基于无人机高光谱影像的田块尺度玉米估产与生育时期优选

摘要：为实现东北黑土区田块尺度上玉米产量的精准估算与生育时期优选，本研究以我国东北黑土区的春玉米为研究对象，选取吉林省梨树县的长期定位玉米试验田，于2019、2020年利用无人机采集玉米3个关键生育时期（拔节期、吐丝期、成熟期）的冠层高光谱影像，选取10种与产量显著相关的窄波段植被指数，并结合作物农学参数与施肥信息，分别采用逐步回归、随机森林（RF）和极度梯度提升树（XGBoost）算法构建玉米产量估算模型。最后通过决定系数（R2）、均方根误差（RMSE）和归一化均方根误差（NRMSE）对产量模型进行精度评价，以筛选出最优估产模型。结果表明：3种产量预测模型中XGBoost模型估算精度较优，其2019年吐丝期的R2、RMSE 和NRMSE 分别为0.93、1 054.17 kg·hm-2和11.68%。同时，3种模型均表现为在吐丝期估算精度最优，最佳模型——2019年吐丝期的XGBoost模型中用于玉米产量估算的指示因子——植被指数R-M、作物农学参数与施肥信息的特征重要性分别为19.72%、4.70%、62.41%。研究表明，结合无人机影像与机器学习算法并融合多源辅助信息可提高田块尺度玉米产量的估算精度，为农业生产中的作物产量精准预估提供数据支撑与科学参考。

关键词：无人机；高光谱影像；田块尺度；玉米；产量；机器学习

中图分类号：S513；S127 文献标志码：A 文章编号：2095-6819（2025）01-0079-11 doi： 10.13254/j.jare.2023.0634

我国作为世界农业大国之一，拥有2亿～3亿的小型农户家庭[1]，在数量和面积有限的耕地上确保粮食安全并实现农业可持续发展具有重要意义。东北黑土区作为我国重要的粮食生产优势区及商品粮供给地，也是小型农户的集中分布区，其土壤养分含量丰富，物理性状优良。春玉米是东北黑土区的主要粮食作物之一，每年玉米产量占全国总产量的1/4，黑土区的玉米产量直接影响到我国东北“粮仓”的安全问题[2]。因此，及时准确地预估东北黑土区田块尺度的玉米产量对于优化农田管理方式、保障国家粮食安全等具有重要指导意义。

玉米产量的传统估算方法多采用实地采样法，其费时、费力，且具有破坏性，难以由单点扩大到区域尺度。遥感技术具有监测面积大、动态、快速等优势，在农作物精准估产方面逐渐得到广泛应用。其中无人机因分辨率高、时效性强，弥补了卫星重访周期长、易受天气干扰等不足，近几年在对田间作物长势的监测中效果较好，已被广泛应用于对多种作物如玉米[3]、水稻[4]等的长势监测与产量估算中。无人机遥感平台搭载的传感器目前多为RGB数码相机、热红外、多光谱和高光谱相机等，其中高光谱遥感操作简单方便，可实时进行大面积监测，使得目标物的光谱信息可被有效获取与精细表达，有望进一步提高作物产量的估算精度[5]。但是，由于高光谱影像的数据量巨大，目前采用何种模型方法可有效挖掘其中隐藏的光谱特征，以表征作物在不同生长阶段的生理特征状况，并选择合适的生育期提前预估其产量信息，仍具有一定的挑战。

近年来，植被指数已被广泛用于对作物长势监测、产量预测等领域[6-7]。其中，基于可见光和近红外波段的植被指数应用最为广泛[8]，如归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）和增强型植被指数（Enhanced Vegetation Index，EVI）等[9]。随着高光谱遥感技术的发展，窄波段植被指数逐渐被开发并应用于对植被状况的监测中，且表现得比宽波段植被指数更为敏感。例如，Marshall等[10]比较了宽波段植被指数和窄波段植被指数在估算作物生物量中的表现，结果表明窄波段植被指数可以解释的作物变异情况比宽波段植被指数多3%～33%。然而，窄波段植被指数在对东北黑土区玉米产量估算中的表现尚不清楚。

