Predicting the Optimum Corn Harvest Time via the Quantity of Dry Matter Determined with Vegetation Indices Obtained from Multispectral Field Imaging

Janoušek, Jiří; Marcoň, Petr; Dohnal, Přemysl; Jambor, Václav; Synková, Hana; Raichl, Petr

doi:10.3390/rs15123152

开放式访问第条

利用多光谱场成像获得的植被指数预测玉米最佳收获期

¹

捷克共和国布尔诺市布尔诺科技大学电气工程与通信学院，邮编61600

²

NutriVet s.r.o.，Vídeňská1023，69123 Pohořelice，捷克共和国

^*

信件应寄给的作者。

远程传感器。 2023,15(12), 3152;https://doi.org/10.3390/rs1522152

收到的提交文件：2023年4月24日/修订日期：2023年6月7日/接受日期：2023年6月14日/发布日期：2023年6月16日

（本文属于特刊创新无人机应用)

下载

浏览地物

版本注释

摘要

:

估计最佳收获时间和产量是一个重要的粮食安全因素。植被指数已被证明是大规模田间植物健康绘图的有效工具。然后，无人机多光谱相机可以方便地获取有关工厂状况的数据。本文通过对野外采集的植物样品进行化学分析，探讨了植被指数与营养价值之间的关系。在这种情况下，重点放在标准化差值红边指数上(国家发改委)，归一化差异植被指数(NDVI公司)，绿色归一化差异植被指数(GNDVI公司)以及营养价值，如干物质的营养价值。变量之间的关系通过回归模型进行关联和描述。这就产生了适用于估算干物质数量，从而确定最佳玉米收获时间的方程式。在捷克共和国摩拉维亚南摩拉维亚地区的五种不同类型的玉米杂交种上验证了所得方程。

关键词：

玉米;多光谱成像;植被指数;营养分析;相关性;摄影测量学;最佳收获时间;无人机

1.简介

1.1. 遥感

地球表面遥感在精准农业中发挥了重要作用，并长期保持着这一地位。通过卫星和高光谱或多光谱相机可以对农业地区进行成像[1]. 这些技术不仅用于遥感，而且例如用于检测感染害虫的垂死树木[2]腐烂或机械损坏的水果和蔬菜[三]认识到粪便污染[4]，建立黄瓜的冷诱导退化[5]，测量水果成熟度[6]，对感染真菌的小麦籽粒进行分类[7]和许多其他应用程序[8,9]. 最近，实际的方法和相关的方法有了很大的发展。

本文概述的研究利用了先前发布的案例研究[1]从而建立、验证并显著增强了植物营养价值和植被指数之间已经建立的相关性。重要的是，我们的最新结论是根据三年（即三个收获季节）的数据得出的，而参考文章[1]仅展示和分析一个季度内获得的结果。

收获的作物总生物量包括整个玉米植株。植物物候期的基本指标是基于规定干物质含量；随着作物成熟，这些数量显著增加。在玉米中，干物质是生长成熟度的特征，其体积在物质和程序上影响青贮饲料的质量[10]. 玉米植株的化学成分在生长过程中会发生变化。在植物发育成穗之前，其能量主要集中在纤维中，纤维的比例因植物而异，具体取决于实际的收获时间。为了确保最终的玉米青贮产品不仅包括纤维，还包括淀粉，收获必须在蜡质成熟期进行，即当整个植株的干物质比例值达到280至330 g/kg之间时。在这种情况下，乳线期达到玉米籽粒的2/3。生长成熟度的另一个指标是青贮的能力，或者换句话说，产生保存青贮的发酵酸的能力。

收获时间和总生物量对青贮发酵特性有重要影响。玉米种植过程和后续青贮的质量取决于特定年份的天气条件，选择具有适当FAO编号的合适杂交种，以规定播种的早熟程度、处理和特性。

玉米样品通常在田间不同地点采集，以便评估病情和物候期。当达到乳线阶段时，样品被提交给实验室进行化学分析，以确定谷物和整个植物中的干物质含量。根据植物和干物质的发育程度，初步确定收获时间，并根据玉米的计划目标用途（即产奶或沼气设施的甲烷生成）而有所不同。

由于干物质含量是确定最佳收获时间的一个主要参数，因此确定是否可以在整个非均质田地内获得更准确的平均干物质值数据非常重要。本文建议通过有效整合不同的方法和技术来解决这一问题，包括配备多光谱相机的无人机、用于获取植被指数的图像数据分析以及对野外采集的所有样本进行化学分析。

1.2. 野外图像数据采集

通过两种基本技术之一，即卫星图像或使用安装在飞行器上的多光谱或高光谱相机进行的摄影测量，可以获得与田地条件相关的综合数据，从而也可以获得干物质的平均含量。这两种方法都可以用于预测农作物的产量。

无人机摄影测量成像使用不同类型的多光谱或高光谱相机[11,12,13,14,15,16]. 根据无人机获取的摄影测量数据预测作物产量的问题已在文献中得到解决[11]. 我们的文章扩展了先前的研究，提出了关于干物质产量和植被指数之间相关性的新发现。

这两种成像选项中的另一种依赖于卫星。卫星图像与基于无人机的方法在传感器与感兴趣区域的距离方面有所不同。卫星沿轨道以不低于400公里的恒定高度移动，既可以是地球静止轨道，也可以是赤道以上环绕地球的轨道，或其他轨道。重要的是，后一种类型的卫星在整个地球表面上以南北方向逐步绕地球旋转。

人造卫星可确保定期成像，并具有长期稳定性和可重复性，这些方面体现了该技术最显著的优势。相比之下，主要缺点在于图像分辨率较低，这一问题证实了无人机在编译高分辨率地图时的使用。卫星使我们能够很容易地确定它们通过被监测区域的时间；然而，由于轨道速度保持不变，这样的时间不能根据需要进行调整，也不能适应感兴趣区域的位置。此外，与无人机侦察相比，获取高质量图像更依赖于有利的天气；这个过程很容易受到约束效应的影响，例如云带。

卫星携带关键传感器，如多光谱和超光谱传感器、激光雷达和RGB相机。然而，对图像的访问通常是有限的，需要提供图像数据库的预付费服务。

数量最多的卫星由总部位于美国的Planet Labs公司在PlanetScope内运营，该系统由175颗卫星组成，提供空间分辨率高达3米的多光谱图像；成像每天进行，覆盖整个地球表面。该处理利用原始数据，应用大气校正和其他相关程序，例如单像素分类[17,18].

1.3. 作物产量预测

多篇研究文章讨论了通过卫星图像预测作物产量。例如，在这种情况下，研究的作者[19]关注作物生长早期施用氮肥的最佳时间，调查实际时间并测量植被指数NDVI公司以及植物高度作为干物质产量的指标；然而，尽管采用了这种综合方法，但仅提供了两年内的相对值。

第条[20]通过NDVI公司相对作物产量（水稻、冬小麦和玉米）的指数和测量。作者确定了可靠估计作物产量的最佳时期，并将该模型描述为最适合的模型，即玉米的均方根误差为206.59 kg/ha。这些模型在小地区表现得相当好，尤其是在作物类型不明确的地区。

正在研究中[21]，的NDVI公司研究发现，在用作生物量的草中，尽管延迟了4-6周，但与产量值的相关性很好。玉米的产量值与NDVI公司延迟了两周。

依赖光谱辐射测量设备的测量，其中主动辐射源NDVI公司测量是活跃的，显示出NDVI公司硬粒小麦基因型。相关文章[22]然而，也表明测量程序可能在很大程度上取决于所使用的光谱仪，主要取决于其对目的的总体适用性和所需的操作时间。通过其他研究项目的成果[23,24,25]中分辨率成像光谱仪（MODIS）在预测收获量时似乎产生了良好的结果。本文研究了基于贝叶斯神经网络的遥感变量玉米产量预测和不确定性分析[26]. 其他用于定量估计作物产量的人工智能方法也在资料来源中介绍[27,28,29,30,31,32,33].

