Estimating Above-Ground Biomass of Maize Using Features Derived from UAV-Based RGB Imagery

Niu, Yaxiao; Zhang, Liyuan; Zhang, Huihui; Han, Wenting; Peng, Xingshuo

doi:10.3390/rs11111261

开放式访问第条

基于无人机RGB图像特征的玉米地上生物量估算

¹

西北农林科技大学机电工程学院，陕西杨凌712100

²

农业部农业物联网重点实验室，陕西杨凌712100

^三

美国科罗拉多州柯林斯堡中心大道2150号Bldg.D.，USDA-ARS水管理和系统研究部，邮编80526

⁴

西北农林科技大学水土保持研究所，陕西杨凌712100

^*

信件应寄给的作者。

远程传感器。 2019,11(11), 1261;https://doi.org/10.3390/rs111111261

收到的提交文件：2019年3月30日/修订日期：2019年5月22日/接受日期：2019年5月24日/发布日期：2019年5月28日

（本条属于本节农业和植被遥感)

下载

浏览地物

版本注释

摘要

:

农场规模下作物地上生物量的快速、准确和经济估算对于精确农业管理至关重要。无人机（UAV）遥感系统具有获取高时空分辨率遥感图像的能力，具有很大的应用潜力。为了验证消费者级无人机RGB图像在估算玉米地上生物量中的应用潜力，采用了无人机RGP图像得出的植被指数和植物高度。为了获得更准确的观测结果，植物高度直接从UAV RGB点云获得。为了寻找最佳估计方法，比较了仅基于植被指数、仅基于植物高度以及同时基于植被指数和植物高度的模型的估计性能。结果表明，由无人机RGB点云直接导出的植物高度与地面实况数据具有很高的相关性，且具有R²值为0.90，RMSE值为0.12 m。仅基于株高的地上生物量指数回归模型对新鲜和干燥地上生物总量与R均具有较高的相关性²与线性回归模型相比，值分别为0.77和0.76（均为R²值为0.59）。基于无人机RGB图像的植被指数在利用R估计玉米地上生物量方面具有很大潜力²值范围为0.63至0.73。利用基于植被指数的多变量线性回归估算玉米地上生物量时，与R的相关性较高²值为0.82。将无人机RGB图像中的植物高度加入基于植被指数的多变量线性回归模型时，估计性能没有显著改善。在仅基于UAV RGB遥感系统估算作物地上生物量时，寻找优化的植被指数，并基于先进算法（例如机器学习技术）建立高性能的估算模型可能是更好的方法。

关键词：

植被指数;植物高度;点云;线性回归;指数回归;多元线性回归

1.简介

由于人口增长和经济快速增长，农业在如何以有限的水土资源满足日益增长的农业生产需求方面面临巨大挑战[1]. 到2050年，预计人口和社会经济增长将使当前粮食需求翻一番。为了应对发展中国家的这一挑战，粮食产量需要增加40%，净灌溉需水量需要增加40-50%[2]. 玉米是最重要的粮食作物之一，与大米和小麦一起，为发展中国家45亿多人提供了至少30%的食物热量[三,4]. 因此，准确预测玉米收获前的产量对国家粮食安全和个人生活水平具有重要意义[5].

地上生物量（AGB）是农业生态系统的重要指标，通常被用作预测作物产量和估算水分利用效率的关键因素[6,7,8]. AGB的快速、准确和经济估算至关重要。AGB仍然是评估农业实践绩效的基本指标之一[9,10]，研究农业生态系统过程[11]以及估计全球市场风险[12].

目前，远程感知已成为大面积AGB估计的主要数据源[13]. 卫星遥感作为一种重要的数据源，已广泛应用于景观尺度上的植物AGB估算。有两种主要的卫星遥感数据用于估计AGB，即光学图像[14,15,16]和合成孔径雷达数据[17,18,19]，提供不同的空间分辨率，如SPOT（20米）和MODIS（1公里），以及Sentinel 1A（10米）和ALOS-2 PALSAR2（6米）。然而，农场规模的作物监测应用对时间频率要求很高（1–3天重访），而空间分辨率要求由最小管理单元驱动，其范围可能在1–10 m[20,21]. 由于时空分辨率低，卫星遥感往往难以满足农场规模AGB的监测需求。

最近，无人机（UAV）远程传感平台的快速发展推动了近地航空图像在估算作物AGB中的应用[4,22,23,24]. 无人机远程传感系统更容易在适当的天气条件下以高时空分辨率获取农场规模的作物信息。例如，Jayathunga等人[25]研究了数字航空摄影测量无人机遥感系统在估算日本北部富拉诺市森林AGB方面的潜力，并提供了地面分辨率为14cm的AGB地图。作为描述作物生长状况的最重要指标之一，植物高度（PH）被广泛用于估算AGB[26,27]. Zhang等人[28]在甘肃、内蒙古和江苏三个不同的研究点，利用PH估算了草地的AGB，并表明PH和AGB与决定系数（R²)值大于0.66。除PH外，植被指数（VIs）可以提供有关作物生长状况的可靠信息[26,29,30]，如绿色冠层覆盖和PH，也已被调查为估计AGB的可靠来源[31,32,33]. Sankaran等人[34]利用美国华盛顿州奥赛罗市的平均绿色归一化植被指数（GNDVI）估算了菜豆开花期和中间结荚期的生物量，表明平均GNDVI与生物量之间存在高度相关性，皮尔逊相关系数大于0.52。

一般来说，从无人机图像获得的VIs反映了顶部冠层的光谱特征，PH反映了整个冠层的垂直结构特性。为了提高AGB的估计精度，研究人员开始同时使用无人机图像中的VIs和PH来估计作物AGB[35,36,37]. 例如，Han等人[38]中国北京市昌平区玉米AGB的估算和Li等人[39]同时使用来自无人机多光谱图像的VIs和来自无人机RGB图像的PH，估算美国内布拉斯加州中心城高粱的AGB。然而，其中许多研究使用了来自不同UAV平台的VIs和PH。同时使用VIs和PH这两种来源于消费级无人机RGB远程传感系统的研究在生物量估算方面仍然相对较少。

因此，本研究的主要目的是利用从消费者级无人机RGB图像中提取的VIs和PH来估计玉米的AGB。还分析了单独基于VS、单独基于PH以及同时基于VS和PH的模型的估计性能。更具体地说，我们的研究旨在：

(1): 从消费者级无人机RGB点云直接导出玉米PH值，并与地面实际PH值进行比较分析；
(2): 利用线性和指数回归分析，建立了仅基于PH的玉米AGB估算模型；通过使用单变量和多变量线性回归分析，仅基于VIs；并基于VIs和PH，采用多变量线性回归分析；
(3): 对玉米AGB估算模型的性能进行了比较分析，并利用最优估算模型绘制了玉米AGB的分布图。

2.材料和方法

2.1. 研究领域

实验在内蒙古西南部昭君镇的一块田地上进行（40°26′0.29〃N，109°36′25.99〃E，海拔1010m）。研究区占地约1.13公顷，种植玉米，分为5大区域。三个6×6m²每个区域内的区域被选为采样点（黄色方框图1b）用于从三个采样点（绿色广场图2a、 1×1米²)在采样图中。30、60和90 cm深度的土壤样品混合物用于评估土壤特性。根据美国农业部的土壤分类法，土壤类型为壤土（80.7%的沙子、13.7%的粉末和5.6%的粘土）。土壤pH值、有机质和C含量分别为9.27、47.17和27.35 g/Kg。玉米（俊凯918）于2018年5月11日（DOY，年份第131天）种植，行距0.58米，株距0.25米，行向为东-西。玉米于5月18日出苗，7月21日出苗。2018年9月10日收获（青贮），寿命115天。