国内外很多学者尝试利用多种模型进行作物产量的精确估算，常见的有多元线性回归（Multiple LinearRegression，MLR）[11]、偏最小二乘回归（Partial LeastSquares Regression，PLSR）[12]等经典统计模型和支持向量机（Support Vector Machines，SVM）[13]、随机森林（Random Forest，RF）[14]等机器学习模型。目前应用线性模型的研究较为广泛，如韩文霆等[15]采用牛顿-梯形积分和最小二乘法构建了夏玉米产量的6种线性模型，最优估算精度达到R2=0.80，RMSE=413.29 kg·hm-2。但是，由于作物产量与指示因子的关系未必均表现为线性，因此近年来非线性模型方法也开始受到研究者的关注。如申洋洋等[16]利用72种植被指数建立多种冬小麦产量的估算模型，发现RF模型的估算精度优于逐步多元线性回归（Stepwise Multiple LinearRegression，SMLR）和PLSR模型。

由于各地的作物品种、地形和气候等条件不尽相同，田间轮作与间作方式复杂多样，我国农田土壤在一定范围内又表现出高度的空间异质性，因此探讨结合田间管理等信息的产量估算预期可提升对作物产量的估算精度。Zhang等[1]通过由卫星遥感影像提取的植被指数，结合地表温度、累积降水和标准化降水指数，构建估产模型，并确定了输入变量的最优组合和玉米产量估算的最佳方法。张少华等[17]基于温度参数、坡度信息和植被指数等多模态数据构建小麦的估产模型，发现多种数据相融合的模型估算效果更优。相关研究表明，在提取植被指数的同时，加入一些作物辅助信息或可提高对作物产量的估算精度。然而，目前在田块尺度将土壤属性、植株特征及农田管理措施等因素加入产量估算模型，以提高作物产量估算精度的研究还鲜有报道。

综上，本研究以位于吉林省梨树县不同施氮处理的玉米试验田为研究区，基于在玉米关键生育时期采集的无人机高光谱影像，利用提取的多种窄波段植被指数，并融入植株长势、施肥处理等辅助信息，采用线性模型（SMLR）与机器学习模型（RF，XGBoost）构建产量估算模型，最终实现对东北黑土区田块尺度上玉米产量的精准估算与预估生育时期优选。本研究结果可为精准农田养分管理与产量预测提供基础数据与技术支持，为保护黑土地资源及保障国家粮食安全提供决策信息。

1 材料与方法

1.1 研究区概况与试验设计

梨树县（123°45′～124°53′E，43°02′～43°46′N）隶属于吉林省四平市，地势东南高、西北低。该县域属北温带半湿润大陆季风性气候，四季分明，雨热同季，作物生长期日照、降水较充足，年均日照时数2 644.2h，其中作物生长季节为4—9 月，平均日照8 h。试验于2019、2020 年在吉林省四平市梨树县（图1）的付家街（b）、王家桥（c）和三棵树（d）3个小区进行，其土壤类型分别为砂土、冲积土和黏土。2019及2020年当地玉米生育期（5月1日—10月1日）的平均气温和总降水量分别为20.62°、15.53 ℃和2 951、585.4 mm。如图1所示，3个试验地分别包含有15个小区，每个小区的面积为60 m2（10.0 m×6.0 m），每两个小区间的沟距为0.6 m。3个试验地共设5个施氮水平（0 N：0 kg·hm-2，168 N：168 kg·hm-2，240 N：240 kg·hm-2，270 N：270 kg·hm-2，312 N：312 kg·hm-2）（图1），其中氮肥一半基施，一半追施；磷肥[Ca（H2PO4）2 ]与钾肥（K2SO4）作为基肥一次性施用，磷肥与钾肥分别施用P2O5 100kg·hm-2和K2O 120 kg·hm-2；追肥在拔节期施于距垄约15 cm、深0～10 cm 的土层中。本试验中各小区玉米供试品种均为良玉99，遗传性状及指标相同，种植密度为每公顷65 000株，且未采取灌溉措施，未喷洒农药。