有趣的是，在有信息价值的可用像素数量方面，暴露在胁迫下的玉米植株和水分胁迫之间有着显著的相关性[34]. 此外，一些专家已经[35]认为使用(NDVI公司)利用NOAA先进甚高分辨率辐射计（AVHRR）获取的数据，可以在实际收获前至少2个月预测玉米产量，其精度是水分胁迫程序的数倍。参考文章[36]还强调结合气候学NDVI公司数据体现了提高模型准确性的有益步骤；这一假设在研究中得到了证实[36]. 气象数据和卫星图像的组合用于预测Brachiaria牧场的地上生物量和干物质含量，概述如下[37].

的准确性NDVI公司-得出的玉米产量预测显然取决于扫描时间[38]以及一天中不同时期植物中的水量，而不考虑使用的传感器[39,40].

研究中描述了一种预测方法，该方法利用叶面积指数（LAI），并通过多光谱系统（Landsat 8，RapidEye）进行的野外反射率测量来估算干物质[41].

此外，关于一般与主题相关的问题，一些研究报告、文章和论文讨论了植被指数与营养价值之间的关系[42,43]; 后者检查了植被指数和氮营养指数（NNI）之间的数据相关性，调查仅针对辣椒植物。本文比较了不同施氮量下玉米品种的植被指数和农艺性状[44]. 我们的努力在概念上尤其与报告中概述的努力有关[45]该模型揭示了冠层植被与不同氮效率玉米品种生长指数之间的相关性；的作者[45]然而，没有显示具体的数学表达式来检查植被与营养指数之间的关系，以便确定最佳玉米收获时间。

我们的文章广泛扩展了迄今为止可用的知识、研究和应用程序。实际的新颖之处在于设计了一种新的更准确的方法（例如，与[1])利用不同植被指数与不同玉米物候期干物质含量之间的相关性，确定最佳收获时间。采用这种创新方法，农民无需直接在田间对作物进行取样并进行化学分析，从而节省了大量时间和工作量。适当收获时间的定义导致整个程序链得到优化，从播种开始，通过理想的青贮营养价值，最终确保牛奶或沼气的最大可实现产量。

2.材料和方法

数据收集和相关的数学处理通过以下框图和演示进行描述。的左侧部分图1揭示了如何通过利用植被指数回归模型和玉米植株的化学分析获得新方程；右侧部分(图1B）相比之下，显示了使用实验生成的方程来计算干物质，而无需进行化学分析。干物质值使我们能够确定被调查作物的最佳收获时间。

2.1. 感应周期和位置

在捷克共和国摩拉维亚南摩拉维亚地区的不同地点，对玉米田进行了多光谱相机摄影测量成像和手动采样。尽管各个步骤之间的间隔不同，但采样操作是协调的。在多光谱图像中记录了采集化学分析样品的位置(图2)预设的地点选择标准包括足够的植被异质性、土壤成分和气候条件等因素[1]. 在研究第1年，采样于2019年7月23日至2019年9月4日在Troubsko村附近进行，分别在青贮饲料和谷物杂交种中植物表型的四个和五个不同时间间隔进行。

2020年8月12日至2020年10月7日期间，在什拉帕尼塞市和普拉斯市（均位于布尔诺县）之间进行了采样。为了优化和比较研究第一年的样本，我们选择了更高的采样频率，在8个不同的日子收集项目。第二年，在VelkéPavlovice镇（Břeclav区）附近的一块田地里进行了实验，并分配了相同数量的样本。样本由两个玉米杂交种组成，于2021年8月2日至2021年9月21日采集。

为了检验相关关系的有效性，并确认计算的植被指数的变化与营养分析中的变化成正比的假设，我们在Knínice村（Blansko区）附近进行了一个单独的实验，在实际收获的当天涉及5个玉米杂交种。

2.2. 无人机数据收集与分析

摄影测量数据来自安装在DJI Matrice 600 Pro无人机上的Micasence RedEdge-3多光谱相机(图3)。RedEdge设备捕获5个不同的波段(表1)并配有3DR GPS模块、下涌光传感器、以太网等接口。

在评估图像之前，必须获得足够数量的异质数据，以便比较适合实现与植物样品营养价值最佳相关性的方法。

成像是沿着预先编程的自动飞行路径进行的，每条路径在感兴趣区域内都有一个精确定义的多边形扫描区域。在实验中，我们使用DJI自动驾驶仪和Pix4D捕捉软件来规划路径。图像处理依赖于结构-运动（SFM），这是一种用于处理无人机获得的多光谱图像的关键摄影测量技术。

测试覆盖的区域很小，这意味着我们假设了一个固定的高度；这个高度也构成了图像计算的基础。在所有三年的研究中，绘图覆盖了361 m×362 m的矩形区域，即约13.1 ha的区域。总飞行路径长度达到4.477米。为了扫描调查扇区的整个范围，飞行持续了31分钟，图像之间的重叠度为70%。该无人机以8.6 km/h的速度飞行，离地高度为40米。在每个光谱带中，我们都拍摄了330多张分辨率为2.78厘米/像素的图像。测量数据在用户级使用Pix4D映射器进行处理；我们没有测试图像分辨率的变化或通过其他各种方法进行处理。

多光谱成像提供植被指数，其中包含与植物生物特性相关的电磁光谱不同反射率值的信息。最广泛使用的植被指数是那些可以确定定量指标的指数，例如一个区域内的生物量。有大量计算植被指数的算法可用，这些算法来自至少两幅光谱图像的计算；选择图像的方式是为了暴露植被反射率的变化，在大多数情况下，它们在功能上是等效的。文献中发表了150多个植被指数，但只有一小部分具有强大的生物物理基础或经过系统测试[46,47,48].

每个植被指数跟踪特定的植被特征，便于特定应用。不使用近红外光谱带的指数表现出有限（和限制）的特性，因此不适合实际监测植被变化。为了便于分析，我们选择了比率指数NDVI公司,国家发改委、和GNDVI公司，所有这些都以类似方式计算；然而，这些工具也包含不同的光谱带，因此它们共同提供了重要波长的横截面。结合这些索引，就会产生适用的修改，这些修改的数据与最初选择的基本版本提供的数据不同[49].

植被指数不是恒定的，而是取决于短期天气变化和总日照量。为了完善多光谱传感的结果，我们需要进行校准；这一步骤在不同的生长季节、不同的天气条件下以及一天中的同一阶段执行。重要的是，必须建立一个包含多个测量结果的数据库，以便我们选择在最佳情况下可以实现的值。校准相机可以消除因使用一次性单一作物样本而产生的误差，创建额外的图像将有助于指数的比较。

2.2.1. 归一化植被指数

这个NDVI公司是一种植物健康的数字指示器，提供了有关植被变化的数据，从更详细的意义上讲，还提供了植物中水分胁迫和叶绿素含量的数据。该指数使用光谱中红色和近红外部分的反射率比率来评估监测的植被表面[50].

