融合光谱和纹理特征的玉米产量预测研究

摘 要 本研究采集夏玉米拔节、抽雄、灌浆和成熟4个时期的无人机可见光和多光谱影像，提取和筛选植被指数与纹理特征参数，构建植被指数与纹理特征融合变量，采用反向传播神经网络、随机森林和支持向量机3种机器学习方法构建玉米产量预测模型。结果表明：相较于单一类型参数，融合植被指数和纹理特征进行产量预测模型精度更高；3种机器学习方法中以随机森林构建的玉米产量预测模型效果最好，且最佳预测时期为灌浆期（籽粒水泡期）；综合评价建模和验证结果，基于多光谱影像植被指数与纹理特征融合变量和随机森林方法构建的模型玉米产量预测效果最佳。遥感信息的多特征融合与机器学习方法的搭配能够挖掘和利用更多信息并提高玉米产量预测的精度和鲁棒性。

关键词 玉米；无人机遥感；可见光；多光谱；植被指数；纹理特征；产量

玉米作为三大谷物之首，是当今全球种植范围广泛、产量最大的谷类作物，同时也是重要的粮食、经济和饲料兼用作物。近年来，中国玉米的播种面积和产量总体呈稳定增长的态势，及时准确地获得玉米产量信息，对于保障国家粮食安全以及农业结构的优化有着重要意义[1]。由于受地理环境、自然气候、品种和生产技术差异等因素影响，作物产量高效、准确估测是一项具有挑战性的任务[2-3]。

传统作物产量的估算方法在很大程度上依赖于实地调查，成本高昂、费力耗时[4]。遥感监测技术具有实时、无损和高通量的特性，可用于植物的长势[5-6]、胁迫状态[7-8]和产量[9-10]等监测，已成为现代作物产量调查的主要方法之一[11]。得益于无人机平台和机载传感器领域的快速发展，无人机遥感可获得较高的空间、光谱和时间分辨率数据[12]，在农田精细尺度和动态连续监测方面较卫星遥感具有显著优势[13-16]。无人机作物遥感监测的主要方法是通过搭载可见光、多光谱和高光谱等传感器，获取作物光谱信息，提取植被指数等信息用于反演作物长势。植被指数是从植被冠层的光谱信息中提取的一种独特的光学参数[17]。利用植被指数进行产量估算已在粮食作物[18-19]、经济作物[20]、饲用作物[21]等方面取得诸多成果，但预测效率与精度仍有较大提升空间。除植被指数等光谱信息外，用于表达空间细节差异、突出植物冠层结构和几何特征的纹理特征在产量预测方面也有较好的应用潜力。前人研究发现相较于仅用植被指数进行棉花叶面积指数监测，通过增加遥感影像的纹理特征信息，可提高监测精度[22]。

遥感估产模型大致分为两类：线性模型和非线性模型。使用基于植被指数、纹理指数等估测量和产量观测值的传统线性回归模型，精度往往不足，且易出现过度拟合现象[23-24]。机器学习算法的发展为农艺信息与遥感数据相结合并开发灵活的产量预测模型提供了新的机会。机器学习可高效编译各种数据集和提取有用信息，提高模型准确性，减少过拟合现象，已成功应用于解决大型非线性问题[25]，神经网络、随机森林和支持向量机等算法日益广泛用于产量预测问题的研究[26-28]。

玉米产量的形成是一个从播种到籽粒成熟的漫长过程，产量波动较大，不同时期植被指数和特征因子与产量的相关程度不同，遥感产量估算方案需要基于玉米生长规律筛选最佳生育时期、估产参数和建模方法。因此，本研究获取夏玉米的拔节、抽雄、灌浆和成熟4个关键生育时期的无人机可见光和多光谱影像数据，筛选与产量相关的植被指数和纹理特征参数，基于多源遥感数据融合分别建立反向传播神经网络、随机森林和支持向量机的夏玉米产量估测模型并进行精度对比，筛选最佳估测产量的时期、建模特征参数和方法，为夏玉米无人机遥感产量预测提供优化方案。

1 材料与方法

1.1 研究区概况和试验设计

试验于2022年在陕西省杨凌区西北农林科技大学曹新庄农场进行（34°29′N，108°06′E，海拔454.8 m），该地位于陕西关中平原，海拔454.8 m，属暖温带半湿润季风气候，夏玉米生长季平均降水为304.9 mm，平均气温为26.0 ℃，总日照时间为1 213 h，供试土壤为[HT5，6SS]土[KG-*3][HT5，6SS]娄土，本研究基于2009年起实施的冬小麦-夏玉米一年两熟制长期定位氮磷施肥试验实施。