1.2 植株样品的采集与测定

为测定不同生育时期植株的全氮含量、株高、鲜质量、干质量，保证田间采集的数据均匀且具代表性，分别于3个关键生育时期在各小区中心1 m2 区域内任意取3株玉米（图2），取上述各指标的平均值作为一组数据，共获得270个小区样本。其中，叶片的全氮含量用KDY-9 820型凯氏定氮仪测量[4]；株高为从地表到顶叶的距离，对整个植株样本称量，得到鲜质量，在80 ℃烤箱中烘干至恒质量，称量得干质量。于成熟期测产，将玉米棒脱粒晒干至恒质量，然后根据各小区的平均产量与作物种植密度计算各小区的产量，共获取90组产量数据。

1.3 无人机影像的采集与预处理

无人机飞行试验在天气晴朗、无风无云的环境下进行，分别于2019年6月23日、8月1日和9月28日，及2020年6月28日、8月14日和9月24日的10：00—15：00使用大疆S1 000六旋翼无人机，并搭载CubertGmbH 公司的UHD 185 传感器进行影像的采集（图3）。飞行高度为100 m，旁向重叠度与航向重叠度分别为60%、80%。采用画幅式实时成像光谱仪生成影像，空间分辨率是5 cm，光谱范围450～920 nm，带宽4nm，光谱通道126个。光谱仪镜头为聚焦25 mm，对应的视场角约为13°。

本研究采集并拼接1 809张高光谱图像，获得影像后采用Agisoft Photoscan Pro软件进行图像排列、密集点云构建、正射影像生成等操作。然后，利用ENVI5.1软件中的FLAASH（Fast Line-of-sight-AtmosphericAnalysis of Spectral Hypercubes）模块进行大气校正，从而消除部分误差。在ArcGIS 10.6 软件中均匀选取30个地面控制点对影像进行几何精准校正，使均方根误差（RMSE）均小于0.5个像元。

1.4 指示因子的选取

根据文献查询结果，初步选取43种可表征玉米产量的窄波段植被指数，经与各小区的产量实测值进行相关分析，最终确定10种与产量显著相关的窄波段植被指数（表1）。另外，同时选取相关植株特征（植株全氮、株高、鲜质量、干质量）及施肥信息作为产量的估算指标，加入后续产量估算模型，并对所有数据集进行离差标准化处理。

1.5 玉米产量的估算模型

为了比较不同生育时期玉米产量的估算效果，本研究分别建立了2019年和2020年拔节期、吐丝期、成熟期及全生育期的玉米产量估算模型。按7∶3的比例将数据全集分为训练和测试数据集，分别采用逐步回归、随机森林和XGBoost模型对付家街、王家桥和三棵树村的玉米产量进行估算。上述所有模型均在R软件中实现。

1.5.1 逐步回归模型

逐步回归模型是作物生理参数反演的常用方法，先从各变量中自动选取相对最重要的变量，由大到小依次引入回归方程，每引入一个解释变量，同时对剩余变量进行检验，去除不显著的自变量，多次重复操作，直至建立最优多元线性回归方程[28]。

1.5.2 随机森林模型

随机森林（RF）是一套基于决策树分类器的融合算法，利用Bootstrap 重抽样方法从原始样本数据集中重复随机抽取多个样本，对每个Bootstrap样本数据采用完全分裂方式构建决策树，然后将决策树中出现的最佳结果作为最终预测结果[29]。

1.5.3 XGBoost模型

XGBoost是一种梯度提升树模型，与独立训练每棵树的RF 模型不同，XGBoost 通过优化损失函数和复杂度来改进目标优化函数，可以防止过度拟合，在采样点稀疏的情况下也能做出稳定的预测[30]。

