基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量(PNC)信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高(H)和地面控制点(GCP)的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像(DOM)和数字表面模型(DSM),并从中提取冠层光谱特征和株高(Hdsm)。然后将各生育期提取的Hdsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和Hdsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合Hdsm利用多元线性回归(MLR)、误差反向传播(BP)神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的Hdsm与实测H具有较高的拟合度(R2为0.860,RMSE为2.663cm,NRMSE为10.234%);各生育期加入Hdsm,均能提高马铃薯PNC的估算精度和稳定性;各生育期利用MLR方法构建的PNC估算模型优于BP神经网络和Lasso回归。该研究可为马铃薯PNC状况的高效、无损监测提供技术支撑。     

基于无人机高光谱影像的马铃薯株高和地上生物量估算

为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量（AGB）和地面控制点（GCP）的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型（DSM）,利用DSM提取马铃薯的株高Hdsm ;然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归（Exponential regression,ER）构建单变量模型;最后,采用多元线性回归（Multiple linear regression, MLR）、偏最小二乘回归（Partial least square regression, PLSR）和随机森林（Random forest, RF）3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明：将提取的马铃薯株高与实测值进行线性拟合,R 2 为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、Hdsm 、H,块茎增长期以CIrededge指数估测精度最高（R 2 =0.45）;在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入Hdsm 的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和Hdsm 为变量的AGB模型（R 2 为0.64、0.70、0.79、0.68、0.63）效果优于PLSR（R 2 为0.62、0.68、0.75、0.67、0.60）和RF（R 2 为0.56、0.61、0.67、0.63、0.53）模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入Hdsm 的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。     

基于冠层光谱和覆盖度的马铃薯叶片钾含量估算方法

叶片钾含量(Leaf potassium content, LKC)是表征作物钾素营养状况的重要指标,高效准确地获取马铃薯LKC有助于精准农业施肥管理。本研究旨在通过结合马铃薯关键生育期RGB影像提取的植被指数(VIs)和植被覆盖度(FVC),提高马铃薯关键生育期LKC估算的准确性。首先从马铃薯块茎形成期(S1)、块茎增长期(S2)和淀粉积累期(S3)的RGB影像中提取VIs和FVC,然后分别分析每个生育期VIs和FVC与马铃薯LKC的相关性,最后利用支持向量机(Support vector machine, SVM)、Lasso回归(Least absolute shrinkage and selection operator, Lasso)和岭回归构建马铃薯LKC的估算模型。结果表明：基于RGB影像提取的马铃薯FVC精度较高,且前两个生育期高于第3个生育期;利用VIs估算马铃薯LKC是可行的,但精度有待进一步提高;VIs结合FVC可以提高马铃薯LKC的估算精度。本研究可为作物生长和钾素营养状况监测提供技术参考。     

基于无人机高光谱分数阶微分的马铃薯地上生物量估算

以马铃薯为研究对象,利用无人机得到现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的高光谱数据,实测了地上生物量（Above ground biomass,AGB）数据。首先,利用成像高光谱影像提取每个生育期马铃薯冠层高光谱反射率数据;然后,利用分数阶微分计算高光谱0~2阶微分（间隔0.2）,将各阶微分下的光谱数据与地上生物量进行相关性分析,挑选出相关系数绝对值较大的前9个微分波段;最后,利用多元线性回归（Multiple linear regression,MLR）、随机森林（Random forest,RF）和人工神经网络（Artificial neural network,ANN）3种方法构建基于分数阶微分光谱的整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型,并进行了对比。结果表明：各生育期相关系数绝对值最大值出现的阶数不同,现蕾期为0.8阶微分（470nm）;块茎形成期为1.8阶微分（710nm）;块茎增长期和淀粉积累期为1.6阶微分（718、722、766nm）;成熟期为1.0阶微分（622nm）。相较于整数阶微分,高光谱分数阶微分与AGB的相关性更高,分数阶微分可以提高马铃薯AGB的估算精度。分析了不同生育期整体、不同品种、不同密度和不同施肥下的马铃薯AGB估算模型,3种方法中以9个微分波段为因变量的AGB估算在块茎增长期表现效果最好,利用MLR方法得到的模型精度最高、稳定性最强,其次为RF模型,ANN模型表现效果最差。不同生育期利用3种方法构建的AGB估算模型精度由大到小依次为块茎增长期、块茎形成期、淀粉积累期、现蕾期、成熟期。     