这个NDVI公司利用红色可见带，该带被植物表面的上部强烈吸收，这意味着较低的水平对NDVI公司测量。因此，该指数与植物体积特性之间的相关性恶化；这在具有多个叶层的较高植物（如生长后期的玉米）中更为突出[51,52].

近红外光谱的反射率使该指数能够轻松区分植被的细微差异。在实际传感中，最重要的因素包括阴影和大气，其影响导致不同波段内的反射率变化；通过比较不同时间拍摄的图像进行校正，可以消除大气影响[49]. 我们有

N个 D类 V（V） 我 = \frac{ρ_{N个 我 R（右）} - ρ_{R（右） e（电子） d日}}{ρ_{N个 我 R（右）} + ρ_{R（右） e（电子） d日}}

(1)

哪里ρ_{近红外光谱}和ρ_红色分别表示近红外和红色波段的反射率。

2.2.2. NDRE（归一化差值红边指数）

与上述特征化工具类似国家发改委利用近红外光谱和位于分离可见光谱和红外光谱的过渡区的频带，即红边；我们有

N个 D类 R（右） E类 = \frac{ρ_{N个 我 R（右）} - ρ_{R（右） e（电子） d日 E类 d日 克 e（电子）}}{ρ_{N个 我 R（右）} + ρ_{R（右） e（电子） d日 E类 d日 克 e（电子）}} .

(2)

2.2.3. GNDVI（绿色归一化植被指数）

该方法使用绿色光谱波长，而不是红色光谱波长；这些是ρ_{近红外光谱}和ρ_绿色，分别表示近红外和绿色波段的反射率值[53,54]. 我们有

G公司 N个 D类 V（V） 我 = \frac{ρ_{N个 我 R（右）} - ρ_{G公司 第页 e（电子） e（电子） n个}}{ρ_{N个 我 R（右）} + ρ_{G公司 第页 e（电子） e（电子） n个}} .

(3)

2.3. 田间烤玉米植株样品的化学分析

为了获得玉米田间样品的营养参数，我们进行了专门的实验室化学分析。然后将植被指数和分析结果在受监测作物的不同物候生长阶段进行关联，以确定理想的收获时间，即青贮饲料和动物饲料的玉米产量，以及沼气厂的甲烷产量。

采样始终以相同的时间间隔进行，同时进行多光谱成像。为了调查玉米杂交种的质量，我们选择了根据捷克共和国莫拉维亚布尔诺中央农业监督测试研究所推荐的方法进行采样[55]. 从三个不同的部门采集样本，以揭示当地农田生长的均匀性；在每一个案例中，我们都取了10株整株玉米，并在所获得的多光谱地图上标记了它们在图2.

随后，我们对植物进行了修改和分析，以确定主要数量，即调频-新鲜物质（新鲜重量）-和电子战-耳朵重量。一般来说，分析还可以确定以下营养价值：DM公司–干物质，即干物质体积–然后我们从中定义人物配对关系-粗蛋白（含氮化合物）；穿越火线-粗纤维（粗纤维）；淀粉（淀粉含量）；灰分（存在灰分）；国家发展基金-中性洗涤纤维（中性洗涤纤维）；挪威国防军-消化率国家发展基金（中性洗涤纤维消化率）；和DOM公司-消化率有机物（有机物消化率）。分析数据最终使我们能够计算每公顷的产量，包括YFM公司-新鲜物质产量（新鲜物质份额指标）和YDM公司-干物质产量（干物质份额指标）；总的来说，假设一公顷土地生产80000株玉米。

2.4。数据相关性

一方面，定义营养分析结果之间的关系(螺母)植被指数的值(素食)另一方面，我们计算了植被指数值

{第页}_{N个 u个 t吨, V（V） e（电子） 克}

根据皮尔逊相关系数。相关度由计算出的相关系数指定，其值可以从−1到+1。系数+1的终值表示一个完全直接的关系，第一个变量有增加的趋势；相比之下，系数-1的值表示一个完全相反的关系，并且第一个变量趋于减小。如果相关系数为零，则被监测参数与反射率或植被指数之间不存在线性关系。我们有

{第页}_{N个 u个 t吨, V（V） e（电子） 克} = \frac{\frac{1}{n个} \sum_{我 = 1}^{n个} (N个 u个 {t吨}_{我} - \bar{V（V） e（电子） 克}) (V（V） e（电子） 克_{我} - \bar{N个 u个 t吨})}{{S公司}_{N个 u个 t吨} \cdot {S公司}_{V（V） e（电子） 克}}

(4)

{S公司}_{N个 u个 t吨} = \sqrt{\frac{1}{n个} \sum_{我 = 1}^{n个} (N个 u个 {t吨}_{我}^{2} - \bar{N个 u个 {t吨}^{2}})},

(5)

{S公司}_{V（V） e（电子） 克} = \sqrt{\frac{1}{n个} \sum_{我 = 1}^{n个} (V（V） e（电子） {克_{我}}^{2} - \bar{V（V） e（电子） 克^{2}})},

(6)

哪里

N个 u个 t吨

表示营养分析值，

V（V） e（电子） 克

表示植被指数值，

\bar{V（V） e（电子） 克}

和

\bar{N个 u个 t吨}

代表样本均值，以及

{S公司}_{V（V） e（电子） 克}

和

{S公司}_{N个 u个 t吨}

是标准偏差。

数量

{R（右）}^{2}

表示决定系数。它取0到1之间的值，通过计算来表示变量的联合变异性，并指定回归模型的质量。值为1表示对因变量值的完美预测，而值为0表示与因变量知识相关的最小信息。使用以下关系计算系数。

数据集具有n个值标记为年₁,…,年_n个（统称为年_我或矢量年= [年₁,…,年]_n个^T型)，每个与拟合（或建模、预测）值关联如果₁,…,如果_n个（表示为如果_我).

如果

\bar{年}

是观测数据的平均值，

\bar{年} = \frac{1}{n个} \sum_{我 = 1}^{n个} 年_{我},

(7)

然后，可以使用两个平方和公式来测量数据集的可变性。首先，让我们注意残差的平方和，也称为残差平方和：

S公司 {S公司}_{第页 e（电子） 秒} = \sum_{我} {(年_{我} - {如果}_{我})}^{2} .

(8)

后一个方程体现了总平方和（与数据方差成比例），读数为

S公司 {S公司}_{t吨 o（o） t吨} = \sum_{我} {(年_{我} - \bar{年})}^{2} .

(9)

决定系数的最一般定义是

{R（右）}^{2} = 1 - \frac{S公司 {S公司}_{第页 e（电子） 秒}}{S公司 {S公司}_{t吨 o（o） t吨}} .

(10)

在最佳情况下，建模值与观测值完全匹配，从而

S公司 {S公司}_{第页 e（电子） 秒} = 0

和

{R（右）}^{2} = 1 .

一个基线模型，它总是预测

\bar{年}

，将拥有

{R（右）}^{2} = 0;

预测结果比基线差的模型将假设为负值

{R（右）}^{2}

[56].

