基于无人机多光谱遥感的棉花生长参数和产量估算

赵胜利 王国宾 胡连槟 徐海钰 巩道财 兰玉彬

摘要：及時准确地监测棉花长势和产量是精准农业栽培管理的关键。无人机（UAV）平台能够快速获取高时空分辨率的遥感数据，在作物生长参数和产量估算方面显示出巨大的潜力。以山东省滨州市棉花为研究对象，利用安装在无人机上的多光谱相机获取遥感影像，分别提取各波段反射率，筛选出8种植被指数，采用多元线性回归（MLR）、随机森林（RF）、人工神经网络（BPNN）3种方法分别构建棉花的株高、叶绿素相对含量、单株产量的估计模型并进行验证。结果表明，基于BPNN的预测模型精度明显优于MLR和RF模型，盛花期与成熟期棉花株高估计模型验证集的R2分别为0.842和0.670；叶绿素相对含量估算模型验证集的R2分别为0.725和0.765；产量估算模型验证集的R2分别为0.860和0.846。为无人机遥感在作物生长参数与产量估算领域中的应用提供理论依据，为进一步优化农业生产管理、科学决策提供参考。

关键词：棉花；无人机遥感；植被指数；株高；叶绿素相对含量；产量

中图分类号：S562： S127

文献标识码：A

文章编号：20955553 （2024） 02022708

收稿日期：2023年6月27日  修回日期：2023年9月15日

基金项目：山东省引进顶尖人才“一事一议”专项经费资助项目（鲁政办字［2018］27号）；淄博市重点研发计划（2019ZBXC200）

第一作者：赵胜利，女，1998年生，河南长葛人，硕士研究生；研究方向为农业工程。Email： 21403010286@sdut.edu.cn

通讯作者：兰玉彬，男，1961年生，吉林农安人，博士，教授，博导；研究方向为精准农业航空。Email： ylan@sdut.edu.cn

Estimation of cotton growth parameters and yield based on UAV

multispectral remote sensing

Zhao Shengli1， 2， 3， Wang Guobin1， 2， 3， Hu Lianbin1， 2， 3， Xu Haiyu1， 2， 3， Gong Daocai1， 2， 3， Lan Yubin1， 2， 3

（1. College of Agricultural Engineering and Food Science， Shandong University of Technology， Zibo， 255049， China；

2. Shandong Agricultural Aviation Intelligent Equipment Engineering Technology Research Center， Zibo， 255049， China；

3. Research Institute of Ecological Unmanned Farm， Shandong University of Technology， Zibo， 255049， China）

Abstract：

Timely and accurate monitoring of cotton growth and yield is the key to precision farming management. Unmanned Aerial Vehicle （UAV） platforms enable rapid acquisition of remote sensing data with high spatiotemporal resolution， showing great potential in crop growth parameters and yield estimation. Taking cotton in Binzhou City of Shandong Province as the research object， remote sensing images were obtained by using the multispectral camera installed on the UAV ， and the reflectance of each band was extracted respectively， and 8 vegetation indices were screened out， and three methods such as multiple linear regression （MLR）， random forest（RF） and artificial neural network （BPNN） were used to construct estimation models of cotton plant height， relative chlorophyll content and yield per plant respectively， and verified them. The results showed that the accuracy of the inversion model at the mature stage was generally higher than that at the full flowering stage. The R2 of the validation set for cotton plant height estimation in the peak flowering and mature stages were 0.842 and 0.670， respectively. The R2 values for the validation set of the chlorophyll relative content estimation model were 0.725 and 0.765， respectively. The R2 values for the validation set of the yield estimation model were 0.860 and 0.846， respectively. These results provide theoretical basis for the application of UAV remote sensing in crop growth parameters and yield estimation， and also provide a practical reference for further optimization of agricultural production management， scientific decisionmaking and policy formulation.