1.6 指示因子的重要性评价

特征重要性指变量对模型拟合精度贡献率的大小，值越大表示越重要，比如在RF模型中，其特征重要性为相对重要性，总和为1[31]。RF模型可以根据验证集的预算误差对各指示因子的相对重要性进行排序，其计算公式如下：

2 结果与分析

2.1 指示因子与产量的相关性分析

在玉米关键生育时期将光谱指数、作物农学参数、土壤属性和施肥等指示因子与产量进行相关性分析，并绘制相关性热图（图4）。由此筛选得出12个与产量显著相关的指示因子，分别包括10种植被指数、施肥量和株高，因有机质等土壤属性与产量均表现为不显著相关，故其不再参与后续的模型构建。如图4所示，本试验所选指示因子在各生育时期均与产量呈显著相关（Plt;0.05）。在2019年拔节期，施肥、Maccioni与产量的相关系数最高，分别为0.76、0.54（Plt;0.001），2019年吐丝期、成熟期及2020年拔节期、吐丝期各因子均与产量表现为显著相关（Plt;0.01），2020年成熟期，除NDI、R-M、VOG外，其他因子亦均与产量呈显著相关关系（Plt;0.01）。总体上，施肥与玉米产量的相关性最强；在吐丝期各指示因子与产量的相关性相对较强。

2.2 玉米产量估算模型的构建与验证

本研究通过逐步回归、RF、XGBoost 模型，基于2019年和2020年获取的玉米冠层光谱指数、作物农学参数、施肥，构建了玉米3个关键生育时期及全生育期的产量估算模型，各预测模型在不同生育时期的精度评价结果如表2 所示。XGBoost 模型在2019年吐丝期估算结果最佳，R2 和RMSE 分别为0.93、1 054.17 kg·hm-2；RF模型对2019年成熟期的估算精度最高，R2是0.90，RMSE 是1 123.63 kg·hm-2；逐步回归模型最佳估算结果在2020年吐丝期，其R2和RMSE分别为0.88、1 354.73 kg·hm-2。综合两年数据来看，XGBoost 模型表现最佳，逐步回归与RF 模型的精度略低，但也可满足对产量估算的精度要求。

为了验证玉米产量的估算精度，本研究利用最佳产量估算模型（XGBoost）数据验证集，得到不同生育时期玉米产量实测值与预测值的散点图（图5）。如图5 所示，2019 年吐丝期的产量估算结果最佳（R2=0.93，RMSE=1 054.17 kg · hm-2，NRMSE=11.68%）；2020年吐丝期和成熟期估产精度相似，均明显高于拔节期。两年均表现为在吐丝期玉米产量的估算精度达到最高。此外，2019、2020年全生育期三个模型的R2 处于0.71～0.81 之间，RMSE 处于1 603.34～4 948.33 kg·hm-2，NRMSE 处于18.14%～55.99%。兼顾时效性与经济性，推荐将吐丝期作为玉米产量预测的最佳时期。

2.3 各指示因子的重要性评分

本研究选取在各生育时期产量估算精度最佳的XGBoost模型进行指示因子相对重要性评分的计算，并将模型中各指示因子的相对重要性进行统计，结果如图6所示。由图6可见，在3类指示因子中，不同生育时期的植被指数、株高、施肥与玉米产量的相关性略有不同。在2019 年各生育时期和2020 年全生育期，均表现为施肥对估产模型的贡献率最高。总体上，施肥、株高、Maccioni 3个指示因子的特征重要性评分最高。施肥对产量估算模型的贡献率在2019年拔节期最高，为68.16%；株高的贡献率在2020年成熟期达到最高，为41.47%；植被指数Maccioni 在2020年吐丝期对产量估算模型的贡献率最高，为60.14%。2019年吐丝期的XGBoost模型中用于玉米产量估算的指示因子——植被指数R-M、作物农学参数与施肥信息的特征重要性分别为19.72%、4.70%、62.41%。