为了获得另一个参数，以确定相关系数是否采用有效暗示相互有效关系的值，我们计算了它们的统计显著性。

根据Student的概念，使用连续概率分布（t-分布）确定统计显著性比率；我们有

{t吨}_{秒 c（c） o（o） 第页 e（电子）} = ({第页}_{N个 u个 t吨, V（V） e（电子） 克} \cdot \frac{\sqrt{n个 - 2)}}{\sqrt{(1 - {第页}_{N个 u个 t吨, V（V） e（电子） 克}^{2})}}),

(11)

哪里n个是观测到的相关相位的数量。

在寻求统计相关值时，我们选择了2%的显著性水平，对应于99%的四分位数。七自由度、四自由度和三自由度的t分布值分别等于2.998、3.747和4.541。如果相关系数超过临界值，则可以认为相关性具有统计相关性。

2.5. 验证结果方程的方法：单独的玉米田

定义干物质值与相关植被指数线性关系的方程NDVI公司,国家发改委、和GNDVI公司在实际收获当天，对5个杂交种（ES小丑、ES惠灵顿、KTG卡拉克斯、Absolutissimo和Rudolfinio）进行了单次试验结果验证。干物质含量预测涵盖了为粮食种植的杂交种，理想的收获窗口转移到380 g/kg到420 g/kg之间。

在每一个杂交后代中，所获得的关系（14）-（16）的相互作用被设定并验证。通过营养分析，我们测定了整株植物的干物质体积，并将其表示为干物质常规真值，

D类 {M（M）}_{C类 T型 V（V）} .

随后，我们应用植被指数计算预测的干物质值，

D类 {M（M）}_{P（P） V（V）},

并确定了绝对偏差和相对偏差，

Δ_{DM公司}

和

δ_{DM公司},

分别从预测值中提取干物质常规真值。方程式显示

Δ_{DM公司 [克 / 公斤]} = D类 {M（M）}_{P（P） V（V）} - D类 {M（M）}_{C类 T型 V（V）} .

(12)

δ_{DM公司 [%]} = \frac{Δ_{DM公司 [克 / 公斤]}}{D类 {M（M）}_{C类 T型 V（V）}} \cdot 100 = \frac{D类 {M（M）}_{P（P） V（V）} - D类 {M（M）}_{C类 T型 V（V）}}{D类 {M（M）}_{C类 T型 V（V）}} .

(13)

3.结果

3.1. 化学分析

表2,表3,表4,表5和表6以下包含化学分析得出的值。2020年，收获计划使我们能够在收获窗口内扩展预定义实验，以涵盖更长的时间，因此我们最终包括了总共八个采样日期；这一步使我们能够通过化学分析和计算产量特征来确定更多的玉米植株营养参数(表4).

2021年，我们重复了2020年的程序，唯一的区别是，为了获得更高的变异性，我们在同一地点试验了两个不同的玉米杂交种，DKC 3568和DKC 4279；这些杂交种都有特定的成熟期。结果参数如所示表5（DKC 3568）和表6（DKC 4279）。

3.2. 数据关联结果

在表7下面，我们给出了根据参考计算的统计相关值[8]根据三年项目中检测的玉米杂交种的植被指数和营养价值之间的相关数据。统计显著值以粗体显示。

3.3. 回归模型结果

分析的植被指数和干物质值之间的关系细节如图所示图4使用线性回归模型，我们发现了以下比例：

N个 D类 V（V） 我 = - 0.0007 \cdot D类 M（M） + 1.0712,

(14)

N个 D类 R（右） E类 = - 0.0007 \cdot D类 M（M） + 0.7031,

(15)

G公司 N个 D类 V（V） 我 = - 0.0005 \cdot D类 M（M） + 0.9277 .

(16)

这些公式有助于建立植被指数和干物质值之间的图形关系，图5.

3.4. 验证回归模型

为了从上述等式（14）-（16）中确定预测的干重值，我们分析了先前获得的多光谱图像，建立了光谱反射率和植被指数的值(表8).

在表9下面，我们展示了通过玉米样品化学分析确定的传统真实干物质值与根据方程式（14）–（16）通过植被指数建立的预测干物质值之间关系的分析结果。

3.5. 绘制植被指数

选定的植被指数图如所示图6; 所有物品以及其他物品都是用无人机携带的RedEdge相机购买的。

4.讨论

4.1. 讨论化学分析结果

评估的营养参数表明，干物质的体积(DM公司)在玉米中，随着物候期的进展而增加。玉米谷物份额的增加伴随着淀粉在整个工厂中；淀粉是植物的主要能量来源。在植物的其他部分，含氮物质的量(人物配对关系)纤维消化率逐渐降低(国家发展基金)由于整体木质化而显著下降。在田间试验的倒数第二阶段确定了受监测植物的理想收获窗口。该最佳时间对应于280至330 g/kg之间的干物质值和270 g/kg的平均淀粉含量(DM公司)至320 g/kg(DM公司)，理想值为300 g/kg(DM公司)对应于谷物乳线阶段的½。在观察期间，我们还跟踪了营养指标的变化，如有机物的消化率(DOM公司)由于含有高消化率淀粉的果穗所占比例不断上升，果穗呈增长趋势。同时，剩余的光纤(国家发展基金)木质化程度逐渐增加，消化率相应下降。新鲜物质产量也明显增加(YFM公司)和干物质产量(YDM公司)通常表现出不均匀的行为，并明显取决于作物的物候期和成熟期。

4.2. 讨论化学分析的结果

本节概述了相关系数的统计相关性。干物质体积和植被指数之间的所有相关性都很强，每年的所有田间实验都被归类为非常显著。一个例外是为NDVI公司第一年指数；这种混合不能被视为具有统计相关性。淀粉与植被指数的相关性也具有重要的统计意义；在这里，我们还发现了一些年份的例外情况，当时相关性在统计上似乎不相关。除其他方面外，淀粉含量显著影响收获玉米的最终质量。的值NDVI公司,国家发改委、和GNDVI公司与计算的YDM公司价值观；在选定的情况下，相关性很强，甚至非常强。因此，可以得出以下结论：NDVI公司和GNDVI公司不仅可以用来确定适当的收获时间，还可以预测收获作物产量内的有机质含量，这是决定有机质产量的一个重要因素。

4.3. 讨论通过验证方程获得的结果

关系特征如下图4产生了三个方程来关联干物质和植被指数。在NDVI公司，我们得到了方程（14）和决定系数的最高值，R（右）²= 0.7085; 这个国家发改委相比之下，干物质的决定系数最低，R（右）²= 0.579. 关于GNDVI公司，系数R（右）²取0.6506。

4.4. 讨论通过验证方程获得的结果

预测值之间的绝对差异，

D类 {M（M）}_{P（P） V（V）},

按照惯例，

D类 {M（M）}_{C类 T型 V（V）},

干物质含量值范围为−0.01至−26.98 g/kg国家发改委.

平均相对偏差，

δ_{DM公司}

，对于根据NDVI公司和国家发改委分别为2.154%和3.078%；五个杂交种干物质的相对误差最小GNDVI公司，该值为0.645%。

The very strong correlation between theGNDVI公司干物质值允许我们声称GNDVI公司还可以在线性模型中提供最佳的预测性能。在大多数研究的杂交种中，干物质估算值低于1%，即ES小丑的0.51%，ES惠灵顿的-0.01%，KTG卡拉克斯的0.33%，以及绝对值的0.86%。Rudolphino也显示出较小的相对偏差，为−1.52%。The advantage of theGNDVI公司这是因为它与植物的生物物理参数高度相关，而对其他观测区域的敏感性较低。绿色波长的反射率对叶片叶绿素含量和植物健康的变化做出更好的响应。有了绿带，捕获与最终植物产量相关的营养素缺乏差异的可能性更高。

使用如上所示确定的干物质值有助于预测任何玉米杂交种的最佳收获。

4.5. 比较结果

本文总结了研究结果[1]将其与新颖的研究联系起来，并概述了解决该问题的更全面的方法。当引用的源[1]对一个玉米杂交种在一个季节进行评价，本文通过三年的数据讨论了干物质与植被指数之间的关系，证实了该结果不仅适用于单个杂交种，而且适用于一般情况。相比之下，与穿越火线已显示，并且淀粉值似乎只与NDVI公司.