Keywords：

cotton; UAV remote sensing; vegetation index; plant height; SPAD; yield

0 引言

棉花是世界上重要的经济作物，为纺织业贡献了35%的纤维，其副产品包括棉籽油和棉籽粉，在食品和纺织工业等各个领域发挥着关键作用［12］。在中国，棉花是主要的经济作物，种植面积约为耕地总面积的三分之一［3］。因此，对棉花的生长状况和产量进行准确监测具有重要的学术和经济意义。

株高和叶绿素相对含量SPAD是作物冠层结构的重要参数，其对作物的生长动态和生物物理过程产生着重要影响，同时在作物生长模型与决策支持系统中也具有关键作用［4］。准确获取作物的株高和叶绿素相对含量对于作物生长监测、产量预测和田间水肥管理至关重要。目前，获取作物株高和叶绿素相对含量的方法主要包括直接测量法和间接测量法。虽然直接测量法精确度较高，但破坏性采样会，且耗时费力，因此存在一定局限性。相较之下，间接测量法通过将作物光谱信息与实测数据相结合，并通过模型估算作物生长指标，具有快速、高效等优势。在近年来，无人机多光谱遥感作为一项重要工具，成为精准农业研究和获取作物冠层参数的重要手段。刘涛等［5］采用不同光谱指数建立不同高度下SPAD的三种关系模型，结果表明基于人工神经网络构建的小麦冠层SPAD预测模型反演精度最高；Muharam等［6］对株高、冠幅和地被覆盖度进行了相关性分析。相关分析表明，在3個植物氮指标中，叶片氮对植物参数最敏感，对株高的影响较大。闫成川等［7］研究了干旱胁迫对棉花SPAD与产量的影响，并通过对结果聚类分析将干旱程度分级，实现了快速评价棉花抗旱性的效果。Li等［8］提出并评估了一种新的估算叶片叶绿素a+b含量和等效水厚度混合方法，该方法有效提高了模型估计准确率。孟沌超等［9］获取棉花的主要生育期可见光影像，建立植被指数、纹理特征与氮素、叶绿素含量的回归模型，结果表明：采用PLS植被指数与纹理特征模型为较优选择。

作物产量与人民经济收入、生活水平息息相关，准确及时地估算作物产量对农业生产具有重要意义［10］。传统的棉花产量测量方法是按单位面积计算棉铃数，这种方法是耗时和劳动密集型的，不适合大面积测试［11］。虽然卫星遥感技术也被用于多尺度平台的产量估算［12］。然而，由于受传感器能力和云层覆盖的影响，空间和时间分辨率不足，卫星图像对于田间观测可能效果不够理想。因此，无人机低空遥感技术的快速发展为高时间与高空间分辨率的快捷精确地进行野外数据采集提供了前所未有的机遇。

目前研究者们大多使用无人机搭载红—绿—蓝（RGB）相机［13］、多光谱相机［14］、高光谱相机［15］和激光雷达［16］来估算作物产量。多光谱相机因其操作灵活、成本低廉而备受关注，它能够输出带有灰度值、颜色的图像［1718］。Wahab等［12］证明了从多光谱图像中提取的新指标GNDVI在用于衡量复杂农业系统中的作物活力和预测玉米产量方面是有效的。Xu等［4］建立了基于时间序列无人机遥感数据的棉花产量估算模型。实现了利用U-Net语义分割网络对高分辨率可见光图像中的棉铃开口像素进行识别提取，从而提高了棉花产量估算精度。Shi等［19］提出了一种能直观地表示棉花产量和棉铃特征的指标，主要通过提取棉铃指数，获得了支持向量机、随机森林等五种常用模型，结果表明：红绿蓝（RGB）和近红外红（NIR）归一化（由RGB和近红外带组成的归一化形式指数）效果最好。

尽管目前已有许多关于棉花SPAD、株高等指标的遥感长势监测研究［2024］，但在利用机器学习方法进行棉花长势监测与单株产量估算的研究方面，探索较少。同时，利用无人机多光谱数据预测棉花产量的研究也相对有限。因此，本文旨在以山东省滨州市棉花为研究对象，应用无人机多光谱遥感技术，采用多元线性回归、随机森林和人工神经网络三种机器学习方法，构建棉花的株高、叶绿素相对含量和单株产量的估计模型，并进行验证。以探究其在棉花株高和叶绿素含量反演方面的应用潜力，为作物产量的实时预测提供理论依据，并探讨无人机多光谱遥感技术在作物长势监测方面的应用效果。