基于无人机RGB影像的马铃薯植株钾含量估算

马铃薯植株钾含量(Plant potassium content, PKC)是监测马铃薯营养状况的重要指标,快速准确地获取马铃薯植株钾含量对田间施肥和生产管理具有指导意义。基于无人机遥感平台搭载RGB传感器分别获取马铃薯块茎形成期、块茎增长期和淀粉积累期的RGB影像,并实测马铃薯植株钾含量。首先利用各个生育期的RGB影像提取每个小区冠层平均光谱和纹理特征。然后分别基于冠层光谱和纹理特征构建植被指数和纹理指数(NDTI、RTI和DTI),并与实测PKC进行相关性分析。最后利用多元线性回归(Multiple linear regression, MLR)、偏最小二乘(Partial least squares regression, PLSR)和人工神经网络(Artificial neural networks, ANN)构建马铃薯PKC估算模型。结果表明：各生育期NDTI、RTI和DTI与马铃薯PKC相关性均高于单一纹理特征,植被指数结合纹理指数均能提高模型的可靠性和稳定性,MLR和PLSR构建的估算模型精度均优于ANN。本研究可为马铃薯PKC监测提供科学参考。     

融合无人机多源传感器的马铃薯叶绿素含量估算

叶绿素是衡量作物光合作用的重要指标，监测马铃薯关键生育期叶片叶绿素含量(Leaf chlorophyll content, LCC)至关重要。获取马铃薯块茎形成期、块茎增长期和淀粉积累期的无人机RGB和多光谱影像，提取无人机多光谱影像的光谱反射率构建植被指数(Vegetation index, VIs),利用Gabor滤波器提取RGB影像的纹理信息(Texture information, TIs)。然后利用机器学习SVR-REF方法进行数据降维获取植被指数和纹理特征重要性排序，并采用迭代的方法在植被指数最佳模型中加入纹理信息，观察每次加入的纹理信息对模型的动态影响。最后使用支持向量机(Support vector machine, SVR)和K-最近邻算法(K-nearest neighbor, KNN)2种机器学习方法进行建模。结果表明，马铃薯3个关键生育期，加入纹理特征后的2种模型精度和稳定性均有提高，且SVR模型精度优于KNN。块茎形成期，SVR模型建模R²由0.61提升至0.71,RMSE由0.20 mg/g降为0.17 mg/g,精度提升14.2%,验...     

基于无人机高光谱遥感的冬小麦株高和叶面积指数估算

为了快速、准确地估算叶面积指数（LAI）,通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据,从中提取出株高（Hcsm）。首先,分析了植被指数、Hcsm与LAI的相关性,挑选出最优植被指数;然后,分别构建了单个参数的LAI线性估算模型;最后,以植被指数、植被指数结合Hcsm为模型输入因子,采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）;在不同生育期,大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度;以植被指数、植被指数结合Hcsm为输入变量,通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。本研究方法可以提高LAI估算精度,为农业管理者提供参考。     

基于数字化植物表型平台（D3P）的田间小麦冠层光截获算法开发

冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（D3P）模拟生成了100种冠层结构不同的小麦品种在5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（GAI）、平均倾角（AIA）和散射光截获率（FIPAR_dif）信息作为真实值,进一步利用上述三维小麦场景开展了虚拟的激光雷达（LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（H）和绿色分数特征（GF）。最后，利用人工神经网络（ANN）算法分别构建了从不同LiDAR点云特征（H、GF和H+GF）输入到FIPAR_dif、GAI和AIA的反演模型。结果表明，对于GAI、AIA和FIPAR_dif，预测精度从高到低对应的点云特征输入为GF+H > H > GF。由此可见，H特征对提高目标表型特性的估算精度起到了重要作用。输入GF + H特征，在中等测量噪音（10%）情况下，FIPAR_dif和GAI的估算均获得了满意精度，R²分别为0.95和0.98，而AIA的估算精度（R²=0.20）还有待进一步提升。本研究基于D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了D3P协助表型算法开发的能力，展示了高通量LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。     

宁夏扬黄灌区马铃薯水分生产函数试验研究

为确定宁夏扬黄灌区马铃薯水分生产函数,以"克新一号"马铃薯为供试品种,采用膜下滴灌的方式,以不同生育期土壤水分水平为试验因素,对马铃薯不同生育期进行调亏灌溉,测定土壤含水率、耗水量、产量,研究不同生育期不同水分亏缺处理对作物耗水量和产量的影响,并对5种常用的作物水分生产函数建模分析。结果表明:马铃薯块茎形成期轻度水分亏缺处理及淀粉积累期轻度、中度水分亏缺处理对产量影响不显著,块茎形成期和块茎膨大期中度水分亏缺处理及块茎膨大期轻度水分亏缺处理对其产量影响显著;建立Jensen模型、Minhas模型、Stewart模型、Blank模型和Singh模型,根据获得的数据和模型分别求取水分敏感指数。通过分析,水分亏缺会造成马铃薯不同程度的减产,Jensen模型更适用于宁夏扬黄灌区马铃薯的需水情况。     

基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

针对当前快速准确获取叶面积指数（Leaf area index, LAI）时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）和极限梯度提升树（XGBoost）算法构建组合估算模型。结果表明：采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型。相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳（R²为0.97,RMSE为0.021,RPD为6.9）。将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势。本研究为大田玉米长势遥感监测提供...     