供试玉米品种分别为‘郑单958’‘先玉335’‘京科968’和‘陕单609’，田间试验采取品种、施氮量和施磷量三因素裂区设计，夏玉米于2022年6月15日播种，9月30日收获。5个氮肥（N）梯度：0、75、150、225和300 kg/hm2，4个磷肥（P2O5）梯度：0、60、120和180 kg/hm2，即20个施肥处理。设置3次重复。肥料全部基施。种植密度为67 500株/hm2，株距24.7 cm，行距 60 cm。其他田间管理措施同当地大田。

1.2 数据获取与处理

1.2.1 无人机影像获取与处理 本研究使用大疆经纬M300 RTK无人机搭载MicaSense Altum-PT多光谱镜头采集夏玉米拔节期（V6，7月24日）、抽雄期（VT，8月10日）、灌浆期（籽粒水泡期R2，9月1日）和成熟期（R6，9月28日）4个时期的遥感数据，该相机可同时采集6通道（全色、蓝光、绿光、红光、红边、红外）多光谱影像。利用DJI Pilot APP规划航线，制定飞行任务。每次拍摄在晴朗无云天气10：00—12：00进行，无人机飞行高度设定为20 m，航向重叠率为80%，旁向重叠率为75%，每个生育时期的飞行计划和相机设置保持一致。飞行前拍摄校准反射面板，用于无人机影像的辐射校正。

使用Pix4D mapper软件对航拍获得的影像进行辐射校正和图像拼接。采用ArcGIS软件对合成后的可见光（RGB）影像和多光谱（Multi-spectral，MS）影像进行试验区的选择、地图代数运算和分区统计处理。

1.2.2 产量数据获取与处理 在玉米成熟期，每个小区选取行长5 m长势均匀的玉米各3行，统计穗数，在行内选取20个均匀果穗，取3次重复，风干后于室内考种，测定穗粒数和百粒质量，按14%含水量折算籽粒产量[29]。

1.3 植被指数和纹理特征的选取

植被指数（Vegetation index，VI）是两个或多个波段地物反射率的组合运算，以增强植被某一特性或者细节，是作物生长分析的重要参数。本文基于前人研究选取可见光波段构建的归一化红光（r）、归一化绿光（g）、归一化蓝光（b）、绿蓝比指数（GBRI）、红绿比指数（RGRI）、超蓝指数（ExB）、超绿指数（ExG）、超红指数（ExR）、超绿超红差分指数（ExGR）、植被颜色提取指数（CIVE）、植被指数（VEG）、改进型绿红植被指数（MGRVI）、归一化绿红差分指数（NGRDI）、可见光波段差异植被指数（VDVI）、综合指数1（COM1）和综合指数2（COM2）16种可见光植被指数[30-32]；基于多光谱波段构建的耐大气植被指数（ARVI）、差值植被指数（DVI）、增强植被指数（EVI）、绿色归一化差异植被指数（GNDVI）、叶面叶绿素指数（LCI）、归一化差异红边植被指数（NDRE）、归一化差异植被指数（NDVI）、优化的土壤调节植被指数（OSAVI）、比值植被指数（RVI）和土壤调节植被指数（SAVI）10种多光谱植被指数[33-34]进行估测建模，共计26种植被指数。[JP]

纹理特征（Textural features，T）是一种全局特征，反映图像中同质现象的视觉特征，体现物体表面具有缓慢变换或周期性变化的表面组织结构排列属性，对作物产量估测有很高的应用潜力。本研究利用ENVI软件中的灰度共生矩阵（Gray-level co-occurrence matrix，GLCM）提取出每个植被指数的8种纹理特征[35]：对比度（Contrast，CON）、相关性（Correlation，COR）、相异性（Dissimilarity，DIS）、熵（Entropy，ENT）、协同性（Homogeneity，HOM）、均值（Mean，MEA）、二阶矩（Second moment，SEM）和方差（Variance，VAR）。分析窗口尺寸为3×3，空间相关矩阵偏移X和Y默认为1。

使用皮尔逊相关系数法（Pearson Correlation Coefficient，PCC）分析产量与植被指数和纹理特征的相关系数（r），并以其绝对值（|r|）的大小为标准对构建的光谱指数进行变量筛选并排序[36]。

1.4 模型构建

本研究将各个时期植被指数和纹理特征作为输入参数，分别与产量数据进行相关性分析和显著性检验，筛选出最优参数后，选取反向传播神经网络（Back Propagation Neural Network，BPNN）、随机森林（Random Forest，RF）和支持向量机（Support Vector Machine，SVM）3种机器模型进行产量估测。本试验共采集产量数据240个，按3∶1比例划分训练集和验证集，即随机选取其中75%作为建模集，25%作为训练集样本。取各小区植被指数和纹理特征平均值作为建模数据。使用Matlab软件进行数据分析。

1.5 模型精度评价指标

选取决定系数（Coefficient of determination，R2）、均方根误差（Root mean square error，RMSE）和平均绝对误差（Mean absolute error，MAE）评价模型精度。R2用于评价估测值和实测值的拟合程度，其值越接近1则模型拟合效果越好；RMSE用于评价估测值和实测值的偏差程度，其值越小则模型拟合效果越好；MAE用于评价估测值和实测值的实际偏差，其值越小则模型拟合效果越好[5]。