1 材料与方法

1.1 研究区域和试验设计

本文于2022年7—9月在山东省滨州市秦皇台乡（山东滨州棉花科技小院）进行田间试验，该地北纬37.22°，东经118.02°，海拔约11 m，一年只种植一季棉花育种材料。试验田属暖温带大陆性季风气候，半湿润地区，冬季寒冷干燥，夏季炎热多雨。年平均气温约为12.3 ℃，年降雨量626 mm左右，其中夏季降雨量较大，占全年的60%～70%，其他月份降雨较少。

试验棉花鲁研棉37于2022年4月28日采用随机区组设计播种。行距0.76 m，株距0.16 m，种植密度为90 000株/hm2。试验田栽培管理措施与一般大田管理措施相同。本试验在试验田内均匀布设3个地面控制点（Ground Control Point），GCP由红色喷漆作为标志（避免GCP在获取不同时期无人机遥感影像时发生空间位置的移动）。利用智能RTK系统测量控制点的三维空间地理位置，以便进行几何校正和图像配准。试验田长100 m，宽30 m，平均分为30个小区，每个小区9 m×10 m，如图1所示。

1.2 地面数据采集

本文收集株高H、叶绿素相对含量SPAD作为地面真实数据。株高、叶绿素相对含量采集时间为无人机飞行任务之后。H值即从地面到冠层顶部的距离。棉花育种材料H值的观测方法为：在每个小区按照五点采样法随机选取5株棉花，用塔尺测量其H值，测量时保持塔尺垂直于地面，取平均得到该小区的测量值。采用SPAD-502 Plus产量仪对30个小区进行SPAD测量，SPAD-502 Plus通过测量叶子对两个波长段里的吸收率，来评估当前叶子中的叶绿素相对含量。SPAD测量时为保证测量准确度，分别在棉花植株的上中下3个部位各随机选取一片棉叶测量三次取平均作为该部位测量值，3个部位的平均值作为该株的测量值。每小区测量5株具有代表性的棉花，平均值作为该小区SPAD值。收获时，于每个小区中按五点取样法取3个2 m×2 m的样方，采摘每株的成铃并记录每个样方的棉铃个数。为避免棉花中水分的影响，烘干称重的成铃重量记为w。棉铃分类标准：直径大于2 cm的棉铃为成玲，直径小于2 cm的棉铃为幼铃，铃壳开裂3 mm以上的棉铃为絮铃，烂铃不计。籽棉产量计算公式如式（1）所示。

y=0.9mρw

（1）

m=（a+b+1/3×c）/k

（2）

式中：

Y——棉花产量，kg/hm2；

m——平均单株成铃数，个/株；

ρ——收获密度，株/hm2；

w——单铃重，kg/个；

a——成铃数，个；

b——絮铃数，个；

c——幼铃数，个；

k——总株数，株。

1.3 无人机多光谱图像采集与处理

采用消费级无人机大疆精灵4 RTK多光谱版对测试区域进行多光谱图像采集。相机由6个1/2.9英寸CMOS组成，包括1个用于可见光成像的彩色传感器和5个用于多光谱成像的单色传感器。单个传感器的有效像素为208万（总像素212万）。在飞行任务中，为了保证多光谱图像的质量，减少图像拼接的误差，在DJI GS Pro中设置正向和侧面重叠均80%，飞行时间和高度分别为10：00～14：00和30 m。选取盛花期（2021年7月26日）、成熟期（9月28日）2个关键生育期进行的2次飞行任务，评估基于多光谱图像的产量估算的准确性。大疆精灵4RTK能通过内置的全球导航卫星系统（GNSS）模块记录图像的位置信息。此外，利用差分GNSS以毫米精度记录野外3个地面控制點（GCP）的坐标。采用Pix4D mapper 4.4.12软件对无人机多光谱图像进行拼接。在图像拼接过程中，将无人机多光谱图像导入软件，软件能够自动读取相机配置信息和定位系统数据，然后进行辐射校准。最后，Pix4Dmapper生成数字地表模型（DSM）、数字正射影像（DOM），并用ENVI5.3进行几何校正和图像配准。