2.2. 现场测量

在玉米营养生长期（V5-V7，DOY 171-185），分别在DOY 171、177和185上测量了株高（PH）和地上生物量（AGB）。每天共获得15组样品（PH和AGB）。共有45个总生物量观测值，单位为kg/m².在每个采样点内手动测量玉米高度（绿色方块图2a）使用卷尺。如所示图2b、以玉米营养生长期各采样点的PH值作为玉米地距最高叶片的距离[40]. 每个采样点内进行了五次PH值测量，三个采样点总共十五次测量的平均值用作参考植物高度（PH_裁判)用于采样图（黄色方形图1b） ●●●●。

为了测量AGB，从0.5×0.5 m²取样点附近的子点，然后立即放入密封袋中，以避免水分损失。采用测量精度为0.01g的电子天平（中国苏州江东精密仪器有限公司DJ-2000A）测量玉米鲜、干AGB的重量。对于干AGB，将玉米样品置于DHG-9053A烤箱（中国上海HASUC）中，在105°C下脱酶2小时，然后在80°C下干燥至恒重。所需时间从36小时到72小时不等，具体取决于每个采样日玉米样本的质量。每个亚区的测量值被称为相应采样区的参考生物量。

2.3. 无人机RGB图像的采集与预处理

图3显示了无人机RGB图像采集和预处理的主要步骤。采用消费级四轮无人机RGB遥感系统DJI Phantom 4 Pro（中国深圳市大江百旺科技有限公司）采集玉米的RGB图像。这架无人机有一个集成摄像头，带有一个1英寸的互补金属氧化物半导体传感器，可以捕捉红、绿、蓝光谱信息。该相机具有84°视场透镜，f/2.8光圈，分辨率为4864×3648像素。这种镜头也是专门为消除图像失真而设计的。有关数码相机和无人机系统的详细信息，请参见表1。在DOY 171、177和185（晴天）11:00–13:00（中国标准时间）期间，DJI Phantom 4 Pro拍摄了玉米的RGB图像。ISO和快门的参数根据具体的天气条件设置为400和1/1250，白平衡设置为晴朗。飞行由Altizure软件（Everest Innovation Technology Ltd.，中国香港）控制，该软件引导无人机沿蛇形图像采集计划飞行，高度30米，速度1.3米/秒，相机向下看。正面和侧面的图像重叠率为90%。地面采样距离为0.8 cm。为了提高地理定位精度，使用直接地理参考和五个地面控制点组合对点云进行地理参考(图1b、绿色圆形）。地面控制点的坐标由KOLIDA RTK差分GNSS设备（中国广州KOLIDA仪器有限公司）测量。

采集后，使用Pix4DMapper软件（Pix4DInc.，瑞士，https://www.pix4d.com/)它是专门设计用于使用植根于计算机视觉和摄影测量学的技术处理无人机图像的[41]. 整个处理流程是：首先，通过自动搜索匹配图像对中的特征节点，并基于相机模型对其进行校正，初始化每次飞行中捕获的所有地理位置图像。之后，合并了五个地面控制点来校正图像的地理坐标。然后，使用7×7像素的匹配窗口生成加密的点云。最后，利用逆距离加权方法生成了空间分辨率为0.8cm的数字表面模型和正射影像。有关基于Pix4DMapper软件的图像拼接处理的更多详细信息，请参见Duan等人[42].

2.4. 玉米株高的提取

在营养期（V5-V7，DOY 171-185），玉米冠层没有达到完全覆盖。因此，点云包括土壤和玉米植物(图4b）。PH可以通过从点云估算的植物水平减去地面水平来计算。如所示图4a、选择由混合点云导出的高程累积概率分布的第1个百分位来表示地面标高。为了寻找最佳PH特征，选择了每个采样点内的第90、95、97、98和99百分位以及点云高度的最大值来代表植物水平。然后，六个PH特征（PH₉₀，PH₉₅，PH₉₇，PH₉₈，PH₉₉和PH_最大值)获得了每个采样点的数据。六种PH特征与PH的回归分析_裁判被用来搜索最优的PH特征。总PH值为45_裁判观测值的平均值，15 PH_裁判每天的值。通过测定系数（R）评估六种PH特征的估计精度²)和均方根误差（RMSE）。

2.5. 无人机RGB植被指数的计算

许多先前的研究使用了从RGB图像中获得的不同植被指数（VIs）来估计作物的AGB[40,43,44,45,46,47]. 在本研究中，使用可见带计算了五个VIs和一个VI组合，包括归一化绿红色差异指数（NGRDI）[44]，超额绿色指数（ExG）[48]，过量绿色减去过量红色（ExGR），植被颜色指数（CIVE）[49]，植被指数（VEG）[50]，以及ExG、ExGR、CIVE和VEG（COM）的组合[51]. 其计算公式如下：

N个 G公司 R（右） 天 我 = \frac{{R（右）}_{G公司} - {R（右）}_{R（右）}}{{R（右）}_{G公司} + {R（右）}_{R（右）}}

(1)

E类 x个 G公司 = 2 \times {R（右）}_{G公司} - {R（右）}_{R（右）} - {R（右）}_{B类}

(2)

E类 x个 G公司 R（右） = E类 x个 G公司 - 1.4 \times {R（右）}_{R（右）} - {R（右）}_{G公司}

(3)

C类 我 五 E类 = 0.441 \times {R（右）}_{R（右）} - 0.881 \times {R（右）}_{G公司} + 0.385 \times {R（右）}_{B类} + 18.78745

(4)

五 E类 G公司 = \frac{{R（右）}_{G公司}}{{R（右）}_{R（右）}^{一} \times {R（右）}_{B类}^{(1 - 一)}}, 一 = 0.667

(5)

C类 哦 M（M） = 0.25 \times E类 x个 G公司 + 0.3 \times E类 x个 G公司 R（右） + 0.33 \times C类 我 五 E类 + 0.12 \times 五 E类 G公司

(6)

哪里R（右）_R（右）,R（右）_G公司、和R（右）_B类表示通过划分255（本研究中的8位图像）归一化的红色、绿色和蓝色带的数字[52,53].

2.6. 植物高度和生物量的估算模型

图5显示了根据无人机RGB图像中的玉米特征获取玉米AGB最佳估计模型的主要步骤。本研究采用了三种玉米AGB估算模型，即基于（1）PH的估算模型；（2）视觉；和（3）PH和VI。采用了从性能最佳的点云和相关性较好的VIs中提取的PH特征。VIs采用线性回归分析，PH采用线性和指数回归分析。在建立第三类估计模型时，采用了多变量线性回归分析。

2.7. 统计分析

对于统计分析，R编程语言（R-3.4.3，https://www.r-project.org/)被采纳。更具体地说，使用lm（）函数进行回归分析，使用AIC（）函数计算Akaike信息标准（AIC）。决定系数（R²)均方根误差（RMSE）和AIC[54,55]进行计算以进行比较。R（右）²不适合评价不同形式、不同参数个数的模型之间的预测和拟合性能。因此，AIC被进一步用于比较值越低表示估计性能越好的模型。