第条[20]检查回归模型，通过NDVI公司测量相对作物产量（水稻、冬小麦和玉米）；作者建议使用这些模型，尤其是在作物类型不明确的地区。

在报告中[41]通过使用多光谱系统（Landsat 8，RapidEye）进行的实地反射率测量，确认了干物质值。相比之下，当面对基于卫星图像的数据采集时，我们的方法在成像和地图形成方面具有更高的分辨率，并且这种能力可以确保更好的数据准确性。

本文的实验结果证实了其他地方详细描述的植被与营养指数数据的相关性，尤其是参考资料中的相关性[45]. 然而，我们文章的核心资产在于植被和营养指数之间的特定数学关系；重要的是，这些仪器有助于确定整个田地的干物质值，从而优化收获时间。

4.6. 该方法的局限性

提出的无人机多光谱相机场扫描和基于植被指数的干物质计算方法包含不确定性；这些不确定性取决于多光谱传感器的质量以及其校准以适应季节和环境。

程序的可重复性取决于天气条件，因为无人驾驶飞行器的操作受雨、风和待监测作物的位置（例如，在无人机飞行限制区内）的影响。一个主要缺点是无人机的射程有限：在200公顷以上的区域，由于电池容量的原因，使用这种方法成像变得很困难。或者，可以使用固定翼无人机，因为它们每电池提供更长的射程（约50分钟）；然而，eBee X可提供长达90分钟的飞行时间。使用无人机仅对大型植被单位有效。

5.结论

利用作物健康的精确知识分析多光谱图像是支持从传统农业向精准农业过渡的过程之一。通过确定正确的收获时间来提高收获玉米的质量和减少饲料作物的消耗，将产生一种创新的方法，即在不同生长阶段对作物进行非接触分析；该技术将为大多数栽培植被的自动化和快速扩展应用提供潜力。在玉米中，根据干物质的数量确定适当的收获时间，这取决于切碎的植物是用于青贮饲料还是用作沼气厂的甲烷生产材料。因此，最新的、准确的营养价值知识，最好是在整个农田收集，是选择正确时间窗口的一个重要因素。

通过使用无人机安装的多光谱相机进行遥感，并通过中列出的方程式，可以有效地实现这些目标和任务图4。所讨论的方法无需对仅从支持异质植被的大范围内的几个位置采集的样品进行化学分析。指定最佳采收期具有相当大的生态和经济重要性，尤其是与整个加工链相关时；作者从基于预先确定的干物质量的最佳玉米收获着手，到沼气厂的甲烷生产，同时也考虑到饲料作物和牛奶之间的联系。

中的植被关系图图4得出通过干物质值预测最佳收获时间的方程式。通过评估上述章节中的信息，我们可以得出结论，最大的预测相关性包含在等式（16）中，该等式定义了GNDVI公司和干物质。结果表现为非常好，但稍逊于GNDVI公司发现于NDVI公司–干物质关系（15）。这个GNDVI公司和NDVI公司这些值还允许估计屈服特性，例如YFM公司和YDM公司.

鉴于GNDVI公司和干物质含量值GNDVI公司可以被描述为在线性模型中具有最佳的预测结果。

该方法的主要优点包括不同玉米杂交种的植被指数和干物质之间关系的普遍有效性。相反，一个主要缺点在于对气候条件的敏感性；在下雨或大风期间，传感不可行。

作者贡献

概念化，J.J.和V.J。；方法，J.J.V.J.和P.M。；数据管理，J.J.、V.J.和H.S。；编写书面原稿，J.J.、V.J.、P.M.、H.S.和P.D。；所有作者均已阅读并同意手稿的出版版本。