1.4 无人机多光谱图像的植被指数提取

为筛选出适合棉花无人机遥感估产的植被指数，本文基于无人机多光谱影像红、绿、蓝、红外、近红外波段的光谱信息，从65种植被指数中选取了8种与产量相关性较高的植被指数，计算植被指数［2532］的公式如表1所示。采用ENVI 5.3中的波段计算工具提取植被指数。构建感兴趣区域（Region of Interest，ROI）提取每个小区的植被指数，并选择每个小区的平均反射率进行后续的数据处理。

1.5 模型构建

为筛选出适合棉花无人机遥感估产的植被指数，本文首先基于提取的8种植被指数，分别使用偏最小二乘回归模型、多元逐步回归模型、随机森林算法模型和BP神经网络模型，分析植被指数与株高、叶绿素相对含量、产量的相关性。然后探究植被指数构建产量估算模型、SPAD估算模型的可行性。偏最小二乘回归是一种多元回归建模方法，将典型相关分析、多元线性回归以及主成分分析等技术优势相结合，能够有效解决较少样本量而预测变量存在共线性方面的问题［2627］。多元逐步回归是多元线性回归的继承与发展，通过一个个的输入参数，逐个检验并剔除显著性低的变量，从而筛选出相关性高的因子［2829］。随机森林（Random Forest， RF）是一种用于分类或回归的机器学习算法，具有鲁棒性高、学习能力强等特点。BP神经网络具有强大的非线性拟合能力，对构建植被指数与单株产量之间的定量关系发挥重要作用。本文使用包含8个输入层，2个隐藏层，学习率为0.01的人工神经网络模型估算棉花株高、SPAD和产量。

1.6 模型性能评价

在盛花期、成熟期分别采集的150个株高、叶绿素含量样本数据，对数据进行排序，分层抽样法选择110个样本构建产量估测模型，40个样本进行验证。采用均方根误差RMSE、决定系数R2和归一化均方根误差NRMSE三个指标来评价模型的产量估计性能，R2越接近1，RMSE越小，说明模型预测精度越高。计算方法如式（3）～式（5）所示。

R2=1-∑ni=1（yi-y^）2

∑ni=1（yi-y）2

（3）

RMSE=1n∑ni=1（yi-y^）

（4）

NRMSE=RMSEy

（5）

式中：

n——样本总数；

yi——实测值；

y^——估计值；

y——实测值的平均值。

2 结果与分析

2.1 叶绿素相对含量、株高、产量

盛花期、成熟期棉花植株株高与叶绿素相对含量的基本信息如表2、表3所示。数据显示不同生长阶段的棉花叶绿素含量、株高存在较小差异，可能是由于盛花期至成熟期间产量已相对稳定，不排除另有其他环境因素的变化，使得观察到的差异较小。图4为测产样点棉花单铃重的频数分布图，曲线为依据样本均值、方差绘制的正态分布曲线。棉花产量实测数据显示，棉花单株产量集中于90～150 g。

2.2 植被指数与叶绿素相对含量、株高相关性分析

利用建模数据集中实测的SPAD、株高分别与8种植被指数进行相关性分析，计算结果如表4所示。

从表4可以看出，SPAD与8种植被指数的相关系数在0.528～0.792之间，其中SPAD与GDVI相关系数最强，相关系数达到0.792；NDRE与株高之间为负相关关系，其余7种植被指数均与株高呈正相关关系。与棉花株高具有最好的相关性的植被指数为GDVI，相关系数为0.738。因此，选择表4中的8种植被指数对于构建棉花的生长参数及产量的反演模型具有一定可行性。