3.结果

3.1. 无人机点云玉米株高与地面实际值的比较

六种PH特征（PH）之间的相关性₉₀，英里/小时₉₅，PH₉₇，PH₉₈，PH₉₉和PH_最大值)和PH_裁判进行了分析(图6). PH公司₉₀和PH₉₅与PH值相关性最低_裁判，带R²值分别为0.20和0.51。其他四个PH特征（PH₉₇，PH₉₈，PH₉₉和PH_最大值)均与PH值有良好的相关性_裁判带R²值不小于0.70。PH公司₉₉与PH值相关性最高_裁判带有R²值为0.90。PH公司₉₉提取误差最小，RMSE值为0.12 m。同时，可以观察到，当使用第90、95、97、98和99百分位的点云高度来代表玉米植株水平时，得到的估计值相对较低，与地面接地PH相比，拟合线低于1:1线(图6). 随着无人机RGB点云高度百分位数的增加，点云PH值与PH值之间的差异呈下降趋势_裁判当使用点云高度的最大值来表示玉米植株水平时，在1:1线以上的拟合线得到了相对较高的估计值。

3.2. 基于无人机RGB点云植物高度的玉米生物量估算模型

基于玉米PH值，采用线性和指数回归分析估算玉米鲜、干AGB_99,其中估计性能最好。如所示图7，PH值之间呈高度正相关₉₉和新鲜或干燥AGB，带R²值不小于0.59(第页< 0.01). 对于新鲜和干燥AGB，指数回归模型与R的相关性较高²与R的线性回归模型相比，值分别为0.77和0.76²值均为0.59。然而，当考虑RMSE和AIC时，线性回归模型的RMSE值和AIC值相对较低。对于新鲜AGB，线性和指数回归模型的RMSE和AIC值分别为0.41和50.18，以及0.49和57.17。对于干AGB，线性和指数回归模型的RMSE和AIC值分别为0.05和−134.89，以及0.07和−128.90。

3.3. 基于无人机RGB植被指数的玉米生物量估算模型

在本研究中，利用无人机RGB图像衍生出的五个VIs，NGRDI、ExG、ExGR、CIVE、VEG和一个VI组合（COM），建立玉米鲜、干AGB的线性回归模型。如所示图A1和图A2、和表2，除CIVE外，其他五个VIs均呈显著正相关(第页<0.01）与玉米新鲜和干燥AGB的比较。对于新鲜和干燥的玉米AGB，ExGR与R的相关性最高²值均为0.73，然后是NGRDI和VEG（带R）²值分别为0.70和0.68，以及0.65和0.63。使用ExG估算玉米新鲜和干燥AGB时，相关性最低，与R²值分别为0.34和0.33。COM与玉米鲜、干AGB和R也有很高的相关性²值分别为0.73和0.72，因为COM是ExG、ExGR、CIVE和VEG的组合。当涉及到RMSE时，获得了类似的观察结果。对于玉米新鲜AGB，ExGR的RMSE值最低，为0.32，其次是NGRDI和VEG，RMSE值分别为0.34和0.37。CIVE的RMSE值最大，为0.62。对于玉米干AGB，也发现了类似的观察结果。

在利用单一植被指数估算玉米鲜、干AGB后，选择相关性最高的三个VIs，NGRDI、ExGR和VEG，通过多元线性回归分析估算玉米鲜干AGB。当采用多变量线性回归时，玉米AGB的估计性能得到了改善(图8). 对于新鲜和干燥AGB，R²值为0.82，与最高R相比增加了0.09²单一植被指数的值为0.73（ExGR）。新鲜和干燥AGB的RMSE分别为0.06和0.01 kg/m²与最低RMSE值0.32和0.04 kg/m相比²（ExGR）分别用于单个VI。根据NGRDI、ExGR和VEG，分别使用方程（7）和（8）计算玉米鲜重和干重AGB。

A类 G公司 {B类}_{（f）} = 53.22 \times N个 G公司 R（右） 天 我 + 2.90 \times E类 x个 G公司 R（右） - 24.01 \times 五 E类 G公司 + 29.10

(7)

A类 G公司 {B类}_{d日} = 6.88 \times N个 G公司 R（右） 天 我 + 0.40 \times E类 x个 G公司 R（右） - 3.23 \times 五 E类 G公司 + 3.93

(8)

3.4. 基于株高和植被指数的玉米生物量估算模型

在单独使用PH或VIs估算玉米新鲜和干燥AGB后，基于PH和三个VIs（NGRDI、ExGR和VEG）采用多变量线性回归分析。如所示图9当添加PH时，与玉米鲜重和干重AGB的相关性以及估计精度都略有提高，R增加0.03²对于新鲜和干燥玉米AGB，减少0.02 kg/m²RMSE仅适用于玉米新鲜AGB。同时，鲜玉米和干玉米AGB的AIC分别下降6.23和7.76。

3.5. 基于无人机RGB遥感的玉米地上生物量制图

由于将PH添加到多变量线性回归模型中时相关性和估计精度没有显著改善，因此仅使用VIs绘制了农场规模下玉米鲜重和干重AGB的分布（方程（7）和（8））。可以观察到，随着玉米的生长，新鲜玉米和干燥玉米的AGB都有明显增加(图10). 对于玉米新鲜AGB，DOY 171、177和185的平均值分别为0.85、2.00和2.25 kg/m²分别是。对于玉米干AGB，DOY 171、177和185的平均值分别为0.11、0.25和0.29 kg/m²分别是。

4.讨论

无人机（UAV）远程传感平台作为最重要的农田数据采集工具之一，在快速、准确和经济估算作物地上生物量（AGB）方面具有巨大的应用潜力。它已成功地用于估计许多作物的AGB，例如[32]，向日葵[40]，玉米[38,56]，小麦[36,37,57]作为描述作物生长状况的两个主要数据源，株高（PH）和植被指数（VIs）被广泛用于估算作物的AGB[23,35,58]. 基于无人机的光探测和测距（LiDAR）系统提供了一种精确估计植物高度的方法[59,60,61,62]. 例如，Liu等人[63]评估了无人机激光雷达获取的点云用于估算中国江苏省北部平原树木平均高度的有效性，采用偏最小二乘模型对Lorey平均高度的预测精度较高，交叉验证决定系数和相对均方根误差分别为0.97和2.83%。

然而，无人机LiDAR系统的高成本是其进一步应用的主要限制。为了降低估算作物PH值的成本，研究人员开始使用低成本的UAV RGB远程传感系统[64,65,66,67]. 例如，Ziliani等人[68]将高分辨率无人机RGB图像得出的PH值与激光雷达得出的PH进行了比较，结果表明，结构-运动衍生高度与激光雷达扫描数据与决定系数（R²)范围为0.77至0.99。Grüner等人[69]通过使用运动处理的摄影测量结构，从无人机RGB图像中估算了德国黑塞北部草地的PH值，并显示出无人机RGC图像中得出的PH值与地面实况数据之间的高度相关性，其中R²值为0.56，均方根误差（RMSE）值为0.13 m。在许多这些研究中，采用从点云导出的作物表面模型来估计PH。然而，由于作物冠层以下的信息也包含在作物表面模型中，因此通常获得相对较低的PH估计值[70]. 与作物表面模型相比，直接从点云中选择合适的PH特征来表示植物水平，可以避免由于作物冠层下的信息造成的估计误差。因此，在本研究中，直接采用来自消费者级无人机RGB图像的点云来估计PH。更具体地说，点云高度的第1百分位被定义为地面高度，以及六个PH特征，即第90、95、97、98和99百分位，并利用点云高度的最大值搜索最优PH特征。直接从点云获得的PH值（定义为植物水平的第99个百分位）与地面PH值（0.36–0.92 m）（定义为R）之间的相关性最高²值为0.90，RMSE值为0.12 m。与地面实际PH值相比，拟合线低于1:1线的点云得出的估计值相对较低(图6). 这一相对较低估计值的原因可能是，在研究期间，玉米的最高位置出现在叶尖(图2b）。由于点云精度的限制，叶梢可能很难获得。