基金

本文由布尔诺科技大学的普通学生发展项目资助。

数据可用性声明

本研究中提供的数据可向相应作者索取。

利益冲突

作者声明没有利益冲突。

参考文献

Janoušek，J。；Jambor，V。；马可·P·。；多纳尔，P。；辛科娃，H。；Fiala，P.使用基于无人机的摄影测量获得植被指数与农业作物化学分析之间的相关性。远程传感器。 2021,13, 1878. [谷歌学者][交叉参考]
米纳西克，R。；Langhammer，J。；Lendzioch，T.使用UAS多光谱图像和深度学习在树级检测树皮甲虫干扰。远程传感器。 2021,13, 4768. [谷歌学者][交叉参考]
新墨西哥州韦特雷卡。；加德，R.S。；费尔南德斯，I。；Parab，J.S。；德赛，A.R。；帕瓦尔，J.D。；G.M.奈克。；Umapathy，S.水果质量控制应用和分类的非侵入性高光谱成像方法：苹果、奇库、番石榴果实的案例研究。食品科学杂志。Technol公司。 2015,52, 6978–6989. [谷歌学者][交叉参考]
Park，B。；劳伦斯，K.C。；W.R.温德姆。；Smith，D.P.家禽尸体粪便和igesta检测的多光谱成像系统。食品加工工程杂志。 2004,27, 311–327. [谷歌学者][交叉参考]
岑，H。；鲁·R。；朱，Q。；Mendoza，F.利用特征选择和监督分类的高光谱成像对黄瓜果实冷害进行无损检测。收获后生物学。Technol公司。 2016,111, 352–361. [谷歌学者][交叉参考]
莱奥，L。；巴雷罗，P。；Ruiz-Altisent，M。；Herrero，A.桃子的多光谱图像与采收时的硬度和成熟度有关。食品工程杂志。 2009,93, 229–235. [谷歌学者][交叉参考][绿色版本]
张，H。；Paliwal，J。；贾亚斯，D.S。；White，N.D.G.使用近红外反射高光谱成像和支持向量机对真菌感染的小麦籽粒进行分类。事务处理。ASABE美国农业协会。生物工程。 2007,50, 1779–1785. [谷歌学者][交叉参考]
卢卡斯，V。；胡阿迪，我。；Kintl，A。；梅泽拉，J。；Hammerschmiedt，T。；索博特科娃，J。；布特尼克，M。；Elbl，J.使用无人机确定油菜籽产量预测的最佳植被指数(甘蓝型油菜L.）开花期。远程传感器。 2022,14, 4953. [谷歌学者][交叉参考]
杜夫科娃，R。；波兰科娃，L。；卢卡斯，V。；Fuík，P.通过无人机图像、产量图和土壤水分含量检测到的控制瓷砖排水对春大麦生长和产量的影响。远程传感器。 2022,14, 4959. [谷歌学者][交叉参考]
Gracia-Romero，A。；O.维加拉·迪亚斯。；蒂尔费尔德，C。；凯恩斯，J.E。；Kefauver，S.C.公司。；Araus，J.L.表型保护农业管理对津巴布韦玉米杂交表现的地面和空中遥感评估的影响。诉讼 2018,2, 7. [谷歌学者][交叉参考][绿色版本]
杨，B。；朱伟。；雷扎伊，E.E。；李，J。；孙，Z。；Zhang，J.利用高频无人机遥感预测玉米产量的最佳表型阶段。远程传感器。 2022,14, 1559. [谷歌学者][交叉参考]
Matese，A。；托斯卡诺，P。；Gennaro，S.F.公司。；Genesio，L。；Vaccari，F.P。；Primicerio，J。；Belli，C。；扎尔迪，A。；Bianconi，R。；Gioli，B.无人机、飞机和卫星遥感平台用于精确葡萄栽培的相互比较。远程传感器。 2015,7, 2971–2990. [谷歌学者][交叉参考][绿色版本]
库马尔，A。；德赛公司。；Balasubramanian，V.N。；Rajalakshmi，P。；郭伟。；奈克，B.B。；Balram，M。；利用无人机遥感的高效玉米穗探测方法。远程传感器应用。Soc.环境。 2021,23, 100549. [谷歌学者][交叉参考]
姚，H。；秦，R。；Chen，X.遥感应用的无人飞行器——综述。远程传感器。 2019,11, 1443. [谷歌学者][交叉参考][绿色版本]
苏·W。；张，M。；Bian博士。；刘，Z。；黄，J。；王，W。；吴杰。；Guo，H.利用无人机（UAV）图像对玉米植株进行表型分析。远程传感器。 2019,11, 2021. [谷歌学者][交叉参考][绿色版本]
Lei，L。；邱，C。；李，Z。；Han，D。；Han，L。；Zhu，Y。；吴杰。；徐，B。；冯·H。；Yang，H。；等。利用UAV–LiDAR数据反演玉米叶面积指数时叶片遮挡的影响。远程传感器。 2019,11, 1067. [谷歌学者][交叉参考][绿色版本]
路易斯·J。；Pflug，B。；梅恩·克诺恩，M。；Debaecker，V。；美国米勒-威尔姆。；兰农（Iannone），R.Q。；卡多，E.G。；博恰，V。；Gascon，F.Sentinel-2全球表面反射率水平-2a使用Sen2Cor生成的产品。2019年7月28日至8月2日在日本横滨举行的IGARSS 2019-2019 IEEE国际地球科学和遥感研讨会论文集；第8522–8525页。[谷歌学者][交叉参考][绿色版本]
Drusch，M。；美国德尔·贝洛。；Carlier，S。；科林，O。；费尔南德斯，V。；Gascon，F。；Hoersch，B。；Isola，C。；拉贝里尼蒂，P。；Martimort，P。；等。哨兵-2：欧空局的GMES操作服务光学高分辨率任务。遥感环境。 2012,120, 25–36. [谷歌学者][交叉参考]
伊斯兰，M.R。；Garcia，S.C.青贮用杂交饲用玉米干物质产量预测。作物科学。 2014,54, 2362–2372. [谷歌学者][交叉参考]
黄，J。；Wang，H。；戴奇。；Han，D.作物识别和产量估算的NDVI数据分析。IEEE J.选择。顶部。申请。地球观测遥感器。 2014,7, 4374–4384. [谷歌学者][交叉参考]
Wang，J。；Rich，P.M。；价格，K.P。；中部大平原NDVI、草地产量和作物产量之间的关系。Geocarto国际。 2005,20, 5–11. [谷歌学者][交叉参考]
Cabrera-Bosquet，L。；莫莱罗，G。；斯特拉奇，A。；Bort，J。；诺盖斯，s。；Araus，J.NDVI作为预测不同水分和氮条件下小麦基因型的生物量、植物氮含量和生长的潜在工具。谷物资源公社。 2011,39, 147–159. [谷歌学者][交叉参考]
Sakamoto，T。；Gitelson，A.A。；T.J.Arkebauer，基于时间序列MODIS数据的美国玉米产量近实时预测。遥感环境。 2014,147, 219–231. [谷歌学者][交叉参考]
Ines，A.V.公司。；Das，N.N。；Hansen，J.W。；Njoku，E.G.利用玉米产量预测的作物模拟模型对遥感土壤水分和植被进行同化。遥感环境。 2013,138, 149–164. [谷歌学者][交叉参考][绿色版本]
Johnson，D.M.对预测美国玉米和大豆产量的季前和季中遥感变量的评估。遥感环境。 2014,141, 116–128. [谷歌学者][交叉参考]
马云（Ma，Y.）。；张，Z。；Kang，Y。；奥兹多安，M.利用贝叶斯神经网络方法，基于遥感变量的玉米产量预测和不确定性分析。遥感环境。 2021,259, 112408. [谷歌学者][交叉参考]
de Oliveira，医学博士。；Ortiz公司。；莫拉塔，G.T。；Jiménez，A.-F。；罗利姆，G.D.S。；da Silva，R.P.使用遥感和地形指数进行玉米产量预测的机器学习算法训练。远程传感器。 2022,14, 6171. [谷歌学者][交叉参考]
唐，Z。；郭杰。；Xiang，Y。；卢，X。；王，Q。；Wang，H。；程，M。；Wang，H。；王，X。；An，J。；等。基于最优光谱指数的冬小麦叶面积指数和地上生物量估算。农学 2022,12, 1729. [谷歌学者][交叉参考]
Muruganantham，P。；Wibowo，S。；Grandhi，S。；新罕布什尔州萨姆拉特。；Islam，N.《利用深度学习和遥感进行作物产量预测的系统文献综述》。远程传感器。 2022,14, 1990. [谷歌学者][交叉参考]
van Klompenburg，T。；卡萨洪，A。；Catal，C.使用机器学习进行作物产量预测：系统文献综述。计算。电子。农业。 2020,177，105709。[谷歌学者][交叉参考]
哈利勒，Z.H。；Abdullaev，S.M.基于多光谱卫星图像的粮食产量预测神经网络：比较研究。Procedia计算。科学。 2021,186, 269–278. [谷歌学者][交叉参考]
潘特，J。；裤子，R.P。；Kumar Singh，M。；Pratap Singh，D。；Pant，H.使用机器学习统计技术分析农业作物产量预测。马特。今日Proc。 2021,46, 10922–10926. [谷歌学者][交叉参考]
伊利亚斯，Q。；艾哈迈德，M。；Mehmood，A.使用人工智能和遥感技术自动估计作物产量。生物工程 2023,10, 125. [谷歌学者][交叉参考]
王，R。；切尔考尔，K。；Bowling，L.利用基于卫星的NDVI时间序列检测玉米对气候胁迫的响应。远程传感器。 2016,8, 269. [谷歌学者][交叉参考][绿色版本]
Mkhabela，医学硕士。；Mkhabela，医学硕士。；N.N.Mashinini，利用NOAA的-AVHRR得出的NDVI数据预测斯威士兰四个农业生态区的早期玉米产量。农业。对于。美托洛尔。 2005,129, 1–9. [谷歌学者][交叉参考]
科尔霍，A.P。；罗莎伦，D.L。；Faria，R.T.植被指数预测灌溉水平下白燕麦的生物量和产量。特罗普。农业。物件。 2018,48, 109–117. [谷歌学者][交叉参考][绿色版本]
布雷塔斯，I.L。；瓦伦特，D.S。；F.F.席尔瓦。；Chizzotti，M.L。；保利诺，M.F。；D’áurea，A.P。；Paciullo，D.S。；不列颠哥伦比亚省佩德雷拉。；Chizzotti，F.H.通过结合气象数据和卫星图像预测Brachiaria牧场的地上生物量和干物质含量。牧草科学。 2021,76, 340–352. [谷歌学者][交叉参考]
斯沃特瓦，E。；Masuka，J.A。；Maastorp，B。；Murwira，A.光谱指数：不同种植期和施肥水平下烟烤烟草的季节干物质和产量关系。内部附表。Res.不。 2013,2013, 816767. [谷歌学者][交叉参考][绿色版本]
Maresma，A。；张伯伦，L。；Tagarakis，A。；Kharel，T。；戈德温，G。；Czymmek，K.J。；护罩E。；Ketterings，Q.M.NDVI-衍生玉米产量预测的准确性受到传感时间的影响。计算。电子。农业。 2020,169, 105236. [谷歌学者][交叉参考]
Rahetlah，私人有限公司。；萨尔加多，P。；Andrianarisoa，B。；Tillard，E。；拉扎芬德拉扎卡，H。；Le Mezo，L。；Ramalanjaona，V.L.马达加斯加瓦基南卡拉特拉地区归一化植被指数（NDVI）与牧草生物量产量之间的关系。鲜活。农村研究。开发。 2014,26，1-11。[谷歌学者]
Gerighausen，H。；Lilienthal，H。；贾默，T。；Siegmann，B.基于田间反射率测量的作物生长建模和产量估算的叶面积指数和干物质预测评估。eARSeL电子流程 2016,14, 71–90. [谷歌学者]
初级A.S.D.A。；梅洛，F.D.B。；巴斯托斯，E.A。；Cardoso，M.J.通过航空图像的植被指数评估玉米的营养状况。Ciencia农村 2021,51, 1–13. [谷歌学者][交叉参考]
de Souza，R。；佩纳-弗利塔斯，麻省理工。；汤普森，R.B。；Gallardo先生。；Padilla，F.M.评估植被指数对辣椒氮营养指数的影响。远程传感器。 2020,12, 763. [谷歌学者][交叉参考][绿色版本]
弗洛雷斯，医学博士。；西马里兰州帕斯科亚莱特。；Baio，F.H.R。；坎波斯，C.N.S。；公元前潘塔莱昂。；特奥多罗，L.P.R。；朱尼尔，C.A.D.S。；不同施氮量下玉米品种植被指数与农艺性状的关系。Biosci公司。J。 2020,36, 1638–1644. [谷歌学者][交叉参考]
X.赵。；Wang，S.L。；温·T。；徐，J。；黄，B。；Yan，S。；高，G。；Zhao，Y。；李，H。；乔，J。；等。不同氮效率玉米品种冠层植被与生长指数的相关性。开放式生命科学。 2023,18, 1–12. [谷歌学者][交叉参考][公共医学]
Janse，P.V。；R.R.Deshmukh。；Randive，P.U.作物管理植被指数：综述。国际期刊研究分析。修订版IJRAR 2019,6, 1–4. [谷歌学者]
Price，J.根据可见光和近红外反射率数据估算叶面积指数。遥感环境。 1995,52, 55–65. [谷歌学者][交叉参考]
熊猫，S.S。；艾姆斯，D.P。；Panigrahi，S.利用神经网络技术将植被指数应用于农业作物产量预测。远程传感器。 2010,2, 673–696. [谷歌学者][交叉参考][绿色版本]
薛，J。；Su，B.重要遥感植被指数：发展与应用综述。J.传感器。 2017,2017, 1353691. [谷歌学者][交叉参考][绿色版本]
布马，W.G。；Lee，S.-I.，基于多光谱图像的非洲乍得湖周围干旱模式和强度估计。远程传感器。 2019,11, 21. [谷歌学者][交叉参考][绿色版本]
Corrigan，F.农业中的多光谱成像相机无人机产生了巨大的效益。无人机区域，2020年。在线可用：https://www.dronezon.com/learn-about-drones-quadcopters/multi-stractal-sensor-drones-in-farming-yield-big-benefits（https://www.dronezon.com/learn-about-drones-quadcopters/multi-stractal-sensor-drones-in-farming-yield-big-benefits）/（2020年3月22日查阅）。
卡马拉诺，D。；菲茨杰拉德，G。；巴索，B。；奥利里，G。；陈，D。；格雷斯·P。；佛罗伦萨，C.使用冠层叶绿素含量指数（CCCI）远程估算降雨环境中的小麦氮含量。阿格隆。J。 2011,103, 1597–1603. [谷歌学者][交叉参考]
华盛顿州鲍什。；哈沃森，公元。；Cipra，J.Quickbird卫星和地面多光谱数据与小地块灌溉玉米的农艺参数相关。生物晶体。工程师。 2008,101, 306–315. [谷歌学者][交叉参考]
Gitelson，A.A。；Merzlyak，M.N.高等植物叶片中叶绿素浓度的遥感。高级空间资源。 1998,22, 689–692. [谷歌学者][交叉参考]
u KZ u Z。植物品种状态测试方法CISTA，根据1999年有效措辞; ru KZ au Z:布尔诺，捷克共和国，1999年。[谷歌学者]
Achen，C.H.“解释的方差”解释了什么？答复。政治分析。 1990,2, 173–184. [谷歌学者][交叉参考]

