组合纹理的马铃薯LAI估算[J]. 光谱学与光谱分析, 2024, 44(12): 3443-3454.

GUO L X, CHEN Z C, MA Y P, et al. Estimation of potato LAI based on multi-spectral and multi-band combined texture of UAV[J]. Spectroscopy and spectral analysis, 2024, 44(12): 3443-3454.

[15]
TANG Z J, LU J S, ABDELGHANY A E, et al. Winter oilseed rape LAI inversion via multi-source UAV fusion: A three-dimensional texture and machine learning approach[J]. Plants, 2025, 14(8): ID 1245.

[16]
WANG G S, LAURI F, HASSANI A HEL. Feature selection by mRMR method for heart disease diagnosis[J]. IEEE access, 2022, 10: 100786-100796.

[17]
ZHANG X Y, LIU C. Model averaging prediction by K-fold cross-validation[J]. Journal of econometrics, 2023, 235(1): 280-301.

[18]
王俊, 吴振伟, 姜海, 等. 基于随机森林及遥感植被指数的无人农场水稻产量预测研究[J]. 智能化农业装备学报(中英文), 2025(2): 97-104.

WANG J, WU Z W, JIANG H, et al. Rice yield prediction of unmanned farm based on random forest and remote sensing vegetation index[J]. Journal of intelligent agricultural mechanization, 2025(2): 97-104.

[19]
MANGEWA L J, NDAKIDEMI P A, ALWARD R D, et al. Comparative assessment of UAV and Sentinel-2 NDVI and GNDVI for preliminary diagnosis of habitat conditions in burunge wildlife management area, Tanzania[J]. Earth, 2022, 3(3): 769-787.

[20]
BINTE MOSTAFIZ R, NOGUCHI R, AHAMED T. Agricultural land suitability assessment using satellite remote sensing-derived soil-vegetation indices[J]. Land, 2021, 10(2): ID 223.

[21]
JORGE J, VALLBÉ M, SOLER J A. Detection of irrigation inhomogeneities in an olive grove using the NDRE vegetation index obtained from UAV images[J]. European journal of remote sensing, 2019, 52(1): 169-177.

[22]
TARIQ S, NAWAZ H, UL-HAQ Z, et al. Investigating the relationship of aerosols with enhanced vegetation index and meteorological parameters over Pakistan[J]. Atmospheric pollution research, 2021, 12(6): ID 101080.

[23]
LOLLI L, JOHNSON A, MONACO M, et al. The percentage of mature height as a morphometric index of somatic growth: A formal scrutiny of conventional simple ratio scaling assumptions[J]. Pediatric exercise science, 2023, 35(2): 107-115.

[24]
HUSSAIN S, RAZA A, ABDO H G, et al. Relation of land surface temperature with different vegetation indices using multi-temporal remote sensing data in Sahiwal region, Pakistan[J]. Geoscience letters, 2023, 10(1): ID 33.

[25]
QIAO K, ZHU W Q, XIE Z Y. Application conditions and impact factors for various vegetation indices in constructing the LAI seasonal trajectory over different vegetation types[J]. Ecological indicators, 2020, 112: ID 106153.

[26]
HUMEAU-HEURTIER A. Color texture analysis: A survey[J]. IEEE access, 2022, 10: 107993-108003.

[27]
BUGATA P, DROTAR P. On some aspects of minimum redundancy maximum relevance feature selection[J]. Science China information sciences, 2019, 63(1): ID 112103.

[28]
BISCHL B, LANG M, KOTTHOFF L, et al. Mlr: Machine learning in R[J]. Journal of machine learning research, 2016, 17(170): 1-5.

[29]
NIAZKAR M, MENAPACE A, BRENTAN B, et al. Applications of XGBoost in water resources engineering: A systematic literature review (Dec 2018–May 2023)[J]. Environmental modelling & software, 2024, 174: ID 105971.

[30]
AWAD M, KHANNA R. Support vector regression[M]// Efficient Learning Machines. Berkeley, CA: Apress, 2015: 67-80.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37