基于PH值，采用线性回归和指数回归分析估算玉米鲜、干AGB₉₉其中对玉米株高的估计性能最好。与线性回归模型相比（均为R²值为0.59），新鲜和干燥AGB与R的指数回归模型具有较高的相关性²值分别为0.77和0.76。然而，关于RMSE，指数回归模型的值较高，分别为0.49和0.07 kg/m²与值为0.41和0.07 kg/m的线性模型相比，玉米新鲜和干燥AGB²分别是。玉米也有类似的结果[71]，几乎没有[23,72]. 例如，当使用激光雷达导出的指标、平均高度和归一化数字地形模型点高程的变异系数来估计中国甘肃省黑河流域的玉米AGB时，指数回归模型具有更高的R²与R相比，值为0.73和0.80²线性回归模型的值分别为0.68和0.67。使用平均身高时，线性和指数回归模型的RMSE值相似；RMSE值较高，为0.66 kg/m²对于指数回归模型，与0.60kg/m的RMSE值相比²对于线性回归模型，当使用归一化数字地形模型点高程的变异系数时。然而，Tilly等人[73]在黑龙江省建三江市，用地面激光扫描获得的PH值估算水稻的AGB时，发现了相反的结果。更具体地说，对于69村和36村的水稻品种，R值较低²与R相比，指数回归模型的值为0.85和0.56²线性回归模型的值分别为0.90和0.60。用于建立AGB估计模型的PH范围可能是估计性能出现相反观察结果的原因。本研究中每个数据收集活动的平均PH值范围，Bendig等人[23]，Tilly等人[72]和Tilly等人[73]分别为0.36至0.92米、0.14至1.00米、0.17至0.81米和0.25至0.57米。当PH值范围相对较小时，线性回归模型具有更好的性能。然而，当PH值范围相对较大时，指数回归模型具有更好的性能。如所示图11，人工测定的玉米PH值与生物量（鲜玉米和干玉米生物量）之间的线性回归模型斜率有迅速增加的趋势，表明当采用所有数据（相对较大的PH值范围）时，指数回归模型更适合描述玉米PH值和生物量之间的关系。

当使用来自无人机远程传感系统的VIs估算作物AGB时，传统上有两种数据源，即多光谱[38,40]和高光谱[32,74]. 例如，Meij等人[75]基于无人机高光谱遥感系统得出的简单差异植被指数估算燕麦的新鲜AGB，并显示R²值为0.56。Vega等人[40]利用无人机多光谱遥感系统得到的归一化差异植被指数估算向日葵的AGB，并显示R²数值范围为0.09至0.98。最近，由于无人机高光谱和多光谱遥感系统的高成本和低空间分辨率，研究人员开始基于无人机RGB遥感系统导出的植被指数估算作物AGB，该系统具有低成本和高空间分辨率[48,76]，并显示出类似的估计性能。例如，Yue等人[36]报告有一个相同的R²分别基于无人机高光谱和RGB遥感系统得出的植被指数，采用随机森林回归估计中国北京市昌平区小麦的AGB值为0.93。因此，在本研究中，五个VIs和一个VI组合，即归一化的绿红色差异指数（NGRDI）、超绿色指数（ExG）、超绿减去超红（ExGR）、植被颜色指数（CIVE）、植物指数（VEG），以及ExG、ExGR、CIVE和VEG（COM）的组合，采用消费者级无人机RGB图像，通过简单和多变量线性回归分析，估算玉米鲜、干AGB。结果表明，用ExGR、NGRDI和VEG估算玉米AGB与R之间具有良好的相关性²值范围为0.63至0.73。还可以观察到，当ExGR、NGRDI和VEG一起用于多变量线性回归模型时，较高的R²玉米新鲜和干燥AGB的值均为0.82。小麦也有类似的结果[36,37]. 例如，Lu等人[37]报告称，当VIs来自无人机RGB远程感知系统时²将0.04～0.62的值放入随机森林回归模型中，采用集成学习的方法结合大量决策树来提高分类树和回归树的准确性，用R表示与小麦AGB具有较高的相关性²数值为0.70。VIs对作物不同方面的识别能力不同可能是采用多个VIs时估计性能提高的原因。例如，NGRDI在冠层关闭前对AGB敏感[44]VEG在自然光照范围内保持不变[50]. 在基于NGRDI的AGB估计模型中加入VEG可以增强该模型对不同自然光照的适应性，从而获得更好的估计性能。仍需进一步研究。

为了进一步提高估计性能，研究人员开始同时使用作物VIs和PH来估计作物AGB。然而，在本研究中，在基于ExGR、NGRDI和VEG的AGB多变量线性回归模型中添加了直接从UAV RGB点云获得的玉米最佳PH值观测值，导致R略微增加0.03²新鲜和干燥AGB的值。对于RMSE，仅减少了0.01 kg/m²用于新鲜AGB。小麦也有类似的结果[36,37]和大麦[35]. 例如，Lu等人[37]报告R增加0.06²将小麦高度添加到基于UAV RGB VIs的随机森林回归模型中时的值。Näsi报告R下降了0.01²将无人机RGB图像中的大麦高度信息添加到基于无人机RGB-VI的随机森林回归模型中时的值。在基于UAV RGB图像的VIs的AGB估计模型中加入来自UAV RGG图像的PH，可能有两个原因导致性能略有改善。一方面，原因可能是无人机RGB远程感知系统在估算PH.Ota等人（2000年）时获取准确地面标高的能力较弱[31]报告称，根据无人机RGB图像得出的地面标高精确度不足以估计热带森林的AGB，并且为了准确估计AGB，至少需要采集一次机载LiDAR才能获得地面标高。另一方面，VIs与PH有显著关系。例如，Schirrmann等人[48]报道了蓝绿比指数与冬小麦PH值之间的极显著关系²值为-0.93。如所示图12在本研究中，VIs和玉米PH值与R之间也存在高度显著的关系²NGRDI、ExGR和VEG的值分别为0.77、0.85和0.78。因此，当仅基于UAV RGB远程传感系统估计作物AGB时，探索优化的VIs并基于高级算法（例如机器学习技术）建立高性能的估计模型可能是更好的方法[35,36].

5.结论

无人机RGB遥感系统作为最重要的农用数据采集工具之一，在农用地上生物量的快速、准确、经济估算中具有巨大的应用潜力。我们的结果证实，直接从UAV RGB点云获得的植物高度与地面植物高度之间具有高度相关性，并且具有决定系数（R²)值为0.90，RMSE值为0.12 m。与线性回归模型相比（均为R²值为0.59），仅基于株高的指数回归模型对新鲜和干燥地上生物量与R均具有较高的相关性²值分别为0.77和0.76。用于建立估计模型的株高范围可能会影响线性和指数回归模型的估计性能。无人机RGB图像得出的植被指数在用R估计玉米地上生物量方面具有巨大潜力²值范围为0.63至0.73。当采用多种植被指数时，与R的相关性更高²值为0.82。植被指数对作物不同方面的识别能力不同可能是估计性能提高的原因。还证实，在基于植被指数的地上生物量估计模型中加入无人机RGB图像得出的植物高度并不能显著提高估计性能。在仅基于UAV RGB遥感系统估算作物地上生物量时，探索优化的植被指数并基于先进算法（例如机器学习技术）建立高性能的估算模型可能是一种更好的方法。

作者贡献

数据管理，Y.N.、L.Z.和X.P。；融资收购，W.H。；调查，Y.N。；方法论，Y.N.和L.Z。；项目管理，W.H。；验证，X.P。；写作——原稿、Y.N.和L.Z。；写作——评论和编辑，H.Z.和W.H。