3 讨论

遥感技术凭借高效、无损、监测范围大等特点，在农作物估产方面表现突出，已成为精准农业的研究热点。本研究选取高光谱影像作为数据源，探讨结合施肥、作物农学参数等指标对玉米产量估算精度的影响，并对比了线性模型与机器学习模型在产量估算中的适用性。现阶段大多研究利用卫星遥感技术进行产量预估，但因其空间分辨率较低，只适用于大范围测产，在小区域监测应用中效果并不理想。无人机兼具高效和高空间分辨率等特点，为快速、精准估测作物产量提供了新的手段和途径。本研究利用无人机平台搭载高光谱相机获取玉米在不同生育时期的影像数据，具有快速、精准等优点，这表明通过无人机高光谱影像进行估产具有优势和潜力。韩文霆等[15]基于多时相无人机遥感植被指数构建夏玉米产量估算的6种线性模型，单一生育时期中，表现最优的植被指数为EVI2（R2=0.72，RMSE 为485.46 kg·hm-2）。本试验采用逐步回归模型进行玉米产量估算，其中单生育时期的最佳估算精度为R2=0.88，RMSE=1 354.73kg·hm-2，NRMSE=15.96%。目前研究中现有的产量估算模型多采用光谱信息、结构信息、纹理信息和气象信息中的一种或多种组合估算作物产量[33]。张少华等[17]利用多光谱遥感数据，通过多模态数据相互融合并建立小麦的估产模型，结果表明将开花期温度参数、坡度信息和植被指数相融合的RF模型估算效果最好（R2=0.89，RMSE=420.06 kg·hm-2）；Zhang 等[1]结合卫星衍生气候数据以及植被指数，利用深度学习方法构建玉米产量估算模型，解释了70%的产量变化，这些研究表明在提取植被指数的同时融入某些相关辅助信息或可提高对作物产量的估算精度。因此，本研究尝试结合植被指数与作物农学参数、施肥等信息进行田块尺度玉米产量的估算，以期提高对作物产量的估算精度。

作物的光谱反射率随生育时期的变更而有所变化，基于波段计算的植被指数能间接反映作物在不同生育时期内的生长状态；在不同生育时期植株的全氮、鲜质量、干质量、株高都有明显变化，作物各器官的发育均影响玉米的最终产量；在相似的地力条件下，不同的施肥管理措施对作物产量具有较强影响。由于各生育时期内玉米的生长状态不同，这些指标也随之变化，因此基于各生育时期生成产量估算模型的精度也各不相同。拔节期为玉米的主要营养生长阶段，其特征暂时还不明显，不能完全反映后期产量器官的发育状况，模型估算精度一般较低；吐丝期是玉米由营养生长转为生殖生长的关键时期，所需养分较多，干物质积累最快，一般此时玉米单生育时期的估产预算模型精度较高；在成熟期，营养物质向籽粒转移，叶绿素含量下降，通过影像提取的植被指数与作物产量的相关性降低[15]，而部分作物农学参数与产量的相关性上升，所以在此生育时期的估产模型还需要综合多因素来考量，以期达到较优的预估效果。本研究结果表明，整体上吐丝期的估产效果表现最优，此外，与拔节期和成熟期相比，全生育期的模型精度相对较低。这是由于2019 年和2020年当地玉米受到样本数量、人为因素及异常气候条件如台风、强降雨、高温等因素影响，严重影响玉米生长，导致产量估算精度未达到预期效果。

为了更好地探讨不同模型对玉米产量的估算效果，本研究基于光谱指数、作物农学参数和施肥信息建立逐步回归、RF和XGBoost 3种模型，并比较其对估算玉米产量的性能表现，结果表明机器学习算法要优于线性回归模型，这与Leroux等[34]的研究结果相一致。逐步回归模型虽可以描述变量与产量的线性关系，但会受到较多限制因素的影响，比如自变量之间的多重共线性，以及大多数自变量与产量间并非单纯的线性关系，易造成估产模型的精度不高等问题[35]。RF 模型善于处理具有复杂非线性关系的数据，使产量模型的估算能力增强，且RF 模型训练速度快，可以处理高维度数据，具有较高的准确性与稳定性。本研究综合模型评价结果表明，XGBoost模型更适用于对田块尺度玉米产量的估算，其模型估算最优结果为R2=0.93，RMSE=1 054.17 kg·hm-2，表明其在融合多种辅助信息进行作物产量估算方面具有很大优势，或可考虑作为田块尺度玉米产量估算的有效方法。基于无人机高光谱影像并结合田间辅助信息，且采用合适的机器学习方法，可以精准、高效地对田块尺度的作物产量进行估算。