图1。概述实际规范的框图(A类)和验证(B类)不同类型玉米杂交种的植被指数与营养价值之间的关系。

图2。(一)可视化实验的整个区域；(b条)将接受摄影测量成像的玉米田定位在捷克共和国摩拉维亚南摩拉维亚地区的相关子部门。

图2。(一)可视化实验的整个区域；(b条)在捷克共和国摩拉维亚南摩拉维亚地区的相关子部门定位经过摄影测量成像的玉米地。

图3。使用无人机安装的RedEdge摄像头捕获图像数据。

图4。干物质与植被指数的关系NDVI公司,国家发改委,GNDVI公司.

图5。考虑到上述公式（14）-（16），植被指数与干物质。

图6。选定的摄影测量图。

表1。RedEdge Micasense相机波段的参数。

波段编号	标注栏颜色	波长 [纳米]	带宽 [纳米]	校准面板反射率
1	蓝色（B）	475	20	0.56
2	绿色（G）	560	20	0.56
三	红色（R）	668	10	0.55
4	近红外（NIR）	840	40	0.54
5	红边（RE）	717	10	0.50

表2。2019年与单个青贮玉米采样实例相关的实验室营养数据。

2019青贮饲料混合	抽样案例
2019青贮饲料混合	1	2	三。	4
营养分析
DM公司[克/千克]	179.7	216.9	303.8	340.3
人物配对关系[克/千克干物质]	117	93.4	81.40	94.2
穿越火线[克/千克干物质]	343.3	317.6	224.7	194.1
淀粉[克/千克干物质]	10.8	13.6	17.2	29.8
灰烬[克/千克干物质]	56.2	49.7	33.5	32.6
国家发展基金[克/千克]	624.7	638.2	473.1	345.2

表3。2019年与单个谷物玉米采样实例相关的实验室营养数据。

2019谷物杂交	采样案例
2019谷物杂交	1	2	三。	4	5
营养分析
DM公司[克/千克]	198.4	237	338.6	390.8	462.5
人物配对关系[克/千克干物质]	118.5	104.6	100.4	99.4	91.6
穿越火线[克/千克干物质]	312.6	304.9	226.1	329.6	320.2
淀粉[克/千克干物质]	2.7	31.1	81.7	303.7	393.2
灰烬[克/千克干物质]	57	48.1	44.6	60.3	63.9
国家发展基金[克/千克]	613.4	603.7	370.5	343.8	338.4