基金

本研究得到了中国国家重点研发项目“十三五”规划（2017YFC0403203）、中国杨凌示范区产学研合作创新重大项目（2018CXY-23）和111项目（B12007）的支持。

致谢

我们感谢程双飞、葛晨瑜、谭成轩和徐崇浩收集数据。

利益冲突

没有利益冲突。

附录A

图A1。分别从无人机RGB图像和新鲜地上生物量（AGB）得出的五个植被指数和一个VI组合之间的相关性。(一)归一化绿红色差异指数（NGRDI）；(b条)超额绿色指数（ExG）；(c（c）)过量绿色减去过量红色（ExGR）；(d日)植被颜色指数（CIVE）；(e（电子）)植被指数；和(（f）)ExG、ExGR、CIVE和VEG（COM）的组合。R（右）²表示决定系数，RMSE表示均方根误差。

图A2。分别从无人机RGB图像和地上干生物量（AGB）得出的五个植被指数和一个植被指数组合之间的相关性。(一)归一化绿红差异指数（NGRDI）；(b条)超额绿色指数（ExG）；(c（c）)过量绿色减去过量红色（ExGR）；(d日)植被颜色指数（CIVE）；(e（电子）)植被指数；和(（f）)ExG、ExGR、CIVE和VEG（COM）的组合。R（右）²表示决定系数，RMSE表示均方根误差。

图A2。分别从无人机RGB图像和地上干生物量（AGB）得出的五个植被指数和一个植被指数组合之间的相关性。(一)归一化绿-红差异指数（NGRDI）；(b条)超额绿色指数（ExG）；(c（c）)过量绿色减去过量红色（ExGR）；(d日)植被颜色指数（CIVE）；(e（电子）)植被指数；和(（f）)ExG、ExGR、CIVE和VEG（COM）的组合。R（右）²表示决定系数，RMSE表示均方根误差。