4 结论

本研究基于在玉米关键生育时期获取的无人机高光谱影像，通过逐步回归、RF和XGBoost模型将植被指数、作物农学参数和施肥信息相结合以进行田块尺度上玉米产量的精准估算及预估生育时期的优选。结论如下：

（1）植被指数、作物农学参数和施肥在不同生育时期与产量的相关性有所不同，但大部分都表现为与产量显著相关（Plt;0.01）。总体上，施肥对产量预测模型精度的贡献率要相对高于作物农学参数及植被指数，且CIre等表现优异。

（2）对比3种不同的建模方法，XGBoost模型表现出较高的作物产量估算精度与稳定性。可见，机器学习等智能算法具有较强的大数据处理能力，且能对变量之间存在的非线性关系进行深入挖掘。

（3）对比不同生育时期，产量模型的估算精度由高到低依次为吐丝期、成熟期、拔节期，同时在吐丝期各模型的NRMSE 均低于21%，因此可将其作为玉米产量预估的最佳生育时期，提高产量模型估算性能。

参考文献：

[1] ZHANG L L， ZHANG Z， LUO Y C， et al. Integrating satellite-derived

climatic and vegetation indices to predict smallholder maize yield

using deep learning[J]. Agricultural and Forest Meteorology， 2021， 311：

108666.

[2] SUN T， LI Z Z. Alfalfa-corn rotation and row placement affects yield，

water use， and economic returns in northeast China[J]. Field Crops

Research， 2019， 241：107558.

[3] 苏伟， 侯宁， 李琪， 等. 基于Sentinel-2遥感影像的玉米冠层叶面积

指数反演[J]. 农业机械学报， 2018， 49（1）：151-156. SU W， HOU

N， LI Q， et al. Retrieving leaf area index of corn canopy based on

Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society

for Agricultural Machinery， 2018， 49（1）：151-156.

[4] DUAN B， FANG S H， GONG Y， et al. Remote estimation of grain yield

based on UAV data in different rice cultivars under contrasting

climatic zone[J]. Field Crops Research， 2021， 267：108148.

[5] 王飞龙， 王福民， 胡景辉， 等. 基于相对光谱变量的无人机遥感水稻

估产及产量制图[J]. 遥感技术与应用， 2020， 35（2）：458-468.

WANG F L， WANG F M， HU J H， et al. Estimating and mapping rice

yield using UAV-hyperspectral imager based relative spectral variates

[J]. Remote Sensing Technology and Application， 2020， 35（2）：458-

468.

[6] ZHANG Y， XIA C Z， ZHANG X Y， et al. Estimating the maize biomass

by crop height and narrowband vegetation indices derived from UAVbased

hyperspectral images[J]. Ecological Indicators， 2021， 129：

107985-.

[7] KAMIR E， WALDNER F， HOCHMAN Z. Estimating wheat yields in

Australia using climate records， satellite image time series and

machine learning methods[J]. ISPRS Journal of Photogrammetry and

Remote Sensing， 2020， 160：124-135.

[8] BENAMI E， JIN Z N， CARTER M R， et al. Uniting remote sensing，

crop modelling and economics for agricultural risk management[J].

Nature Reviews Earth amp; Environment， 2021， 2：140-159.

[9] 黄祥麟. 青藏高原生长季植被NDVI对气候变化的响应研究[D]. 成

都：成都理工大学， 2020：11 -12. HUANG X L. Response of

vegetation NDVI to climate change in growing season of Qinghai Tibet

Plateau[D]. Chengdu：Chengdu University of Technology， 2020：11-12.

