《IEEE T GEOSCI REMOTE》--基于无人机高光谱影像优化水稻地上生物量估算

研究数据

该研究开发了一种混合反演模型，该模型将PROSAIL-PRO RTM与机器学习技术（XGBoost和RF）相结合，以优化样本生成，从而解决了基于深度学习的水稻AGB估算中样本量有限的问题。研究进一步评估了来自多源无人机传感器的各种输入特征（即高光谱、冠层结构和热红外数据）以及模型架构（单分支和多分支DCNN）对AGB估算性能的影响。主要结论如下：

（1）PROSAIL-PRO模型模拟光谱数据与实测光谱数据具有较高的相似度，适合构建混合反演模型。此外，结合主动学习方法，通过优化训练样本集，显著提高了该类模型的精度。

（2）利用SAM方法筛选模拟样本纳入验证集，通过不断迭代，可以有效缓解混合反演模型的过拟合问题。值得一提的是，XGBoost模型相比RF模型展现出更强的抗过拟合能力。

（3）对于站点A，利用PCs、TIR和CSM的单分支DCNN模型实现了最高的估计准确率，R²为0.816，RMSE为61.608g/m²。对于地点B，使用PCs和TIR组合构建的多分支DCNN模型获得了最高的准确率，R²为0.784，RMSE为65.533g/m²。

（4）分析不同特征对模型精度的影响发现，高光谱数据的PCs对基于DCNN的水稻AGB估算贡献最大，TIR的贡献明显大于CSM，这主要是由于水稻抽穗期对温度比较敏感。

该研究创新性地建立了小样本条件下的水稻AGB高精度估算框架，证实了利用模拟样本数据和DCNN模型进行作物参数反演的潜力，为精准农业智能化监测提供了参考。

DOI: 10.1109/TGRS.2025.3544343

《COMPUT ELECTRON AGR》--基于无人机高光谱影像数据改进玉米冠层水分状况评估

《COMPUT ELECTRON AGR》--基于无人机高光谱图像与深度学习的大豆产量和倒伏预测