工具书类

阿特金森，J.A。；R.J.杰克逊。；A.R.本特利。；Ober，E。；Wells，D.M.Field Phenotyping for the Future公司。每年。Plant Rev.在线 2018. [谷歌学者] [交叉参考]
Tubiello，F。适应和缓解气候变化：粮食部门的挑战和机遇; 自然资源管理和环境部：意大利罗马，2012年。[谷歌学者]
Shiferaw，B。；不列颠哥伦比亚省普拉桑纳。；Hellin，J。；Bänziger，M.养活世界的作物6。玉米在全球粮食安全中所起作用的过去成就和未来挑战。食品安全。 2011,三, 307. [谷歌学者] [交叉参考]
A.米切斯。；鲍文斯，S。；布罗斯托克斯，Y。；希尔，M.-P。；加雷，S。；Lejeune，P。；Dumont，B.消费者级无人机RGB图像能在多大程度上描述作物生产？应用于玉米的3D和多时相建模方法。远程传感器。 2018,10. [谷歌学者] [交叉参考]
Wang，L。；田，Y。；夏，Y。；严，Z。；Cao，W.通过融合多传感器和多时相遥感图像预测小麦的产量和蛋白质含量。田间作物研究。 2014,164, 178–188. [谷歌学者] [交叉参考]
金，X。；Yang，G。；李，Z。；Xu，X。；Wang，J。；Lan，Y.使用AquaCrop模型和田间高光谱数据估算冬小麦水分生产力。精确。农业。 2016,19, 1–17. [谷歌学者] [交叉参考]
奈尔，S。；约翰逊，J。；Wang，C.灌溉用水效率：多学科视角的回顾。阿格隆。J。 2013,105, 351–363. [谷歌学者] [交叉参考]
Walter，J。；J.爱德华兹。；麦克唐纳，G。；Kuchel，H.估算小麦生物量和收获指数的摄影测量学。田间作物研究。 2018,216, 165–174. [谷歌学者] [交叉参考]
巴索，B。；杜蒙特，B。；卡马拉诺，D。；Pezzuolo，A。；马里内洛，F。；Sartori，L.。硝酸盐脆弱区变量氮肥的环境和经济效益。科学。总体环境。 2016,545–546, 227–235. [谷歌学者] [交叉参考]
Hiel，医学博士。；Barbieux，S。；皮尔勒，J。；奥利维尔，C。；小叶，G。；罗辛，C。；加雷，S。；科林特，G。；博德森，B。；Dumont，B.在温带气候肥沃土壤中作物轮作七年后，作物残茬管理对作物生产和土壤化学的影响。同行J 2018,6，e4836。[谷歌学者] [交叉参考] [绿色版本]
李伟（Li，W.）。；牛，Z。；黄，N。；王，C。；高，S。；Wu，C.估算玉米生物量组成的机载激光雷达技术：以中国西北部张掖市为例。经济。印度。 2015,57, 486–496. [谷歌学者] [交叉参考]
贝克尔·雷谢夫，I。；佛蒙特，E。；林德曼，M。；Justice，C.使用MODIS数据预测堪萨斯州和乌克兰冬小麦产量的广义回归模型。遥感环境。 2010,114, 1312–1323. [谷歌学者] [交叉参考]
木材，M。；梅恩德斯，P。；Bustamante，J。；Soriguer，R。；Santamaría，L.使用MODIS NDVI地表物候模拟季节性湿地的生物量生产。远程传感器。 2017,9. [谷歌学者] [交叉参考]
李，M。；吴，J。；宋，C。；他，Y。；牛，B。；Fu，G。；Tarolli，P。；Tietjen，B。；Zhang，X.青藏高原北部高寒草地降水和生物量的时间变化。远程传感器。 2019,11. [谷歌学者] [交叉参考]
陈，L。；Wang，Y。；Ren，C。；张，B。；Wang，Z.从Sentinel和SRTM数据绘制森林地上生物量图的预测值和算法的最佳组合。远程传感器。 2019,11. [谷歌学者] [交叉参考]
潘迪特，S。；Tsuyuki，S。；Dube，T.景观-尼泊尔中部缓冲区社区森林的地上生物量估算：结合现场测量和Landsat 8卫星数据。远程传感器。 2018,10. [谷歌学者] [交叉参考]
Pham，T.D。；Yoshino，K.使用ALOS-2 PALSAR图像对越南海防市红树林物种的地上生物量进行估算。J.应用。远程传感器。 2017,11. [谷歌学者] [交叉参考]
Castillo，J.A.A。；阿潘，A.A。；马拉塞尼，T.N。；Salmo，S.G.使用Sentinel图像估算和绘制菲律宾红树林地上生物量及其替代土地用途。ISPRS J.摄影。远程传感器。 2017,134, 70–85. [谷歌学者] [交叉参考]
库戈，M。；Souza-Filho，P。；席尔瓦，A。；费尔南德斯，M。；桑托斯，J。；Abreu，M。；Nascimento，W。；Simard，M.Radarsat-2红树林再生生物物理参数建模的后向散射。远程传感器。 2015,7, 17097–17112. [谷歌学者] [交叉参考] [绿色版本]
张，L。；张，H。；牛，Y。；Han，W.基于无人机多光谱遥感绘制玉米水分胁迫图。远程传感器。 2019,11. [谷歌学者] [交叉参考]
Herwitz，S.R.公司。；约翰逊，L.F。；Dunagan，S.E.公司。；希金斯，R.G。；沙利文，D.V。；郑洁。；B.M.洛比茨。；Leung，J.G。；Gallmeyer，文学学士。；奥亚吉，M。；等。无人飞行器成像：农业监测和决策支持。计算。电子。农业。 2004,44, 49–61. [谷歌学者] [交叉参考]
A.米切斯。；Lejeune，P。；鲍文斯，S。；Herinaina，A。；布莱斯，Y。；卡斯特罗·穆尼奥斯，E。；勒博，F。；Bindelle，J.使用无人空中系统测绘和监测牧场生物量和放牧。远程传感器。 2019,11. [谷歌学者] [交叉参考]
Bendig，J。；Yu，K。；Aasen，H。；博尔顿，A。；Bennertz，S。；Broscheit，J。；格尼普，M.L。；Bareth，G.结合作物表面模型、可见光和近红外植被指数中基于无人机的植物高度，用于大麦生物量监测。国际期刊申请。地球观测地球信息。 2015,39, 79–87. [谷歌学者] [交叉参考]
迈迈提江，M。；Ghulam，A。；Sidike，P。；哈特林，S。；Maimaitiyiming，M。；彼得森，K。；Shavers，E。；菲什曼，J。；彼得森，J。；卡达姆，S。；等。基于无人空中系统（UAS）的大豆表型分析，使用多传感器数据融合和极端学习机。ISPRS J.摄影。远程传感器。 2017,134, 43–58. [谷歌学者] [交叉参考]
贾亚图nga，S。；Owari，T。；Tsuyuki，S.《未老化森林管理的数字航空摄影测量：评估重建树冠结构和估算生物量的潜力》。远程传感器。 2019,11. [谷歌学者] [交叉参考]
巴列斯特罗斯，R。；奥尔特加，J.F。；埃尔南德斯博士。；Moreno，M.A.洋葱生物量监测，使用基于无人机的RGB成像。精确。农业。 2018,19, 840–857. [谷歌学者] [交叉参考]
Brocks，S。；Bareth，G.利用倾斜RGB图像的作物表面模型估算大麦生物量。远程传感器。 2018,10. [谷歌学者] [交叉参考]
张，H.F。；孙，Y。；Chang，L。；秦，Y。；Chen，J.J。；秦，Y。；杜J.X。；Yi，S.H。；Wang，Y.L.使用无人飞行器在象限尺度上估算草地冠层高度和地上生物量。远程传感器。 2018,10. [谷歌学者] [交叉参考]
新几内亚西利奥斯。；亚历山大迪斯，T.K。；吉塔斯，I.Z。；Perakis，K.植被指数：过去30年生物量估算和植被监测的进展。Geocarto国际。 2006,21, 21–28. [谷歌学者] [交叉参考]
巴列斯特罗斯，R。；费尔南多·奥尔特加，J。；埃尔南德斯，D。；Angel Moreno，M.使用基于无人驾驶飞行器的遥感和摄影测量技术对葡萄冠层进行表征。Am.J.伊诺。维提克。 2015,66, 120–129. [谷歌学者] [交叉参考]
Ota，T。；O.S.艾哈迈德。；明尼苏达州。；Khai，T.C。；Mizoue，N。；Yoshida，S.使用无人驾驶飞行器在伐木事件前后获得的数字航空摄影技术，估算选择性伐木对热带森林地上生物量的影响。对于。经济。管理。 2019,433, 162–169. [谷歌学者] [交叉参考]
Aasen，H。；Burkart，A。；博尔顿，A。；Bareth，G.使用轻型无人机快照相机生成用于植被监测的3D高光谱信息：从相机校准到质量保证。ISPRS J.摄影。远程传感器。 2015,108, 245–259. [谷歌学者] [交叉参考]
卡查巴，D.J。；奥卡，H.O。；Gobakken，T。；开斋节。；Mwase，W.利用热带林地无人飞行器图像的3D数据估算生物量。远程传感器。 2016,8. [谷歌学者] [交叉参考]
桑卡兰，S。；周J.F。；科特，L.R。；特拉普，J.J。；Mndolwa，E。；Miklas，P.N.。使用基于小型无人飞行器的多光谱图像对干豆进行高通量田间表型分析。计算。电子。农业。 2018,151, 84–92. [谷歌学者] [交叉参考]
纳西，R。；北维尔亚宁。；Kaivosoja，J。；Alhonoja，K。；哈卡拉，T。；马克林，L。；Honkavaara，E.使用无人机和基于飞机的光谱和摄影测量3D特征估算大麦和草的生物量和氮含量。远程传感器。 2018,10. [谷歌学者] [交叉参考]
Yue，J.B。；冯，香港。；Jin，X.L。；袁，H.H。；李，Z.H。；周春秋。；Yang，G.J。；Tian，Q.J.《利用无人机搭载快照高光谱传感器和高清数字相机的图像估计作物参数的比较》。远程传感器。 2018,10. [谷歌学者] [交叉参考]
卢，N。；周，J。；韩，Z.X。；李，D。；曹，Q。；姚，X。；田，Y.C。；Zhu，Y。；曹，W.X。；Cheng，T.改进了从RGB图像和低成本无人机系统获取的点云数据中估算小麦地上生物量的方法。工厂方法 2019,15. [谷歌学者] [交叉参考]