滴灌施肥生育期比例分配对榆林市马铃薯生长和水分利用的影响

以当地主栽品种“紫花白”为研究材料,按前期(苗期+块茎形成期,ES)少、后期(块茎膨大期+淀粉积累期,LS)多的施肥比例,基于马铃薯苗期、块茎形成期、块茎膨大期、淀粉积累期占全生育期总施肥量的比例设置了8个处理(T1-T8),研究了同一滴灌施肥水平下,生育期内施肥比例分配对马铃薯的生长、产量和水分利用的影响.结果表明:马铃薯LAI和干物质值均表现为苗期和块茎形成期,ES_0.4~0.5处理大于ES_0.2~0.3,在块茎膨大期时,处理ES_0.2大于ES_0.3~0.5;淀粉积累期和成熟期,处理T7的LAI和干物质下降明显.而块茎形成期开始施肥的处理T1,T2在块茎膨大期、淀粉积累期和收获时都获得了较高的LAI和干物质.对于干物质转运而言,开花后块茎积累量表现为ES_0.2>ES_0.3~0.5,块茎干物质累积主要是在花后同化作用下建立的.产量变化规律为ES_0.2>ES_0.5(处理T7除外)>ES_0.4(处理T5除外)>ES_0.3(处理T2除外).各处理马铃薯单株商品薯质量变化规律与产量一致,而平均单薯质量、单个商品薯质量和单株结薯数间没有统一的变化规律.施肥处理水分利用和肥料偏生产力变化趋势与产量类似,各处理耗水量差异不具有统计学意义.综上,从产量和节水角度考虑,试验条件下滴灌施肥马铃薯生育期内比例分配最优方案为苗期和块茎形成期总施肥比例20%(苗期不施肥,形成期20%),块茎膨大期占施肥总量的55%和淀粉积累期占施肥总量25%.     

基于无人机高光谱遥感数据的冬小麦产量估算

为了准确和高效地预测作物产量,以冬小麦为研究对象,利用无人机遥感平台搭载高光谱相机,获取了冬小麦各生育期的无人机影像。根据高光谱具有较多的光谱信息且存在特有的红边区域的特点,选取了9种植被指数和5种红边参数。首先,分析植被指数和红边参数与产量的相关性,优选5种植被指数和2种红边参数用于构建产量估算模型;然后,构建了不同生育期的3种产量估算模型:单参数线性回归模型、基于植被指数并使用偏最小二乘回归方法模型、基于植被指数结合红边参数并使用偏最小二乘回归方法模型;最后利用3种模型分别估算冬小麦产量。结果表明:4个生育期内,大部分植被指数和红边参数与产量呈现极显著相关性;拔节期、挑旗期、开花期与灌浆期构建的单参数线性回归模型中表现最佳的参数分别为REP、Dr/Drmin、GNDVI与GNDVI;利用偏最小二乘回归方法提高了产量估算精度,以植被指数结合红边参数为因子构建的模型提高了产量估算效果(优于以植被指数为因子构建的产量模型)。本研究可为无人机高光谱估算作物产量提供参考。     