2 结果与分析

2.1 可见光与多光谱植被指数及其纹理特征与玉米籽粒产量的相关性

将各生育时期的植被指数和纹理特征分别与夏玉米产量进行相关性分析。根据皮尔逊相关系数界值表，n=80时，|r|>0.217表示P<0.05水平显著，|r|>0.283表示P<0.01水平显著，|r|>0.357表示P<0.001水平显著。对植被指数筛选发现（表1、表2），玉米V6、VT、R2和R6的植被指数与产量相关系数绝对值|r|> 0.217（P<0.05）的可见光和多光谱植被指数分别为25、24、22和20个，且多光谱植被指数与产量的相关性大于可见光植被指数。4个生育时期与产量相关性最高的植被指数分别为NDRE、NDRE、RVI和GNDVI。以R2时期植被指数与产量相关性最高。

为便于表示，用“_”连接植被指数与纹理特征，如r_CON表示从r植被指数提取的对比度（Contrast，CON）。对可见光和多光谱植被指数的纹理特征筛选发现（图1），可见光纹理特征的在4个生育时期分别以r_MEA、r_MEA、RGRI_MEA和RGRI_COR与产量的相关性最好，|r|介于0.657～0.763；多光谱纹理特征的|r|在4个生育时期分别以NDRE_MEA、ARVI_COR、RVI_MEA和NDRE_VAR相关性最好，|r|介于0.779～0.843，均表现出极显著相关关系（P< 0.001）。通过统计筛选4个生育时期最优可见光与多光谱在的纹理特征类型，以MAE特征频率最高，占比为52.5%，其次是COR特征，占比为15%。

综上，基于多光谱波段构建的植被指数和纹理特征与产量的相关性要优于可见光，纹理特征与产量的相关性略优于植被指数。4个生育时期中以R2时期提取的有关参量与产量的相关性表现最好。

2.2 建模参数的优选

依据皮尔逊相关系数法对特征进行排序，分别针对RGB和MS数据筛选各生育时期相关系数绝对值最高的5个植被指数（VI）和纹理特征（T）作为建模的特征参数，其中VI+T为相对应参数的叠加，形成RGB_VI、RGB_T、RGB_VI+T、MS_VI、MS_T、MS_VI+T 6种参数组合类型（表3）。根据表1、表2和图1结果，筛选的特征参数与在V6、VT、R2、R6 4个生育时期|r|范围表现为RGB_VI：0.627～ 0.659、0.629～0.708、0.616～0.757、0.398～ 0.563；MS_VI：0.722～0.782、0.714～0.821、 0.855～0.878、0.675～ 0.757，RGB_T：0.627～0.657、0.679～0.755、 0.662～0.763和0.503～0.658，MS_T：0.733～0.783、0.798～0.843、 0.862～0.880和0.722～0.779，均表现出极强相关性（P<0.001）。

2.3 基于机器学习的玉米产量预测模型的构建与验证

分别使用BPNN、RF和SVM 3种机器学习方法进行建模和验证（图2、图3和图4），基于不同生育时期估测产量，均以籽粒灌浆期（R2）模型的精度最优；在参数类型选择方面，均以多光谱植被指数与纹理特征叠加（MS_VI+T）类型参数建模与验证精度最高，多光谱纹理特征（MS_T）类型参数次之。结合建模和验证效果，3种机器学习建模方法中以RF的总体建模和验证精度 最优。

基于BPNN模型中，最优模型为MS_VI+T（建模集R2=0.763，RMSE=466.890 kg/hm2，MAE=360.531 kg/hm2;验证集R2=0.864，RMSE=446.387 kg/hm2，MAE=353.725 kg/hm2）。当仅利用单一类型参数建模时，以MS_T模型结果最优（模型R2=0.822，RMSE=482.861 kg/hm2，MAE=386.144 kg/hm2）。相比于MS_VI模型，MS_T模型验证效果R2提升0.002，RMSE降低99.786 kg/hm2，MAE降低78.448 kg/hm2。表明，基于单一纹理特征参数建模效果优于单一植被指数模型。

基于RF模型中，最优模型为MS_VI+T（建模集R2=0.859，RMSE=400.288 kg/hm2，MAE=308.907 kg/hm2;验证集R2=0.900，RMSE=295.291 kg/hm2，MAE=249.082 kg/hm2）。其中，相比于RGB_VI+T模型，MS_VI+T模型验证效果R2提升0.224，RMSE降低344.799 kg/hm2，MAE降低268.906 kg/hm2。由此，基于多光谱参数类型构建的模型优于可见光参数类型的模型。