Han，L。；Yang，G.J.先生。；戴，H.Y。；徐，B。；Yang，H.等人。；香港冯。；李，Z.H。；Yang，X.D.使用无人机远程数据，基于机器学习方法对玉米地上生物量进行建模。工厂方法 2019,15. [谷歌学者] [交叉参考]
Li，J.T。；Shi，Y.Y。；Veeranampalayam-Sivakumar，A.N。；Schachtman，D.P.利用来自无人飞机系统的光谱和形态特征解释高粱生物量、氮和叶绿素含量。前面。植物科学。 2018,9. [谷歌学者] [交叉参考]
织女星，F.A。；F.C.拉米雷斯。；医学博士Saiz。；Rosúa，F.O.使用无人飞行器监测向日葵作物的多时间成像。生物晶体。工程师。 2015,132, 19–27. [谷歌学者] [交叉参考]
特纳，D。；Lucieer，A。；Watson，C.一种基于运动结构（SfM）点云的从超高分辨率无人机（UAV）图像生成地球校正马赛克的自动化技术。远程传感器。 2012,4, 1392–1410. [谷歌学者] [交叉参考] [绿色版本]
Duan，T。；郑，B。；郭伟。；尼诺米亚，S。；郭毅。；Chapman，S.C.根据无人机捕获的图像和正交组分，比较棉花、高粱和甘蔗试验地的地面覆盖估计值。功能。植物生物学。 2017,44. [谷歌学者] [交叉参考]
Jannoura，R。；Brinkmann，K。；尤图，D。；布伦斯，C。；Joergensen，R.G.使用遥控六翼直升机拍摄的真彩色航空照片监测作物生物量。生物晶体。工程师。 2015,129, 341–351. [谷歌学者] [交叉参考]
亨特，E.R.，Jr。；Cavigelli，M。；Daughtry，C.S.T。；麦克默特雷，J.E.，III；Walthall，C.L.《作物生物量和氮状况遥感模型飞机数字摄影评估》。精确。农业。 2005,6, 359–378. [谷歌学者] [交叉参考]
郑毅。；张，M。；张，X。；曾浩。；Wu，B.使用PROBA-V 100米和300米S1产品混合的时间序列数据绘制冬小麦生物量和产量图。远程传感器。 2016,8. [谷歌学者] [交叉参考]
克罗斯，A。；麦克奈恩，H。；拉彭，D。；Sunohara，M。；Champagne，C.玉米和大豆作物叶面积指数和生物量估算的RapidEye植被指数评估。国际期刊申请。地球观测地球信息。 2015,34, 235–248. [谷歌学者] [交叉参考] [绿色版本]
安布罗斯，A。；布里，P。；Lénárt，C。；Enyedi，P。；Kovács，Z。利用窄带植被估算冬小麦生物量。J.美分。Eur.Green Innov公司。 2015,三, 13. [谷歌学者]
Schirrmann，M。；Giebel，A。；格里尼格，F。；普弗兰兹，M。；Lentschke，J。；Dammer，K.-H.用低成本无人机图像监测冬小麦作物的农艺参数。远程传感器。 2016,8. [谷歌学者] [交叉参考]
片冈，T。；Kaneko，T。；冈本，H。；使用机器视觉的作物生长估计系统。《IEEE/ASME高级智能机电一体化国际会议论文集》，日本神户，2003年7月20日至24日。[谷歌学者]
海牙，T。；蒂列特，N.D。；Wheeler，H.《宽间距谷物中的作物和杂草自动监测》。精确。农业。 2006,7, 21–32. [谷歌学者] [交叉参考]
吉亚罗，M。；Pajares，G。；Riomoros，I。；P.J.埃雷拉。；Burgos-Artizu，X.P。；Ribeiro，A.农业图像中相关纹理的自动分割。计算。电子。农业。 2011,75, 75–83. [谷歌学者] [交叉参考] [绿色版本]
Hamuda，E。；Glavin，M。；Jones，E.该领域用于植物提取和分割的图像处理技术综述。计算。电子。农业。 2016,125, 184–199. [谷歌学者] [交叉参考]
G.J.J.Verhoeven，这一切都是关于形式——释放原始航空摄影的力量。Int.J.远程传感器。 2010,31, 2009–2042. [谷歌学者] [交叉参考]
李，S。；丁，X。；Kuang，Q。；Ata-Ui-Karim，S.T.公司。；Cheng，T。；刘，X。；田，Y。；Zhu，Y。；曹伟。；曹，Q.基于无人机的主动传感监测水稻叶片氮素状况的潜力。前面。植物科学。 2018,9, 1834. [谷歌学者] [交叉参考] [绿色版本]
Hirotugu，A.统计模型识别的新视角。自动。控制计算。科学。 1974,19, 716–723. [谷歌学者] [交叉参考]
李伟（Li，W.）。；牛，Z。；陈，H.Y。；李，D。；Wu，医学硕士。；Zhao，W.使用低成本无人飞行器系统的高分辨率立体图像远程估计玉米的冠层高度和地上生物量。经济。印度。 2016,67, 637–648. [谷歌学者] [交叉参考]
Matese，A。；Di Gennaro，S.F.公司。；Berton，A.使用基于无人机的多光谱成像对葡萄园冠层高度模型（CHM）的评估。Int.J.远程传感器。 2017,38, 2150–2160. [谷歌学者] [交叉参考]
罗，S。；王，C。；Xi，X。；潘，F。；彭，D。；邹，J。；聂，S。；秦，H。机载激光雷达数据和高光谱图像的融合，用于地上和地下森林生物量估算。经济。印度。 2017,73, 378–387. [谷歌学者] [交叉参考]
费尔南德斯·阿尔瓦雷斯，M。；Armesto，J。；Picos，J.《基于激光雷达的WUI野火预防：森林燃料的自动检测、测量和评估》。森林 2019,10. [谷歌学者] [交叉参考]
郭，Q。；苏，Y。；胡，T。；X.赵。；Wu，F。；李毅。；刘杰。；陈，L。；徐，G。；林·G。；等。一个集成无人机机载激光雷达系统，用于在中国三个森林生态系统中进行三维栖息地测绘。Int.J.远程传感器。 2017,38, 2954–2972. [谷歌学者] [交叉参考]
Madec，S。；巴雷特，F。；德索兰，B。；托马斯·S。；Dutartre，D。；杰泽克尔，S。；Hemmerle，M。；科伦坡，G。；Comar，A.《植物高度的高通量表型：比较无人机和地面激光雷达估算值》。前面。植物科学。 2017,8. [谷歌学者] [交叉参考]
Wang，D.L。；Xin，X.P。；邵，Q.Q。；布罗利，M。；朱，Z.L。；Chen，J.使用无人飞行器离散激光雷达模拟呼伦贝尔草原生态系统的地上生物量。传感器 2017,17. [谷歌学者] [交叉参考]
刘凯。；沈，X。；曹，L。；王，G.B。；Cao，F.L.使用银杏种植园的UAV-LiDAR数据估算森林结构属性。ISPRS J.摄影。远程传感器。 2018,146, 465–482. [谷歌学者] [交叉参考]
Iizuka，K。；Yonehara，T。；伊藤，M。；Kosugi，Y.根据日本柏树（Chamaecyparis obtusa）森林的数字表面模型和无人机系统获得的正射照片估计树木高度和胸径（DBH）。远程传感器。 2018,10. [谷歌学者] [交叉参考]
巴雷思，G。；Schellberg，J.在草地上用低成本无人机衍生的沼泽高度数据代替手动上升板测量仪进行空间监测。PFG-J.照片。遥感地理信息。科学。 2018,86, 157–168. [谷歌学者] [交叉参考]
王晓庆。；张瑞云。；Song，W。；Han，L。；Liu，X.L。；太阳，X。；罗，M.J。；Chen，K。；Zhang，Y.X。；Yang，H.等人。；等。通过使用高通量无人机（UAV）进行遥感表型分析，在玉米中揭示了动态株高QTL。科学。代表。 2019,9. [谷歌学者] [交叉参考]
Schirrmann，M。；A.哈姆多夫。；吉贝尔，A。；Gleiniger，F。；普弗兰兹，M。；Dammer，K.H.回归克里格法，用于改进融合超声波传感和无人机图像的作物高度模型。远程传感器。 2017,9. [谷歌学者] [交叉参考]
Ziliani，M.G。；南达科他州帕克斯。；Hoteit，I。；McCabe，M.F.使用固定翼无人机在商业农场规模下的季内作物高度变化。远程传感器。 2018,10. [谷歌学者] [交叉参考]
Gruner，E。；Astor，T。；Wachendorf，M.基于无人机成像的SfM方法对非均质温带草原的生物量预测。农学 2019,9. [谷歌学者] [交叉参考]
Bendig，J。；博尔顿，A。；Bennertz，S。；Broscheit，J。；艾奇弗斯，S。；Bareth，G.使用基于无人机RGB成像的作物表面模型（CSM）估算大麦生物量。远程传感器。 2014,6, 10395–10412. [谷歌学者] [交叉参考] [绿色版本]
王，C。；聂，S。；Xi，X。；罗，S。；Sun，X.利用高光谱和激光雷达数据估算玉米的生物量。远程传感器。 2016,9. [谷歌学者] [交叉参考]
蒂利，N。；Aasen，H。；Bareth，G.大麦生物量估算中株高和植被指数的融合。远程传感器。 2015,7, 11449–11480. [谷歌学者] [交叉参考] [绿色版本]
蒂利，N。；霍夫梅斯特，D。；曹，Q。；Lenz-Wiedemann，V。；苗，Y。；Bareth，G.从空间株高数据估算水稻生物量模型的可传递性。农业 2015,5, 538–560. [谷歌学者] [交叉参考] [绿色版本]
Yue，J.B。；Yang，G.J。；Li，首席执行官。；李，Z.H。；Wang，Y.J。；香港冯。；Xu，B.使用基于无人机的快照高光谱传感器和作物高度改进模型估算冬小麦地上生物量。远程传感器。 2017,9. [谷歌学者] [交叉参考]
范德梅伊，B。；库瓦斯特拉，L。；索马莱恩，J。；巴雷尔，J.M。；De Deyn，G.B.使用基于无人机的光学传感器对基于现场的植物-土壤反馈的植物特性响应进行遥感。生物地球科学 2017,14, 733–749. [谷歌学者] [交叉参考]
巴列斯特罗斯，R。；奥尔特加，J.F。；埃尔南德斯，D。；del Campo，A。；Moreno，M.A.将农业气候和高分辨率遥感信息结合用于作物监测。国际期刊申请。地球观测地球信息。 2018,72, 66–75. [谷歌学者] [交叉参考]