[10] MARSHALL M， THENKABAIL P. Advantage of hyperspectral EO-1

Hyperion over multispectral IKONOS， GeoEye-1， WorldView-2，

Landsat ETM + ， and MODIS vegetation indices in crop biomass

estimation[J]. ISPRS Journal of Photogrammetry and Remote Sensing，

2015， 108：205-218.

[11] 李朋磊， 张骁， 王文辉， 等. 基于高光谱和激光雷达遥感的水稻产

量监测研究[J]. 中国农业科学， 2021， 54（14）：2965-2976. LI P L，

ZHANG X， WANG W H， et al. Assessment of terrestrial laser

scanning and hyperspectral remote sensing for the estimation of rice

grain yield[J]. Scientia Agricultura Sinica， 2021， 54（14）：2965-2976.

[12] 朱婉雪， 李仕冀， 张旭博， 等. 基于无人机遥感植被指数优选的田

块尺度冬小麦估产[J]. 农业工程学报， 2018， 34（11）：78-86.

ZHU W X， LI S J， ZHANG X B， et al. Estimation of winter wheat

yield using optimal vegetation indices from unmanned aerial vehicle

remote sensing[J]. Transactions of the Chinese Society of Agricultural

Engineering， 2018， 34（11）：78-86.

[13] TIAN H R， WANG P X， TANSEY K， et al. An LSTM neural network

for improving wheat yield estimates by integrating remote sensing data

and meteorological data in the Guanzhong Plain， PR China[J].

Agricultural and Forest Meteorology， 2021， 310：108629.

[14] 陶惠林， 冯海宽， 杨贵军， 等. 基于无人机数码影像和高光谱数据

的冬小麦产量估算对比[J]. 农业工程学报， 2019， 35（23）：111-

118. TAO H L， FENG H K， YANG G J， et al. Comparison of winter

wheat yields estimated with UAV digital image and hyperspectral data

[J]. Transactions of the Chinese Society of Agricultural Engineering，

2019， 35（23）：111-118.

[15] 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， 2020， 51（1）：148-155. HAN

W T， PENG X S， 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， 2020， 51（1）：148-155.

[16] 申洋洋， 陈志超， 胡昊， 等. 基于无人机多时相遥感影像的冬小麦

产量估算[J]. 麦类作物学报， 2021， 41（10）：1298-1306. SHEN Y

Y， CHEN Z C， HU H， et al. Estimation of winter wheat yield based on

UAV multi - temporal remote sensing image[J]. Journal of Triticeae

Crops， 2021， 41（10）：1298-1306.

[17] 张少华， 段剑钊， 贺利， 等. 基于无人机平台多模态数据融合的小

麦产量估算研究[J]. 作物学报， 2022， 48（7）：1746-1760. ZHANG

S H， DUAN J Z， HE L， et al. Wheat yield estimation from UAV

platform based on multi-modal remote sensing data fusion[J]. Acta

Agronomica Sinica， 2022， 48（7）：1746-1760.

[18] LI F， MISTELE B， HU Y C， et al. Remotely estimating aerial N status

of phenologically differing winter wheat cultivars grown in contrasting

climatic and geographic zones in China and Germany[J]. Field Crops

Research， 2012， 138：21-32.

[19] GITELSON A A， KEYDAN G P， MERZLYAK M N. Three-band

model for noninvasive estimation of chlorophyll， carotenoids， and

anthocyanin contents in higher plant leaves[J]. Geophysical Research

Letters， 2006， 33（11）：431-433.

[20] GITELSON A A， KAUFMAN Y J， MERZLYAK M N. Use of a green

channel in remote sensing of global vegetation from EOS-MODIS[J].

Remote Sensing of Environment， 1996， 58（3）：289-298.

[21] MACCIONI A， AGATI G， MAZZINGHI P， et al. New vegetation

indices for remote measurement of chlorophylls based on leaf

directional reflectance spectra[J]. Journal of Photochemistry and

Photobiology， B：Biology， 2001， 61（1/2）：52-61.