2.3 棉花各植被指数与产量的相关系数

8种植被指数与产量的相关性分析结果如表5所示，其中GDVI在盛花期与产量相关性最佳，相关系数为0.755；而在成熟期DVI是与产量相关性最佳的植被指数，相关系数为0.718。

2.4 棉花无人机多光谱遥感生长参数及估产模型

为提高模型预测精度，本文以8种植被指数作为估算模型的输入，采用多元逐步线性回归法、人工神经网络和随机森林法构建不同生育期棉花叶绿素含量、株高、产量之间的经验统计模型。

如表6所示，基于MLR构建的盛花期和成熟期棉花株高估算模型的R2分别为0.709和0.722，RMSE分别为17.882和14.174，NRMSE分别为62.372和74.600；基于RF構建的盛花期和成熟期棉花株高估算模型的R2分别为0.721和0.753，RMSE分别为22.412和18.536，NRMSE分别为64.741和71.415；基于BPNN构建的盛花期和成熟期棉花株高估算模型的R2分别为0.790和0.884，RMSE分别为19.435和12.119，NRMSE分别为67.736和63.784。

基于MLR构建的盛花期和成熟期棉花SPAD估算模型的R2分别为0.342和0.596，RMSE分别为7.817和13.914，NRMSE分别为86.856和76.451；基于RF构建的盛花期和成熟期棉花SPAD估算模型的R2分别为0.574和0.642，RMSE分别为12.813和19.438，NRMSE分别为23.635和72.569；基于BPNN构建的盛花期和成熟期棉花SPAD估算模型的R2分别为0.860和0.883，RMSE分别为1.728和12.202，NRMSE分别为19.222和67.044。

基于MLR构建的盛花期和成熟期棉花产量估算模型的R2分别为0.828和0.854，RMSE分别为23.716和15.364，NRMSE分别为47.432和17.071；基于RF构建的盛花期和成熟期棉花产量估算模型的R2分别为0.866和0.872，RMSE分别为28.479和17.462，NRMSE分别为55.145和36.47；基于BPNN构建的盛花期和成熟期棉花产量估算模型的R2分别为0.890和0.956，RMSE分别为27.459和24.113，NRMSE分别为54.921和34.457。

2.5 基于无人机遥感的棉花2个生育期植被指数估测产量精度验证

本文使用BP神经网络模型对8个植被指数和实测数据进行建模，并进行验证。基于田间试验共获取花蕾期和成熟期各150组SPAD和株高样本、150组产量样本，对所有样本进行从小到大排序，在这些样本中随机选取110组样本作为建模集，剩余40组样本作为验证集。以表1中的植被指数作为自变量，以棉花株高作为因变量，采用BPNN构建棉花盛花期、成熟期株高估算模型，从R2、RMSE、NRMSE3个方面综合评定模型精度，不同建模方法对于棉花株高的预测结果如图5所示。结果表明：基于BPNN构建的棉花盛花期与成熟期株高估算模型验证集的R2分别为0.842和0.670，RMSE分别为14.438和16.537，NRMSE分别为67.736和58.784；同理，基于BPNN构建的棉花盛花期与成熟期SPAD估算模型验证集R2分别为0.725和0.765，RMSE分别为4.317和11.379，NRMSE分别为59.856和34.451；基于BPNN构建的棉花盛花期与成熟期产量估算模型验证集R2分别为0.860和0.846，RMSE分别为27.459和14.157，NRMSE分别为54.922和34.453。