基于地面高光谱遥感的大豆产量估算模型研究

为在田间管理中对作物产量进行估测,通过两年大田试验收集了大豆生殖生长期的高光谱数据及产量数据,基于各生育期一阶微分光谱反射率计算了7个光谱指数：比值指数（Ratio index,RI）、差值指数（Difference index,DI）、归一化光谱指数（Normalized difference vegetation index,NDVI）、土壤调整光谱指数（Soil-adjusted iegetation index,SAVI）、三角光谱指数（Triangular vegetation index,TVI）、改进红边归一光谱指数（Modified normalized difference index,mNDI）和改进红边比值光谱指数（Modified simple ratio,mSR）,使用相关矩阵法将光谱指数与大豆产量数据进行相关性分析并提取最佳波长组合,随后将计算结果作为与大豆产量相关的最佳光谱指数,最后将各生育期筛选出的与大豆产量相关系数最高的5个光谱指数作为模型输入变量,利用支持向量机（Support vector machine,SVM）、随机森林（Random forest,RF）和反向神经网络（Back propagation neural network,BPNN）构建大豆产量估算模型并进行验证。结果表明,各生育期（全花期（R2）、全荚期（R4）和鼓粒期（R6））计算的光谱指数与产量的相关系数均高于0.6,相关性较好,其中全荚期的光谱指数FDmSR与大豆产量的相关系数最高,达到0.717;大豆产量最优估算模型的方法是输入变量为全荚期构建的一阶微分光谱指数和RF组合的建模方法,模型验证集R2为0.85,RMSE和MRE分别为272.80kg/hm2和5.12%。本研究成果可为基于高光谱遥感技术的作物产量估测提供理论依据和应用参考。     

基于两种空间估算模型的乔木林地上碳密度估算

以乔木林地上碳密度为研究对象,基于调查获取的乔木林地上碳密度、Landsat 8多光谱影像及DEM数据,提取植被指数、纹理特征、主成分变换因子、缨帽变换因子和地形因子作为建模变量,采用皮尔森相关系数法、结合平均残差平方和准则法对变量进行筛选,采用协同克里格插值和地理加权回归方法构建乔木林地上碳密度模型,分析对比两种方法的估算效果。结果表明：地理加权回归法构建的估算模型精度（R2为0.74,RMSE为6.84t/hm2,MAE为5.13t/hm2,RE为0.74%）优于协同克里格插值法（R2为0.47,RMSE为9.72t/hm2,MAE为7.41t/hm2,RE为0.12%）,并且较好地保留了估算变量的空间异质性,变异系数分别为0.5372、0.4968,可获得较高的估算精度。本研究可为大尺度范围内的乔木林地上碳密度及其他森林参数的估算提供参考。     

基于无人机多光谱影像的夏玉米SPAD估算模型研究

快速获取作物叶片叶绿素含量对及时诊断作物健康状况、指导田间管理具有重要意义。本研究以关中地区2020年夏玉米为研究对象,获取试验区无人机多光谱影像,提取植被指数,分析所选植被指数与SPAD的相关性,筛选得到模型的输入变量,利用偏最小二乘法(PLS)、随机森林回归(RF)和分层线性模型(HLM)分别构建拔节期、抽雄期、灌浆期以及全生育期的SPAD估算模型,最终选出最优估算模型,以期为快速获取夏玉米SPAD提供参考。研究发现：除NRI之外,NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre与SPAD均显著相关,其中,OSAVI、NDVI与SPAD呈现出较强且稳定的相关性;各个生育期的最优模型均是RF模型,在拔节期、抽雄期、灌浆期和全生育期,验证集R²分别为0.81、0.81、0.73、0.61,RMSE分别为1.24、2.32、3.13、3.20;对于SPAD估算模型,将降雨量、最高气温这两个气象因子与植被指数耦合的HLM模型可以一定程度提升线性模型的估算精度,但其精度低于RF模型。因此,基于无人机多光谱影像的RF模型可以实现夏玉米SPAD的快速准...     

无人机多光谱影像的马铃薯地上生物量估算撤回

在农作物生长发育以及生产管理中,地上生物量（AGB）是其重要的评估指标之一,推动AGB信息获取的高效性以及精准性在提升粮食供应以及贸易稳定性方面具有重要的现实意义。随着无人机技术的高速发展,依托于无人机平台的多光谱传感器AGB信息获取方式逐渐取代传统取样法测算方式。基于此,研究小组针对无人机多光谱影像在马铃薯AGB信息获取方面的重要性进行研究,采用随机实验方式,共设置密度实验、氮素实验以及钾肥实验3种试验区,通过差分GPS测定试验区三维空间,在晴朗无风的条件下对裸土期、块茎形成期、块茎增长期以及淀粉积累期内的作物多光谱数据进行采集,并进行AGB估算模型构建。仿真结果表明,利用作物光谱和结构信息建立的模型具有较好的准确率和稳定性,且基于PLSR方法构建的模型计算精准度相对较高。     