基于SVM模型中，最优模型为MS_VI+T（建模集R2=0.775，RMSE=506.824 kg/hm2，MAE=346.592 kg/hm2;验证集R2=0.904，RMSE=291.351 kg/hm2，MAE=217.139 kg/hm2）。相比于MS_VI和MS_T模型，MS_VI+T模型验证效果R2提升0.017和0.038，RMSE降低142.053和88.274 kg/hm2，MAE降低112.016和79.655 kg/hm2。因此，融合植被指数与纹理特征参数建模能够提升模型的精度，其中对于植被指数提升空间高于纹理特征参数 模型。

综上，融合植被指数和纹理特征构建的模型较单一类型变量模型的建模与验证精度均有所提升，基于纹理特征构建的产量预测模型的精度总体优于植被指数模型，基于随机森林方法构建模型的精度总体优于反向神经网络和支持向量机方法。综合建模和验证精度，本研究中最优玉米产量预测模型为融合多光谱植被指数和纹理特征的基于随机森林方法在灌浆期（R2）构建的模型。

2.4 玉米产量分布反演

基于筛选的最优玉米产量预测进行产量反演，得到玉米产量示意图（图5）。不同的氮磷水平处理下夏玉米产量存在差异，产量随施氮量的增加呈现先增加后降低的趋势，即N3施肥处理下产量达到最高，且产量随施磷量的增加而增加，在所有处理中产量介于3 709～7 322 kg/hm2，各小区不同品种玉米产量的实际产量和预测产量较为接近。

3 讨 论

3.1 玉米产量预测生育时期选择

遥感信息会随着作物的生长发生变化，本文基于玉米拔节期、抽雄期、灌浆期和成熟期对产量进行遥感估测的精度存在较大差异。玉米苗期（出苗至拔节）根系发展迅速，茎叶生长缓慢，前期地上部长势及遥感信息与产量的相关性较小。穗期（拔节至开花）是营养生长向生殖生长并进的时期，决定穗数，茎节间迅速生长，叶片增长，根系继续扩展，干物质迅速增加，是玉米生长发育最旺盛的阶段。玉米粒期（开花至成熟）以生殖生长为中心，经过开花受精而进入了籽粒产量形成时期，此时主要功能叶片是植株的中上层叶片，是决定粒数和粒质量的重要时期。玉米成熟期中下部叶片会变黄，基部叶片变干枯，会降低利用光谱信息预测的精度。本研究筛选出的玉米最佳预测产量时期是灌浆前期，同前人研究一致[37-38]。作物产量的形成是一个长期不断积累的过程，基于单一的生育时期进行玉米产量预测可能代表性不足，而综合利用多生育时期的信息更能够全面、科学合理地反映产量形成过程，因此，如何综合利用多时相的作物遥感信息进行产量预测，还需有待进一步研究。

3.2 玉米产量预测参数类型的选择

本研究利用无人机搭载的传感器获得田块尺度的可见光和多光谱的影像，对比可见光和多光谱影像产量预测的精度，以多光谱传感器产量预测的精度更高。作物生长状况在可见光（被叶绿素吸收）、近红外（受叶片内部构造影响）[39]和红边波段（植物色素状态）呈现不同特征，而多光谱数据相比于可见光包含的信息更多，能够为产量预测精度的提高提供潜力。通过植被指数单一类型作为参数能够实现产量的预测[40]，但玉米产量和生长过程是多因素共同作用的结果，利用多类型（植被指数+纹理特征）的数据融合进行作物产量估算[41]，能够充分利用不同数据的优点，从而达到提高模型精度和泛化能力。本研究利用多源影像数据计算了植被指数和纹理特征两种参数对作物产量进行预测，其中将植被指数与纹理特征进行参数融合后的模型精度明显高于单一类型参数，与前人研究结果一致[42-44]。多传感器数据融合可以增强光谱信息，提高估产的精度，但精度提高并不明显，且多传感器的数据融合不仅成倍增加了遥感作业的工作量，也增加了设备投入成本，性价比降低[9]。因此相比于融合多传感器数据，可以考虑融合同一传感器的不同特征类型的数据。而作物的图像特征除纹理特征外，还包括能描述图像或图像区域所对应的景物的表面性质的颜色特征、针对物体的外边界图像的轮廓和区域关系的形状区域，以及图像中分割出来的多个目标之间相互的空间关系等特征。因此如何利用有限的光谱信息中获取更多维度的信息，融合更多包含作物信息的辅助特征，从而进一步提高模型精度有待更深入的研究。