图1。研究领域的位置和区域划分：(一)研究领域在中国的位置；(b条)研究领域的鸟瞰图，指示区域划分、采样点位置和地面控制点（绿色圆形）。RGN是region的缩写。这张航空照片是在DOY 185上拍摄的。

图1。研究领域的位置和区域划分：(一)研究领域在中国的位置；(b条)研究领域的鸟瞰图，指示区域划分、采样点位置和地面控制点（绿色圆形）。RGN是地区的缩写。这张航空照片是在DOY 185上拍摄的。

图2。每个采样区内采样点的位置(一)以及每个采样点内玉米株高的测量方法(b条). 酸碱度_裁判表示参考植物高度。

图3。无人机RGB图像的采集和预处理，包括相机参数设置、飞行路线设计、无人机作战、图像拼接和校正。GCP是地面控制点的缩写。

图4。六种玉米株高特征（PH）选择方法示意图₉₀，PH₉₅，PH₉₇，PH₉₈，PH₉₉，和PH_最大值)对于每个采样图。(一)每个采样点内点云的累积概率分布曲线；(b条)采样图中点云的横截面图，说明使用高度百分位数计算植物高度。

图4。六种玉米株高特征（PH）的选择方法示意图₉₀，PH₉₅，PH₉₇，PH₉₈，PH₉₉和PH_最大值)对于每个采样图。(一)每个采样点内点云的累积概率分布曲线；(b条)采样图中点云的横截面图，说明使用高度百分位数计算植物高度。

图5。示意图显示了基于无人机RGB图像的特征获取玉米地上生物量（AGB）最佳估计模型的主要步骤。

图6。UAV RGB点云玉米株高与地面株高（PH）的相关性_裁判). 玉米株高估计是通过使用第90(一); 第95名(b条); 第97名(c（c）); 第98名(d日); 和第99名(e（电子）)百分位数；和最大值(（f）)点云高度分别代表工厂水平。R（右）²表示决定系数，RMSE表示均方根误差。

图6。UAV RGB点云玉米株高与地面株高（PH）的相关性_裁判). 玉米株高估算值由第90个(一); 第95名(b条); 第97名(c（c）); 第98名(d日); 和第99名(e（电子）)百分位数；和最大值(（f）)点云的高度分别表示植物水平。R（右）²表示决定系数，RMSE表示均方根误差。

图7。无人机RGB点云得出的玉米株高与地面新鲜或干燥地上生物量（AGB）之间的相关性。玉米株高（PH₉₉)观测值是通过使用点云高度的第99个百分位来表示植物水平来获得的。AIC代表Akaike信息标准；(一,c（c）)分别为鲜地上生物量的线性回归模型和指数回归模型；(b条,d日)分别是干地上生物量的线性回归模型和指数回归模型。

图8。基于NGRDI、ExGR和VEG的玉米地上生物量与地面生物量的相关性研究；(一)和(b条)分别为玉米鲜生物量和干地上生物量。

图8。基于NGRDI、ExGR和VEG的玉米地上生物量与地面生物量的相关性研究；(一)和(b条)分别是玉米新鲜和干燥的地上生物量。

图9。基于NGRDI、ExGR、VEG估算的玉米地上生物量与株高的相关性研究；(一,b条)分别为玉米鲜生物量和干地上生物量。

图10。根据2018年DOY 171、177和185的UAV RGB图像得出的植被指数绘制的玉米新鲜和干燥地上生物量地图。AGB_f和AGB_d分别是玉米鲜生物量和干地上生物量的缩写。

图11。DOY 170-185期间人工测量的玉米株高与生物量之间线性回归模型斜率的变化。(一)鲜玉米生物量；(b条)干玉米生物量。k1、k2和k3分别表示基于DOY 170、177和185收集的数据的线性回归模型的斜率。

图11。DOY 170-185期间人工测量的玉米株高与生物量之间线性回归模型斜率的变化。(一)鲜玉米生物量；(b条)干玉米生物量。k1、k2和k3分别表示基于在DOY 170、177和185上收集的数据的线性回归模型的斜率。

图12。由无人机RGB图像得出的三个植被指数分别与玉米人工测量的株高之间的相关性。(一)归一化绿红色差异指数（NGRDI）；(b条)过量绿色减去过量红色（ExGR）；(c（c）)植被指数（VEG）。第页<0.01代表显著性水平。

表1。无人机RGB图像采集系统的主要参数。

参数	价值
轴距	350毫米
重量	1388克
飞行时间	30分钟
通信半径	5公里
速度	<72公里/秒
图像传感器	1英寸CMOS
RGB颜色空间	sRGB（sRGB）
摄像头分辨率	4864×3648像素
透镜焦距	8.8毫米/24毫米
透镜视野	84°
ISO范围	100–12,800
快门速度	8–1/8000秒
图像格式	JPEG；DNG公司

表2。无人机RGB图像得出的植被指数与地面新鲜或干燥地上生物量之间的相关性。五个植被指数和一个植被指数组合，即归一化绿光差异指数（NGRDI）、超绿指数（ExG）、超绿色减超红色（ExGR）、植被颜色指数（CIVE）、植物指数（VEG）以及ExG、ExGR、CIVE和VEG（COM）的组合，分别建立了玉米地上部鲜生物量和干生物量的线性回归估计模型。

表2。无人机RGB图像得出的植被指数与地面实况新鲜或干燥的地上生物量之间的相关性。五个植被指数和一个植被指数组合，即归一化绿光差异指数（NGRDI）、超绿指数（ExG）、超绿色减超红色（ExGR）、植被颜色指数（CIVE）、植物指数（VEG）以及ExG、ExGR、CIVE和VEG（COM）的组合，分别建立了玉米地上部鲜生物量和干生物量的线性回归估计模型。

植被指数和组合	新鲜地上生物量		干地上生物量
植被指数和组合	R（右）²	RMSE（千克/米²)	R（右）²	RMSE（千克/米²)
NGRDI公司	0.70	0.34	0.68	0.04
ExG公司	0.34	0.50	0.33	0.06
执行GR	0.73	0.32	0.73	0.04
CIVE公司	0.02	0.62	0.02	0.09
VEG公司	0.65	0.37	0.63	0.05
组件对象模型	0.73	0.32	0.72	0.05

分享和引用

MDPI和ACS样式

牛，Y。；张，L。；张，H。；Han，W。；X·彭。基于无人机RGB图像的特征估计玉米地上生物量。远程传感器。 2019,11, 1261.https://doi.org/10.3390/rs11111261

AMA风格

牛毅，张磊，张浩，韩伟，彭旭。基于无人机RGB图像的特征估计玉米地上生物量。遥感. 2019; 11(11):1261.https://doi.org/10.3390/rs11111261

芝加哥/图拉宾风格

牛亚晓、张丽媛、张慧慧、韩文婷和彭兴硕。2019.“利用基于无人机RGB图像的特征估算玉米地上生物量”遥感11，编号11:1261。https://doi.org/10.3390/rs11111261

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。查看更多详细信息在这里.

文章菜单