基于无人机数码影像的马铃薯覆盖度提取方法

为了利用数码影像快速提取马铃薯覆盖度,首先,利用植被覆盖度提取算法从地面数码影像中获取马铃薯覆盖度实测值;然后,通过植被指数提取法和最大似然监督分类法对无人机数码影像进行处理,分别获取各个研究小区的马铃薯覆盖度;提出利用颜色转换空间HSI(H-A法)从无人机数码影像中快速提取马铃薯覆盖度;最后,对HA法、最大似然监督分类法和植被指数提取法3种方法的计算结果进行精度比较。结果表明,H-A法估测的植被覆盖度的精度最高,均达到0. 91以上,拟合函数拟合度为0. 97;最大似然监督分类法次之,最低精度为0. 75,拟合度为0. 82;植被指数提取法最差,最低精度为0. 74,拟合度为0. 74。     

基于多时相多参数融合的麦玉轮作小麦产量估算方法

为了进一步提高冬小麦产量预测的准确性,针对麦玉轮作体系缺乏直接把前茬作物信息纳入到当季作物的产量估算及管理中的研究状况,利用前茬玉米季中长势遥感信息及产量信息,融合小麦拔节期、灌浆期及成熟期长势遥感信息、播前施肥信息及土壤特性信息等多时相多模态数据,基于GPR算法,建立多时相多模态参数融合的麦玉轮作体系小麦产量估算模型,结果显示：基于多生育期的产量估算模型较单生育期最优产量估算模型性能有所提升,R²提高0.01～0.03。其中基于拔节期产量估算模型精度略低于多生育期产量估算模型,但精度相近。基于多模态参数融合的产量估算模型中,除玉米作物信息与土壤特性信息融合构建的产量估算模型,多模态参数融合的产量估算模型精度较相应低模态参数融合的产量估算模型精度高。四模态参数融合的GPR模型决定系数R²为0.92,RMSE为213.75 kg/hm²,较其他模型,R²提高0.02～0.41。对于小麦产量估算模型,各模态参数影响由大到小依次为施肥信息、小麦遥感信息、土壤特性信息、玉米作物信息。玉米作物信息对于多模态参...     

基于纹理特征与植被指数融合的水稻含水量无人机遥感监测

含水量是表征水稻生理和健康状况的关键参数，精确预测水稻含水量对于水稻育种和大田精准管理具有重要意义。目前，利用无人机搭载光谱图像传感器监测作物生长的研究主要集中在利用植被指数评估作物在单一或者几个生育期的生长参数，针对作物含水量监测的研究非常有限。本研究主要利用多旋翼无人机低空遥感平台获取不同生育期水稻冠层的RGB图像和多光谱图像，通过提取植被指数和纹理特征，分析水稻的动态生长变化，并构建了基于随机森林回归方法的含水量预测模型。试验结果表明：（1）从无人机图像提取的植被指数、纹理特征以及地面测量的含水量都能用于监测水稻生长，并且这些参数随水稻生长呈现出了相似的动态变化趋势；（2）与RGB图像相比，多光谱图像评估水稻含水量具有更高的潜力，其中归一化光谱指数NDSI_771,611实现了更好的预测精度（R²=0.68，RMSEP=0.039，rRMSE =5.24%）；（3）融合植被指数和纹理特征能够进一步改善含水量的预测结果（R²=0.86，RMSEP=0.026，rRMSE=3.51%），预测误差RMSEP分别减小了16.13%和18.75%。上述结果表明，基于无人机遥感技术监测水稻含水量是可行的，可为农田精准灌溉和田间管理决策提供新思路。     

基于小波能量系数和叶面积指数的冬小麦生物量估算

生物量是评价作物长势及产量估算的重要指标,科学、快速、准确地获取生物量信息,对于监测冬小麦生长状况以及产量预测等具有重要意义。以冬小麦为研究对象,通过相关性分析,选取相关性较好的小波能量系数,同时耦合叶面积指数,基于支持向量回归算法、随机森林算法、高斯过程回归3种算法构建冬小麦生物量估算模型。结果显示,基于小波能量系数,分别利用支持向量回归算法、随机森林算法、高斯过程回归进行生物量估算,4个生育期的验证R2分别是0.55、0.40、0.39;0.75、0.70、0.83;0.84、0.92、0.93;0.84、0.89、0.85。表明高斯过程回归模型估算精度最优。叶面积指数耦合小波能量系数,利用支持向量回归算法、随机森林回归算法、高斯过程回归进行生物量估算,4个生育期的验证R2分别是0.76、0.73、0.77;0.76、0.72、0.84;0.87、0.94、0.94;0.85、0.90、0.91。表明高斯过程回归算法估算精度最优,并且在一定程度上能够克服冠层光谱饱和现象,提高模型估算精度。以小波能量系数和叶面积指数为输入变量结合高斯过程回归算法建立冬小麦生物量估算模型,可以提高生物量估算精度,为基于遥感技术的作物参数快速估算提供参考。