[22] DATT B. A new reflectance index for remote sensing of chlorophyll

content in higher plants：tests using Eucalyptus leaves[J]. Journal of

Plant Physiology， 1999， 154（1）：30–36.

[23] KEARNEY M S， ROGERS A S， TOWNSHEND J R G， et al.

Developing a model for determining coastal marsh“health”[C]. Third

Thematic Conference on Remote Sensing for Marine and Coastal

Environments， Seattle：Washington， 1995.

[24] MISTELE B， GUTSER R， SCHMIDHALTER U， et al. Validation of

field-scaled spectral measurements of the nitrogen status in winter

wheat[C]. International Conference on Precision Agriculture amp; Other

Precision Resources Management， 2004.

[25] GUPTA R K， VIJAYAN D， PRASAD T S， et al. Comparative analysis

of red-edge hyperspectral indices[J]. Advances in Space Research，

2003， 32（11）：2217-2222.

[26] GITELSON A A， VINA A， CIGANDA V， et al. Remote estimation of

canopy chlorophyll content in crops[J]. Geophysical Research Letters，

2005， 32（8）：403.

[27] VOGELMANN J E， ROCK B N， MOSS D M， et al. Red edge spectral

measurements from sugar maple leaves[J]. International Journal of

Remote Sensing， 1993， 14（8）：1563–1575.

[28] 张智韬， 王海峰， KARNIELI Arnon， 等. 基于岭回归的土壤含水率

高光谱反演研究[J]. 农业机械学报， 2018， 49（5）：240-248.

ZHANG Z T， WANG H F， ARNON K， et al. Inversion of soil moisture

content from hyperspectra based on ridge regression[J]. Transactions

of the Chinese Society for Agricultural Machinery， 2018， 49（5）：240-

248.

[29] 张天龙， 吴珊， 汤宏胜， 等. 化学计量学在激光诱导击穿光谱分析

中的研究进展[J]. 分析化学， 2015， 43（6）：939-948. ZHANG T L，

WU S， TANG H S， et al. Progress of chemometrics in laser-induced

breakdown spectroscopic analysis[J]. Chinese Journal of Analytical

Chemistry， 2015， 43（6）：939-948.

[30] 范诗语， 耿子悦， 田芮绮， 等. 基于集成学习的上市企业违约风险

评价[J]. 统计与管理， 2021， 36（2）：62-68. FAN S Y， GENG Z Y，

TIAN R Q， et al. Default risk assessment of listed companies based on

in tegrated learning[J]. Statistics and Management， 201， 36（2）：62-

68.

[31] 方馨蕊， 温兆飞， 陈吉龙， 等. 随机森林回归模型的悬浮泥沙浓度

遥感估算[J]. 遥感学报， 2019， 23（4）：756-772. FANG X R， WEN

Z F， CHEN J L， et al. Remote sensing estimation of suspended

sediment concentration based on Random Forest regression model[J].

Journal of Remote Sensing， 2019， 23（4）：756-772.

[32] ANGERMUELLER C， PARNAMAA T， PARTS L， et al. Deep

learning for computational biology[J]. Molecular Systems Biology，

2016， 12（7）：878.

[33] 刘媛. 基于时序无人机遥感影像的玉米产量估算研究[D]. 淮南：

安徽理工大学， 2023. LIU Y. Study on corn yield estimation based

on time series UAV remote sensing images[D]. Huainan：Anhui

University of Science and Technology， 2023.

[34] LEROUX L， CASTETS M， BARON C， et al. Maize yield estimation in

west Africa from crop process-induced combinations of multi-domain

remote sensing indices[J]. European Journal of Agronomy， 2019， 108：

11-26.

[35] XU J X， MA J， TANG Y N， et al. Estimation of sugarcane yield using

a machine learning approach based on UAV-LiDAR data[J]. Remote

Sensing， 2020， 12（17）：2823.