（a） H-盛蕾期

（b） H-成熟期

（c） SPAD-盛蕾期

（d） SPAD-成熟期

（e） Yield-盛蕾期

（f） Yield-成熟期

3 讨论

目前无人机遥感影像与植被指数结合的相关研究在农业领域应用日益广泛。本文旨在通过无人机多光谱遥感技术反演棉花的株高和叶绿素含量，并分析其与产量的关联，从而为作物生长参数的监测和农作物产量的预测提供可靠数据支持。研究结果表明，植被指数GDVI与株高、SPAD和产量的相关性均较好，这可能是由于GDVI对植被的光合活动和叶绿素含量变化较敏感。叶绿素作为植物光合作用的关键，与植物健康状况密切相关，因此叶绿素含量与株高、SPAD和产量之间存在高相关性，GDVI的变化可实时监测棉花长势。同时，随着生育期的变化，多个植被指数与产量的相关性呈减小趋势，且成熟期的生长参数和产量预测精度较高。这可能是因为成熟期是棉花生长状态最佳的时期，其株高、SPAD等指标达到峰值；而在盛花期，由于棉花仍处于营养生长阶段，叶绿素含量水平较低，且开花需要大量能量供给，使得多光谱相机难以捕捉该过程的特征。

此外，不同建模方法对预测模型的精度产生较大影响。本文对8种植被指数采用多元线性回归、随机森林和人工神经网络3种方法构建了株高、SPAD和产量的估算模型。结果显示，基于BPNN模型的估测精度优于其他模型方法，这与刘涛［5］、罗小波［30］等的研究结果类似。BPNN模型具有强大的非线性建模能力、学习能力和泛化能力，能对复杂函数进行有效拟合，提高了模型的精度。然而，MLR模型存在多重共线性和对异常值和离群点敏感等不足，可能影响模型的拟合效果。RF模型虽通过多个决策树的投票来做出预测，但学习过程较为简单，不如BPNN那样能进行权重调整和优化。因此，BPNN模型可作为棉花株高、SPAD和产量建模的首选方法。

当前基于多光谱遥感的作物生长参数和产量估算仍面临一些问题，如时间、空间异质性使得模型通用性较差，且不同作物、不同环境条件下构建的模型精度差异较大。此外，本文样本量较少，后续可以增加更多样本数据进行建模，以探究预测精度是否有明显提升。

4 结论

本文以山东省滨州市棉花为研究对象，利用无人机获取了棉花不同时期的多光谱影像，并采用多元线性回归、随机森林、人工神经网络三种方法分别构建了棉花的株高、叶绿素相对含量、产量的估计模型。同时还深入探讨了不同机器学习方法对棉花长势参数与产量估算精度的影响，旨在为更加精准、快速地获取棉花生长参数与产量预测提供理论参考。

1）  通过相关性分析，筛选出与株高、叶绿素相对含量和产量的相关性均较好的植被指数为GDVI，相关系数分别为0.792和0.738，因此，通过GDVI的变化能实时监测棉花长势。

2）  基于BPNN模型构建的棉花生长参数与产量预测模型的精度高于MLR与RF模型。基于BPNN构建的棉花盛花期与成熟期株高估算模型验证集的R2分別为0.842和0.670；基于BPNN构建的棉花盛花期与成熟期SPAD估算模型验证集R2分别为0.725和0.765。

3）  在成熟期，基于BPNN模型构建的棉花生长参数和产量预测精度更高，株高、叶绿素相对含量和产量的预测模型R2分别为0.884、0.883、0.956；RMSE分别为12.119、12.202、24.113；故在成熟期使用BPNN模型能准确估算棉花产量。

参 考 文 献

［1］刘文静， 范永胜， 董彦琪， 等. 我国棉花生产现状分析及建议［J］. 中国种业， 2022（1）： 21-25.

Liu Wenjing， Fan Yongsheng， Dong Yanqi， et al. Analysis and suggestions on the current situation of cotton production in China ［J］. China Seed Industry， 2022（1）： 21-25.

［2］苑严伟， 白圣贺， 牛康， 等. 棉花种植机械化关键技术与装备研究进展［J］. 农业工程学报， 2023， 39（6）： 1-11.

Yuan Yanwei， Bai Shenghe， Niu Kang， et al. Research progress in the key technologies and equipment for cotton planting mechanization ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（6）： 1-11.

