费帅鹏，禹小龙，兰铭，李雷，夏先春，何中虎, 3，肖永贵

基于高光谱遥感和集成学习方法的冬小麦产量估测研究

费帅鹏1, 2，禹小龙2，兰铭2，李雷2，夏先春2，何中虎2, 3，肖永贵2

1河南理工大学测绘与国土信息工程学院，河南焦作 454003；2中国农业科学院作物科学研究所，北京 100081；3CIMMYT中国办事处，北京 100081

【】利用2种灌溉处理下不同发育阶段的冬小麦冠层高光谱信息，通过机器学习方法对小麦籽粒产量进行估测精度研究，明确产量最佳估测模型，对于育种工作有着重要应用价值。以黄淮麦区207个主栽小麦品种为材料，于2018—2019和2019—2020年度连续2个生长季在河南省新乡基地的正常灌溉和节水处理下种植，并调查开花期、灌浆前期和灌浆中期的冠层高光谱数据，分别以6种机器学习方法和集成方法建立光谱指数产量估测模型。2种灌溉处理下，3个生育期各光谱指数均与产量呈极显著相关（<0.0001），且表现出较高的遗传力（0.61-0.85），主要受遗传因素控制。在正常灌溉处理下，与传统机器学习方法表现最佳的模型相比，集成学习方法在3个生育期的平均决定系数(R) 分别由0.610、0.611和0.640提高至0.649、0.612和0.675，平均均方根误差 () 分别降低至0.607、0.612和0.593 t·hm-2；节水处理下，3个生育期的平均R分别由0.461、0.408和0.452提高至0.467、0.433和0.498，平均分别降低至0.519、0.559和0.504 t·hm-2。利用集成方法将不同模型估测结果进行结合，能够有效地提高产量估测精度，2种灌溉处理下均在灌浆中期估测精度最佳，可为冬小麦育种工作中产量估测提供参考。

冬小麦；产量；高光谱；集成方法；机器学习

0 引言

【研究意义】在育种工作中，需要在多个生长环境下对大量品种和高代品系进行评价。产量作为主要指标[1]，可通过作物早期的生理性状进行评估，而传统方法在调查性状时效率低下且具有破坏性[2]。……