3.3 玉米产量预测机器学习方法的选择

机器学习算法可以充分利用遥感信息，在作物监测方面表现出较好应用潜力。但采用算法不同、监测作物种类不同可能导致预测效果存在较大差异[21，23，26，45]。为了探究不同的机器学习算法对产量的预测效果，本研究选择了BPNN、RF和SVM 3种方法用于比较夏玉米产量预测的潜力。基于BPNN模型可以学习和逼近任意复杂的非线性函数关系，较好的并行分布能力，但调参数目过多，因此对结果的解释欠佳[46]；RF模型可以集成多个决策树来减少过拟合，在处理各种类型的数据时，通常具有较高的准确度[18，47]；基于RF模型和SVM模型都能够对数据产生的噪声有较好的鲁棒性，从而减少模型过拟合的风险，但SVM由于需要计算核函数和对参数的设置调节，参数的选择可能对模型的性能产生较大的影响[48]。在本研究中基于RF构建的训练集和测试集模型性能最佳。此外，深度学习算法已逐渐作为估测产量的新方法，其通过捕捉数据中复杂的模式和关系，在自动学习特征和生成可靠的作物产量预测方面具有强大的潜力[49-50]。然而深度学习对数据及算力的要求较高，需要投入大量的人力物力和时间来开发新的算法和模型，相关研究和应用案例还 较少。

本研究期限较短，数据集较小，在后期的研究与应用中还需要更多的数据积累验证与模型优化。面对大尺度产量预测的应用，如何将低空无人机遥感的细致性和高空卫星遥感的宏观性进行结合从而实现不同尺度的作物产量估测还需更多的研究。产量由多因素影响，针对不同品种和气候条件，未来可以考虑进行时序特征分析和动态指数的构建，融合结构特征（株高、叶面积指数等）、生长动态参数（生长速率等）以及土壤、气象等多源数据继续优化模型，构建更加精准和泛化能力强的玉米生长监测与产量预测模型。

4 结 论

本研究基于无人机可见光和多光谱影像分别计算植被指数和纹理特征，并进行了特征融合，丰富了反演建模的维度，利用相关系数筛选夏玉米拔节期、抽雄期、灌浆期、成熟期最优建模参数，比较BPNN、RF和SVM 3种机器学习对夏玉米产量预测的差异。相比于单一维度参数建模，将植被指数与纹理特征融合建模预测效果更佳，且基于多光谱数据构建的模型优于可见光，基于多光谱植被指数与纹理特征（MS_VI+T）的组合作为最佳建模参数。筛选最佳估产时期为夏玉米灌浆期（R2），以RF方法建模精度最好。通过多源数据的对比分析以及融合多特征数据和采用机器学习方法能够较好地实现夏玉米产量预测。

参考文献 Reference：

［1］WART V J，KERSEBAUM C K，PENG S，et al.Estimating crop yield potential at regional to national scale[J].Field Crops Research，2013，143：34-43.

[2]MUELLER N D，GERBER J S，JOHNSTO M，et al.Closing yield gaps through nutrient and water management[J].Nature，2012，490 （7419）：254-7.

[3]DENG L，MAO Z，LI X，et al.UAV-based multispectral remote sensing for precision agriculture：a comparison between different cameras [J].ISPRS Journal of Photogrammetry and Remote Sensing，2018，146：124-136.

[4]MESHESHA T D，ABEJE M.Developing crop yield forecasting models for four major Ethiopian agricultural commodities [J].Remote Sensing Applications：Society and Environment，2018，11：83-93.

[5]徐云飞，程 琦，魏祥平，等.变异系数法结合优化神经网络的无人机冬小麦长势监测[J].农业工程学报，2021， 37（20）：71-80.

XU Y F，CHENG Q，WEI X P，et al.Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network[J].Transactions of the Chinese Society of Agricultural Engineering，2021， 37（20）：71-80.

[6]CHIRANJIT S，CHANDRA K S.Rice crop growth monitoring with sentinel-1 SAR data using machine learning models in google earth engine cloud[J/OL].Remote Sensing Applications：Society and Environment，2023，32：1-2.https：//doi.org/10.1016/j.rsase.2022.101029.

[7]齐文栋，何黎明，王安鹏，等.低温冷害胁迫下的多熟水稻产量遥感监测[J].遥感技术与应用，2023，38（3）：558-565.

QI W D，HE L M，WANG A P，et al. Remote sensing monitoring of yield loss of multiple cropping paddy caused by low temperature [J].Remote Sensing Technology and Application，2023，38（3）：558-565.

[8]ZHOU J，KHOT R L，BOYDSTON A R，et al. Low altitude remote sensing technologies for crop stress monitoring：a case study on spatial and temporal monitoring of irrigated pinto bean[J].Precision Agriculture，2018，19（3）555-569.

[9]宋成阳，耿洪伟，费帅鹏，等.基于多源数据的小麦品种产量估测研究[J].光谱学与光谱分析，2023，43（7）：2210-2219.

SONG CH Y，GENG H W，FEI SH P，et al. Study on yield estimation of wheat varieties based on multi-source data [J].Spectroscopy and Spectral Analysis，2023，43（7）：2210-2219.

[10] QU G，SHUAI Y，SHAO C，et al.County scale corn yield estimation based on Multi-Source Data in Liaoning province[J].Agronomy，2023，13（5）：1428.