［3］Wang G， Lan Y， Qi H， et al. Field evaluation of an unmanned aerial vehicle （UAV） sprayer： Effect of spray volume on deposition and the control of pests and disease in wheat ［J］. Pest Management Science， 2019， 75（6）： 1546-1555.

［4］Xu W， Chen P， Zhan Y， et al. Cotton yield estimation model based on machine learning using time series UAV remote sensing data ［J］. International Journal of Applied Earth Observation and Geoinformation， 2021， 104.

［5］刘涛， 张寰， 王志业， 等. 利用无人机多光谱估算小麦叶面积指数和叶绿素含量［J］. 农业工程学报， 2021， 37（19）： 65-72.

Liu Tao， Zhang Huan， Wang Zhiye， et al. Estimation of the leaf area index and chlorophyll content of wheat using UAV multispectrum images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（19）： 65-72.

［6］Muharam F， Bronson K， Maas S， et al. Interrelationships of cotton plant height， canopy width， ground cover and plant nitrogen status indicators ［J］. Field Crops Research， 2014， 169： 58-69.

［7］闫成川， 曲延英， 陈全家， 等. 基于无人机多光谱影像的棉花SPAD值及叶片含水量估测［J］. 农业工程学报， 2023， 39（2）： 61-67.

Yan Chengchuan， Qu Yanying， Chen Quanjia， et al. Estimation of cotton SPAD value and leaf water content based on UAV multispectral images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（2）： 61-67.

［8］Li J， Wijewardane N K， Ge Y， et al. Improved chlorophyll and water content estimations at leaf level with a hybrid radiative transfer and machine learning model ［J］. Computers and Electronics in Agriculture， 2023， 206： 107669.

［9］孟沌超， 赵静， 兰玉彬， 等. 基于无人机可见光影像的玉米冠层SPAD反演模型研究［J］. 农业机械学报， 2020， 51（S2）： 366-374.

Meng Dunchao， Zhao Jing， Lan Yubin， et al. SPAD inversion model of corn canopy based on UAV visible light image ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（S2）： 366-374.

［10］Ferencz C， Bognar P， Lichtenberger J， et al. Crop yield estimation by satellite remote sensing ［J］. International Journal of Remote Sensing， 2004， 25（20）： 4113-4149.

［11］张静， 郭思梦， 韩迎春， 等. 基于无人机RGB图像的棉花产量估算［J］. 中国农业科技导报， 2022， 24（11）： 112-120.

Zhang Jing， Guo Simeng， Han Yingchun， et al. Estimation of cotton yield based on unmanned aerial vehicle RGB images ［J］. Journal of Agricultural Science and Technology， 2022， 24（11）： 112-120.

［12］Wahab I， Hall O， Jirstrm M. Remote sensing of yields： Application of UAV imageryderived NDVI for estimating maize vigor and yields in complex farming systems in subsaharan africa ［J］. Drones， 2018， 2（3）： 28.

［13］Sumesh K， Ninsawat S， Somard J. Integration of RGBbased vegetation index， crop surface model and objectbased image analysis approach for sugarcane yield estimation using unmanned aerial vehicle ［J］. Computers and Electronics in Agriculture， 2021， 180： 105903.

［14］Laliberte A S， Goforth M A， Steele C M， et al. Multispectral remote sensing from unmanned aircraft： Image processing workflows and applications for rangeland environments ［J］. Remote Sensing， 2011， 3（11）： 2529-2551.

［15］馮海宽， 陶惠林， 赵钰， 等. 利用无人机高光谱估算冬小麦叶绿素含量［J］. 麦类作物学报， 2022， 42（11）：3575-3580.

Feng Haikuan， Tao Huilin， Zhao Yu， et al. Estimation of chlorophyll content in winter wheat based on UAV hyperspectral ［J］. Spectroscopy and Spectral Analysis， 2022， 42（11）： 3575-3580.

［16］Almeida C T d， Galvo L S， Arago L E d O C e， et al. Combining LiDAR and hyperspectral data for aboveground biomass modeling in the Brazilian Amazon using different regression algorithms ［J］. Remote Sensing of Environment， 2019， 232.

