阳春三月，春暖花开，正是小麦田间管理的关键期，各地纷纷进入农忙季节，为夺取今年夏粮丰产辛苦耕耘。

作为我国最主要的粮食作物之一，小麦的稳产对于保障我国粮食安全具有举足轻重的作用。如何准确估算小麦产量是app家关心的一个热门话题。

扬州大学小麦研究中心提出了一种利用随机森林回归算法进行大田尺度下小麦生物量估测的遥感新方法，实现了对大田里的小麦生物量的快速、无损估测，为小麦田间长势的实时精准估测提供了数据支撑。这一成果被《作物学报》正式发表。

“实现大田小麦生物量检测的精准化、信息化、自动化，对于提高小麦的商业价值和农业现代化发展具有重要意义。”论文第一作者王丽爱告诉《明升中国app报》，小麦生物量是指小麦生长到某一时刻单位面积内的干物质总量，是反映大田小麦长势的重要指标之一，同时也是形成产量的物质基础。

王丽爱介绍，团队前期研究发现，不少学者都在尝试通过田间传感器、光学成像等技术手段获取作物的形态、高度、氮素等情况来估测生物量。如何在这些研究的基础上研究开发出一种更适合于大田作物管理的生物量遥感估测技术，是很多学者长期致力解决的难题之一。

因此，借模型精准模拟之力，集遥感系统估测之势共同发力，成为了很多学者的解决之道。团队研究发现，利用遥感估测小麦生物量需要构建精度较高的遥感模型，app合理的植被指数是基础。而要获得真正适用于大田生产实践的植被指数，就必须选择最真实、app的测试数据。

为此，他们研究利用明升中国自主研制的环境和灾害监测预报小卫星系统（HJ-CCD）数据，收集获取了跨度4年的小麦拔节、孕穗和开花3个生育期的15个卫星植被指数。同时，获得各生育期地面实测的小麦地上干生物量。将它们随机分类形成了构建模型所需的训练数据集和验证模型精度所需的测试数据集，以此提高了模型构建的精度和广适度。

王丽爱解释道，以往大多以单个或少部分植被指数进行研究，而他们的研究通过对几十个植被指数进行筛选，最后筛选出了15个与小麦生物量相关性较强的植被指数作为研究基础，这对于构建精度更高的遥感模型具有重要作用。

把数据变为可用信息，就如同将食材烹饪为美味佳肴，需要算法对其进行加工和提炼。因此，如何选择一个合适、高效的算法构建出高精度、广适用的遥感模型是本研究的关键所在。

通过前期大量的文献查阅和比较试验尝试，他们发现，一种新兴的计算机算法——随机森林（RF）机器学习算法在其他领域的模型构建中被认为是精度最高的预测算法之一。不过尚未有学者在小麦生物量等相关作物生长信息估测方面尝试这种算法。

王丽爱介绍，为了验证该算法在小麦生物量的遥感估测中是否同样适用，团队基于HJ-CCD光谱数据与随机森林回归相结合的方法构建小麦生物量估算模型，并使用独立于建模数据集的测试数据集验证了模型的估计精度。结果发现，利用该算法构建的遥感模型能精确估测出大田尺度下小麦生物量的相关信息。

为了进一步确认其与其他算法相比是否具有显著优势，他们将其分别与两种 “主流”的计算机算法进行了比较，并分别构建了各生育期小麦生物量估测模型进行比较。

通过三种算法的性能比较发现，利用随机森林回归算法估测的各生育期生物量结果的精度均高于另外两个模型，进一步证实了随机森林算法在小麦生物量估测中的适用性，相关结果也为我国南方地区小麦生物量的大规模估算提供了一种有用的探索性和预测性工具。

王丽爱表示，此次研究是利用随机森林算法进行小麦生物量估测的“首秀”，未来将继续通过优化建模算法来提升模型估测的精度，以期为其他作物无损监测及建立高精度模型提供新思路。

相关论文信息：http://dx.doi.org/10.1016/j.cj.2016.01.008