[11]CHENG T，YANG Z，INOUE Y，et al.Preface：recent advances in remote sensing for crop growth monitoring[J].Remote Sensing，2016，8（2）：116.

[12]BO D，SHENGHUI F，YAN G，et al.Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone[J/OL].Field Crops Research，2021，267：1-11.https：//doi.org/10.1016/j.fcr.2021.108148.

[13]孙 阳，吴 琼，马 钢.基于无人机影像的农作物生长反演方法及应用[J].测绘与空间地理信息，2021，44（9）：165-166，170.

SUN Y，WU Q，MA G.Crop growth inversion method and application based on UAV image[J].Geomatics & Spatial Information Technology，2021，44（9）：165-166，170.

[14]LEW T T S，SAROJAM R，JANG izT08UK0ApBZzUk6P24gtIvg6G+dUZc5vEz8Vk9VM50=I C，et al. Species-independent analytical tools for next-generation agriculture.[J].Nature Plants，2020，6（12）：1408-1417.

[15]FUHONG C，WEN L，WUXIONG S，et al.A mobile device-based imaging spectrometer for environmental monitoring by attaching a lightweight small module to a commercial digital camera[J/OL].Scientific Reports，2017， 7（1）：1-9.doi：10.1038/s41598-017-15848-x.

[16]KEITA H，NAOTO O，MOTOKI H，et al.High-dynamic-range spectral imaging system for omnidirectional scene capture[J].Journal of Imaging，2018，4（4）：53.

[17]TEAL K R，TUBANA B，GIRMA K，et al.In-season prediction of corn grain yield potential using normalized difference vegetation index[J].Agronomy Journal，2006，98（6）：1488-1494.

[18]王晶晶，李长硕，卓 越，等.基于多时相无人机遥感生育时期优选的冬小麦估产[J].农业机械学报，2022，53（9）：197-206.

WANG J J，LI CH SH，ZH Y，et al.Yield estimation of winter wheat based on optimization of growth stages by multi-temporal UAV remote sensing[J].Transactions of the Chinese Society for Agricultural Machinery，2022， 53（9）：197-206..

[19]穆 军，许 可，钟曼丽，等.基于CiteSpace的农作物遥感估产知识图谱分析[J].现代农业装备，2020，41（2）：41-48.

MU J，XU K，ZHONG M L，et al.Knowledge structure analysis of crop yield estimation using remote sensing based on citespace [J].Modern Agricultural Equipment，2020，41（2）：41-48.

[20]祁佳峰，刘 笑，杜文玲，等.基于无人机高清影像的棉花单产预测[J].棉花学报，2022，34（4）：286-298.

QI J F，LIU X，DU W L，et al.Cotton yield estimation based on UAV high-resolution images [J].Cotton Science，2022，34（4）：286-298.

[21]严海军，卓 越，李茂娜，等.基于机器学习和无人机多光谱遥感的苜蓿产量预测[J].农业工程学报，2022，38（11）：64-71.

YAN H J，ZHUO Y，LI M N，et al.Alfalfa yield prediction using machine learning and UAV multispectral remote sensing[J].Transactions of the Chinese Society of Agricultural Engineering，2022，38（11）：64-71.

[22]邵亚杰，汤秋香，崔建平，等.融合无人机光谱信息与纹理特征的棉花叶面积指数估测[J].农业机械学报，2023， 54（6）：186-196.

SHAO Y J，TANG Q X，CUI J P，et al. Cotton leaf area index estimation combining UAV spectral and textural features [J].Transactions of the Chinese Society for Agricultural Machinery，2023，54（6）：186-196.

[23]ENHUI C，BING Z，DAILIANG P，et al.Wheat yield estimation using remote sensing data based on machine learning approaches[J/OL].Frontiers in Plant Science，2022，13：1-16.https：//doi.10.3389/fpls.2022.1090970.

[24]JOHNSON D M，HSIEH W W，CANNON J A，et al.Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods[J].Agricultural and Forest Meteorology，2016，218：74-84.

[25]WENGANG Z，XIN G，LI H，et al.Comprehensive review of machine learning in geotechnical reliability analysis：Algorithms，applications and further challenges[J/OL].Applied Soft Computing Journal，2023，136：1-18.https：//doi.org/10.1016/j.asoc.2023.110066.

[26]竞 霞，张 杰，王娇娇，等.水稻产量遥感监测机器学习算法对比[J].光谱学与光谱分析，2022，42（5）：1620-1627.

JING X，ZHANG J，WANG J J，et al. Comparison of machine learning algorithms for remote sensing monitoring of rice yields [J].Spectroscopy and Spectral Analysis，2022，42（5）：1620-1627.

[27]于海洋，陈圣波，杨北萍，等.基于遗传算法优化BP神经网络的玉米遥感估产方法[J].世界地质，2020，39（1）：208-214.