［17］Du X， Wan L， Cen H， et al. Multitemporal monitoring of leaf area index of rice under different nitrogen treatments using UAV images ［J］. International Journal of Precision Agricultural Aviation， 2020， 3（1）.

［18］Ahmed O S， Shemrock A， Chabot D， et al. Hierarchical land cover and vegetation classification using multispectral data acquired from an unmanned aerial vehicle ［J］. International journal of remote sensing， 2017， 38（8-10）： 2037-2052.

［19］Shi G， Du X， Du M， et al. Cotton yield estimation using the remotely sensed cotton boll index from UAV images ［J］. Drones， 2022， 6（9）： 254.

［20］Yang Q， Shi L， Han J， et al. Deep convolutional neural networks for rice grain yield estimation at the ripening stage using UAVbased remotely sensed images ［J］. Field Crops Research， 2019， 235： 142-153.

［21］Chen P， Douzals J P， Lan Y， et al. Characteristics of unmanned aerial spraying systems and related spray drift： A review ［J］. Frontiers in Plant Science， 2022： 2726.

［22］邵国敏， 王亚杰， 韩文霆. 基于无人机多光谱遥感的夏玉米叶面积指数估算方法［J］. 智慧农业（中英文）， 2020， 2（3）： 118-128.

Shao Guomin， Wang Yajie， Han Wenting， et al. Estimation method of leaf area index for summer maize using UAVbased multispectral remote sensing ［J］. Smart Agriculture， 2020， 2（3）： 118-128.

［23］张恒瑞， 段喜明， 魏征， 等. 基于无人机多光谱遥感的华北地区夏玉米LAI监测［J］. 山西农业科學， 2021， 49（5）： 608-614.

Zhang Hengrui， Duan Ximing， Wei Zheng， et al. Study on LAI monitoring of summer corn in north China based on UAV multispectral remote sensing ［J］. Journal of Shanxi Agricultural Sciences， 2021， 49（5）： 608-614.

［24］魏青， 张宝忠， 魏征， 等. 基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究［J］. 麦类作物学报， 2020， 40（3）： 365-372.

Wei Qing， Zhang Baozhong， Wei Zheng， et al. Estimation of canopy chlorophyll content in winter wheat by UAV multispectral remote sensing ［J］. Journal of Triticeae Crops， 2020， 40（3）： 365-372.

［25］陈俊英， 陈硕博， 张智韬， 等. 无人机多光谱遥感反演盛花期棉花光合参数研究［J］. 农业机械学报， 2018， 49（10）： 230-239.

Chen Junying， Chen Shuobo， Zhang Zhitao， et al. Investigation on photosynthetic parameters of cotton during budding period by multispectral remote sensing of unmanned aerial vehicle ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（10）： 230-239.

［26］Su J， Liu C， Coombes M， et al. Wheat yellow rust monitoring by learning from multispectral UAV aerial imagery ［J］. Computers and Electronics in Agriculture， 2018， 155： 157-166.

［27］Gao C， Ji X， He Q， et al. Monitoring of wheat fusarium head blight on spectral and textural analysis of UAV multispectral imagery ［J］. Agriculture， 2023， 13（2）： 293.

［28］Shu Meiyan， Dong Qizhou， Fei Shuaipeng， et al. Improved estimation of canopy water status in maize using UAV-based digital and hyperspectral images ［J］. Computers and Electronics in Agriculture， 2022， 197： 106982.

［29］Hassan M A， Yang M， Rasheed A， et al. A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multispectral UAV platform ［J］. Plant Science， 2019， 282： 95-103.

［30］罗小波， 谢天授， 董圣贤. 基于无人机多光谱影像的柑橘冠层叶绿素含量反演［J］. 农业机械学报， 2023， 54（4）： 198-205.

Luo Xiaobo， Xie Tianshou， Dong Shengxian. Estimation of citrus canopy chlorophyll based on UAV multispectral images ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（4）： 198-205.