针对中国农田存在种植景观破碎化和复杂的种植结构这一现状, 如何实现目标作物的高精度识别与制图对作物产量估算、 粮食政策调整和国家粮食安全保障具有十分重要意义。 基于Google Earth Engine（GEE）遥感数据处理云平台, 提出一种冬小麦不同生育期的种植结构提取方法, 该方法以2021年覆盖目标作物关键生育期的多时相Sentinel-2影像为数据源, 综合考虑光谱波段特征、 光谱指数特征、 纹理特征和地形特征等多维特征变量, 利用GBDT（gradient boosting decision tree）分类器对不同生育期田块尺度的冬小麦种植面积和空间分布信息进行快速精准提取, 并探讨了冬小麦识别的最佳生育期。 此外, 对比分析了常见的不同分类模型在田块尺度条件下的作物识别性能。 以河南陈固镇为研究区开展实验, 实验结果显示, 冬小麦在起身拔节期的地物识别准确率相对较高, 总体分类准确率为94.61%, Kappa系数为92.68%; 在抽穗扬花期的识别精度最高, 总体分类准确率为97.01%, Kappa系数为95.52%; 但在灌浆乳熟期的分类精度偏低, 总体分类准确率为86.23%, Kappa系数为81.33%。 研究结果表明, 在冬小麦抽穗扬花期, GBDT分类器能对田块尺度条件下的土地覆盖信息进行有效提取, 进而取得较好的地物分类识别效果。 此外, 本研究将GBDT与传统分类器如随机森林（random forest, RF）、 CART(classification and regression tree)和朴素贝叶斯（Naive Bayesian, NB）进行相比。 结果表明, GBDT分类器的地物识别效果最佳, 总体分类准确率比RF分类器和CART分类器分别提高了1.20%和5.99%, Kappa系数比RF分类器和CART分类器分别提高了1.61%和8.04%, 朴素贝叶斯分类器的识别效果最差, 总体分类准确率和Kappa系数分别为84.43%和78.69%。 研究结果可为田块尺度作物精细提取提供有效的技术支持。

近年来, 深度学习在数据挖掘领域研究较多, 深度学习中的集成学习算法也越来越多地应用到分类和定量回归中, 但是, 集成学习算法在红外光谱分析领域的应用研究较少。 提出一种基于Blending模型融合的集成学习定量回归算法, 利用GBDT算法、 线性核支持向量机(LinearSVM)和径向基核支持向量机(RBF SVM)作为基学习器, 将基学习器预测结果通过LinearSVM模型完成数据融合。 以公开数据库中的药片和柴油近红外光谱数据为研究对象, 首先对光谱数据进行一阶导数预处理, 分别采用单核支持向量回归模型、 GBDT模型和Blending集成学习模型, 将模型预测结果进行分析比较。 药片活性物含量和硬度性质采用RBF SVM模型的预测结果最优, RMSEP最小, RPD最大; 其次为Blending集成学习模型; GBDT模型预测结果最差。 药片质量采用Blending集成学习模型预测的R2最高, 达到0.837 4; RBF SVM的RMSEP最小, 为2.140 6, RPD最大, 达到7.487 8; LinearSVM的预测结果最差。 对于柴油沸点、 闪点和总芳香烃三种性质, Blending模型预测效果最好, 优于三种单模型预测结果。 对于十六烷值, GBDT模型和RBF SVM模型预测结果优于Blending集成学习模型。 对于密度, 仅GBDT模型优于Blending集成模型, 并且, 使用单模型和集成模型的预测结果均较为理想, 除了LinearSVM模型R2为0.944 5, 其他模型R2均高于0.99。 对于冰点的预测, RBF SVM和LinearSVM的预测效果优于Blending集成学习模型。 对于黏性性质的预测, 仅RBF SVM的预测效果优于Blending集成算法模型。 由结果可以看出, 由GBDT, LinearSVM和RBF SVM集成的Blending模型由于融合了单模型的特征, 与单模型相比, 预测效果较优或者最优, 证明集成学习Blending模型用于红外光谱定量回归具有较强的适用性, 且具有较高的预测精度和泛化能力, 对于进一步研究集成学习算法在红外光谱定量回归中的应用具有重要的意义。