YU H Y，CHEN SH B，YANG B P，et al.Method of remote sensing estimation of corn yield based on genetic algorithm optimized BP neural network [J].Global Geology，2019，39（1）：208-214.

[28]ALEXIS P，L W M C，YANG C.Evaluation of random forests （RF） for regional and local-scale wheat yield prediction in southeast Australia[J].Sensors，2022，22（3）：717-717.

[29]刘 苗.不同水平氮磷配施对夏玉米产量和养分利用的影响[D].陕西杨凌：西北农林科技大学，2022.

LIU M.Effects of different nitrogen and phosphorus application rate on yield，nutrient uptake and utilization of summer maize [D].Yangling Shaanxi：Northwest A&F University，2022.

[30]王嘉盼，武红旗，王德俊，等.基于无人机可见光影像与生理指标的小麦估产模型研究[J].麦类作物学报，2021， 41（10）：1307-1315.

WANG J P，WU H Q，WANG D J，et al.Research on wheat yield estimation model based on UAV visible light image and physiological index [J].Journal of Triticeae Crops，2021，41（10）：1307-1315.

[31]范军亮，王 涵，廖振棋，等.基于纹理-颜色特征与植被指数融合的冬小麦LAI估测[J].农业机械学报，2023， 54（7）：347-359.

FAN J L，WANG H，LIAO ZH Q，et al.Winter wheat LAI estimation based on texture-color features and vegetation indices [J].Transactions of the Chinese Society for Agricultural Machinery，2023，54（7）：347-359.

[32]JOYCY S J，PRABAVATHY K A.Survey on automatic segmentation of relevant textures in agricultural images[J].Digital Image Processing，2012，4（3）：123-129.

[33]张 通，金 秀，饶 元，等.基于无人机多光谱的大豆旗叶光合作用量子产量反演方法[J].农业工程学报，2022，38（13）：150-157.

ZHANG T，JIN X，RAO Y，et al.Inversing photosynthesis quantum yield of the soybean flag leaf using a UAV-carrying multispectral camera [J].Transactions of the Chinese Society of Agricultural Engineering，2012， 38（13）：150-157.

[34]敖 登，杨佳慧，丁维婷，等.54种植被指数研究进展综述[J].安徽农业科学，2023，51（1）：13-21，28.

AO D，YANG J H，DING W T，et al.Review of 54 vegetati on indices [J].Journal of Anhui Agricultural Sciences，2023，51（1）：13-21，28.

[35]YUAN L，CHENWEI N，ZHEN Z， et al. Evaluating how lodging affects maize yield estimation based on UAV observations[J/OL].Frontiers in Plant Science，2023，13：1-16.https：//doi：10.3389/fpls.2022.979103.

[36]杜菲菲，安慧君，李贺新.应用光谱指数和机器学习反演紫丁香叶片的叶绿素面密度[J].东北林业大学学报，2024，52（2）：75-83.

DU F F，AN H J，LI H X.Inversion of chlorophyll contents in syringe oblata leaves using spectral index and MPA-TSVR [J].Journal of Northeast Forestry University，2024，52（2）：75-83.

[37]叶 强，杨凤海，刘焕军，等.引入地形特征的田块尺度玉米遥感估产与空间格局分析[J].科学技术与工程，2021， 21（24）：10215-10221.

YE Q，YANG F H，LIU H J，et al.Maize yield estimation and spatial pattern analysis based on topographic features by remote sensing at the field scale [J].Science Technology and Engineering，2021，21（24）：10215-10221.

[38]马冠南，丁春雨.基于植被指数和最优物候期的玉米产量预测研究[J].农业与技术，2017，37（9）：17-18，25.

MA G N，DING CH Y.Prediction of maize yield based on vegetation index and optimal phenological period [J].Agriculture and Technology，2017，37（9）：17-18，25.

[39]张芳毓，谭永毅，聂 婧，等.无人机多光谱在农业中的应用[J].智慧农业导刊，2022，2（24）：11-13.

ZHANG F Y，TAN Y Y，NIE J，et al. Application of UAV multi-spectrum in agriculture [J].Journal of Smart Agriculture，2022，2（24）：11-13.

[40]韩文霆，彭星硕，张立元，等.基于多时相无人机遥感植被指数的夏玉米产量估算[J].农业机械学报，2019，51（1）：148-155.

HAN W T，PENG X SH，ZHANG L Y，et al.Summer maize yield estimation based on vegetation index derived from multi-temporal UAV remote sensing [J].Transactions of the Chinese Society for Agricultural Machinery， 2019，51（1）：148-155.

[41]刘欣谊，仲晓春，陈 晨，等.利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测[J].麦类作物学报，2020，40（8）：1002-1007.

LIU X Y，ZHONG X CH，CHEN CH，et al. Prediction of wheat yield using color and texture feature data of UAV image at early growth stage [J].Journal of Triticeae Crops，2020，40（8）：1002-1007.

[42]QUAN W，ANDIKA N P，YI G，et al.Combining both spectral and textural indices for alleviating saturation problem in forest LAI estimation using Sentinel-2 data[J].Geocarto International，2022，37（25）：10511-10531.

[43]贾 丹，陈鹏飞.低空无人机影像分辨率对冬小麦氮浓度反演的影响[J].农业机械学报，2020，51（7）：164-169.

JIA D，CHEN P F.Effect of low-altitude UAV image resolution on inversion of winter wheat nitrogen concentration[J].Transactions of the Chinese Society for Agricultural Machinery，2020，51（7）：164-169.

[44]JIAYI Z，XIAOLEI Q，YUETING W，et al.Combining texture，color，and vegetation indices from fixed-wing UAS imagery to estimate wheat growth parameters using multivariate regression methods[J/OL].Computers and Electronics in Agriculture，2021，185：1-14.https：//doi.org/101016/j.compag.2021.106138.

[45]崔孟然.基于机器学习的马铃薯产量高光谱估算[D].呼和浩特：内蒙古农业大学，2022.

CUI M R.Machine learning based hyperspectral estimation of potato yield[D].Hohhot：Inner Mongolia Agricultural University，2022.

[46]乐夏唯.基于机器学习的倾斜基板激光增材制造工艺优化研究[D].江苏徐州：中国矿业大学，2023.

LE X W.Optimisation of laser additive manufacturing process for inclined substrates based on machine learning [D].Xuzhou Jiangsu ：China University of Mining and Technology，2023.

[47]JEONG H J，RESOP P J，MUELLER D N，et al. Random forests for global and regional crop yield predictions.[J].PLoS One，2017，11（6）：e0156571.

[48]LIU H，SHI T，CHEN Y，et al.Improving spectral estimation of soil organic carbon content through semi-supervised regression[J].Remote Sensing，2017，9（1）：29-29.

[49]DILLI P，ALLARD W D，HENDRIK B，et al. Interpretability of deep learning models for crop yield forecasting[J/OL].Computers and Electronics in Agriculture，2023，206：1-14.https：//doi.org/10.1016/j.compay.2023.107663.

[50]S K M，TIMOTHY D，MBULISI S，et al. Fine-scale characterization of irrigated and rainfed croplands at national scale using multi-source data，random forest，and deep learning algorithms[J].ISPRS Journal of Photogrammetry and Remote Sensing，2023，204：117-130.

Remote Sensing Estimation for Maize Yield Integrating Spectral and Texture Features

MA Yuanhua， WANG Leyin， ZHANG Zhenxin， ZHENG Dasheng， YE Yulan，CUI Zhifeng， DU Bingxiao， CUN Yujie， LI Jun and WANG Rui

（College of Agronomy，Northwest A&F University，Yangling Shaanxi 712100，China）

Abstract This study investigates the integration of spectral and texture features for pridicting maize yield using remote sensing techniques.Visible light and multispectral images captured by drone were obtained at four key growth stages of summer maize：jointing， tasseling， filling， and maturity.Vegetation indexes and texture feature parameters were extracted and used to formulate spectral and texture feature fusion variables.Three machine learning methods（a back propagation neural network， a random forest， and a support vector machine）were employed to develop predictive models for predicting maize yield.The results showed that the accuracy of maize yield prediction models incorporating both spectral and texture feature fusion was superior to that of models using only spectral or texture features.Among the three machine learning methods， the random forest yielded the best maize prediction model.Among the four growth stages， the model for the filling stage （blister） had the highest accuracy.An overall evaluation of the results showed that the model obtained using the fused vegetation indexes and texture feature variables extracted from the multispectral images using the random forest method predicted maize yield with the highest accuracy.The fusion of multiple remote sensing features and the application of machine learning methods allow the extraction and utilization of more information， thereby improving the accuracy and robustness of yield prediction.

Key words Maize; UAV remote sensing; RGB; Multi-spectral; Vegetation index; Texture features; Yield

Received 2023-10-16 Returned 2024-01-21

Foundation item Natural Science Basic Research Program of Shaanxi Province（No.2023-JC-QN-0192）.

First author MA Yuanhua，female，master student.Research area：crop monitoring by remote sensing.E-mail：1162392907@qq.com

Corresponding author WANG Rui， male， associate professor， master supervisor.Research area：crop monitoring by remote sensing.E-mail：rico@nwafu.edu.cn

（责任编辑：史亚歌 Responsible editor：SHI Yage）

基金项目：陕西省自然科学基础研究计划（2023-JC-QN-0192）。

第一作者：马元花，女，硕士研究生，研究方向为作物遥感监测。E-mail：1162392907@qq.com

通信作者：王 瑞，男，副教授，硕士生导师，研究方向为作物遥感监测。E-mail：rico@nwafu.edu.cn