表4。2020年与单个青贮玉米采样实例相关的实验室营养数据。

2020青贮杂交	样品编号
2020青贮杂交	1	2	三。	4	5	6	7	8
营养分析
DM公司[克/千克]	197.2	193.2	224.4	319.7	308.8	355.7	359.4	449.5
人物配对关系[克/千克干物质]	114.6	102.6	98.1	91.1	88	78.4	79	76.6
穿越火线[克/千克干物质]	364	335	306.8	238	250.1	198.8	223.3	225.7
淀粉[克/千克干物质]	6	21.8	153.9	273.2	319.8	344.5	349.6	398.8
灰烬[克/千克干物质]	68.4	56.5	55.8	48.4	45.7	39	44	41.4
国家发展基金[克/千克]	684.1	639.6	598.6	403	452.4	410	432.3	448.1
挪威国防军[%]	43.6	51.6	55.6	50.3	52.7	58.9	50.2	56.4
DOM公司[%]	52.3	60.5	58.7	73.3	76.2	76.9	77.1	78.8
产量特征
调频【kg/10株】	8.7	9.2	10.6	10.6	9.9	9.8	9.8	7.3
电子战【kg/10株】	不适用	不适用	不适用	0	不适用	3.4	3.6	2.9
YFM公司[千克/公顷]	69,360	73,947	84,560	84,667	78,960	78,693	78,347	58,320
YDM公司[千克/公顷]	13,737	14,317	18,979	27,080	24456个	28,013	28,173	26,186

表5。与2021年采集玉米杂交种DKC 3568的个别实例相关的实验室营养数据。

2021丹麦克朗3568	样品编号
2021丹麦克朗3568	1	2	三。	4	5	6	7	8
营养分析
DM公司[克/千克]	218.30	243.53	325.60	349.53	401.43	424.37	479.33	522.87
人物配对关系[克/千克干物质]	105	93	72.10	72.80	70	68	65	65
穿越火线[克/千克干物质]	300	275.5	246.2	250.2	406.3	433.6	412.7	428.5
淀粉[克/千克干物质]	15	27.5	81.2	208.8	250	300	350	380
灰烬[克/千克干物质]	50	42.3	38	26.2	33	31.2	32.8	30.9
国家发展基金[克/千克]	630	604.5	531.2	552.9	656.7	661.3	657.2	662.8
脱氧核糖核酸[%]	55	58.7	51.4	48.7	25.7	24	22.4	26.9
DOM公司[%]	70	72.3	74.3	67.4	41.5	41.4	41.2	44.1
产量特征
调频【kg/10株】	7	6.73	6.99	5.99	5.50	5.40	5.10	4.80
电子战【kg/10株】	不适用	不适用	不适用	不适用	不适用	不适用	不适用	不适用
YFM公司[千克/公顷]	56,000	53,840	55,920	47,920	44,000	43,200	40,800	38,400
YDM公司[千克/公顷]	12225个	13,112	18,208	16,750	17,663	18,333	19,557	20,078

表6。与2021年对玉米杂交种DKC 4279进行取样的个别实例相关的实验室营养数据。

2021丹麦克朗4279	样品编号
2021丹麦克朗4279	1	2	三。	4	5	6	7	8
营养分析
DM公司【克/千克】	213.60	228.43	256.30	294.77	338.23	357.90	389	470.33
人物配对关系[克/千克干物质]	105	79.2	101.8	73.3	70	68	65	65
穿越火线[克/千克干物质]	300	288.7	271.3	248.8	330.7	378.3	385.8	430
淀粉[克/千克干物质]	15	2.6	60.3	141.7	250	300	350	380
灰烬[克/千克干物质]	50	53	53.7	41.3	31	32.4	37	35.1
国家发展基金[克/千克]	630	572	578.1	487.4	545.7	597	616.4	687.8
挪威国防军[%]	55	46.5	51	34.9	25.3	23.8	25.4	26.5
DOM公司[%]	70	65.6	68.3	67.7	51.1	45.7	37.9	42.3
产量特征
调频【kg/10株】	7	7.53	6.29	6.87	5.50	5.40	5.10	4.80
电子战【kg/10株】	不适用	不适用	不适用	不适用	不适用	不适用	不适用	不适用
YFM公司[千克/公顷]	5.6万	60,240	50,320	54,960	44,000	43,200	40,800	38,400
YDM公司[千克/公顷]	11,962	13,761	12,897	16,200	14882年	15461个	15,871	18,061

表7。通过多光谱扫描和化学分析获得的相关数据的统计相关性。

取样	植被索引	营养分析						产量特征
取样	植被索引	DM公司 [克/千克]	穿越火线 [克/千克干物质]	淀粉[克/千克干物质]	挪威国防军 [%]	DOM公司 [%]	调频【kg/10株】	YFM公司 [千克/公顷]	YDM公司[千克/公顷]
2019青贮杂交	NDVI公司	2.99	2.87	10.49	不适用	不适用	不适用	不适用	不适用
	国家发改委	5.16	4.74	36.40	不适用	不适用	不适用	不适用	不适用
	全球导航卫星导航系统	4.05	3.65	2.18	不适用	不适用	不适用	不适用	不适用
2019年谷物杂交	NDVI公司	8.51	0.13	4.04	不适用	不适用	不适用	不适用	不适用
	国家发改委	11.93	0.14	4.54	不适用	不适用	不适用	不适用	不适用
	全球导航卫星导航系统	12.97	0.36	7.40	不适用	不适用	不适用	不适用	不适用
2020青贮杂交	NDVI公司	5.74	3.24	4.62	1.67	4.19	0.99	0.99	2.87
	国家发改委	5.90	3.03	4.26	1.01	3.30	1.13	1.13	2.95
	GNDVI公司	5.08	2.12	2.79	1.26	2.10	1.53	1.53	2.07
2021丹麦克朗3568	NDVI公司	5.42	5.51	5.51	5.45	5.21	5.69	5.69	3
	国家发改委	4.03	2.22	2.80	2.38	2.01	2.45	2.45	3.41
	全球导航卫星导航系统	4.25	3.13	3.14	3.21	2.98	3.18	3.18	3.31
2021丹麦克朗4279	NDVI公司	5.63	6.36	5.23	3	4.60	4.70	4.70	2.76
	国家发改委	3.32	3.84	3.34	2.55	2.94	3.44	3.44	2
	GNDVI公司	7.49	4.39	5.59	3.12	3.79	5.90	5.90	3.15

表8。根据光谱反射率值计算的植被指数。

玉米杂交种名称	光谱反射率					植被指数
玉米杂交种名称	B类[%]	G公司[%]	R（右）[%]	重新[%]	近红外光谱[%]	NDVI公司	国家发改委	GNDVI公司
EC小丑	4	10	8	25	56	0.750	0.383	0.697
EC惠灵顿	4	10	8	24	55	0.746	0.392	0.692
KTG Karlax公司	5	9	7	24	59	0.788	0.422	0.735
绝对值	6	9	7	23	54	0.770	0.403	0.714
鲁道夫尼奥	6	9	7	23	58	0.785	0.432	0.731

表9。单个杂交种的常规真实值和预测干物质值。

玉米杂交种		EC小丑	EC惠灵顿	KTG Karlax公司	绝对值	鲁道夫尼奥
营养分析 $D类 {M（M）}_{C类 T型 V（V）}$ [克/千克]		459.11	470.83	383.53	423.17	398.67
NDVI公司	$D类 {M（M）}_{P（P） V（V）}$ [克/千克]	458.86	464.53	404.74	429.58	409.41
	$Δ_{DM公司 [克 / 公斤]}$	−0.26	−6.31	−21.21	−6.41	−10.74
	$δ_{DM公司 [%]}$	−0.03	−1.36	−5.24	−1.49	−2.62
国家发改委	$D类 {M（M）}_{P（P） V（V）}$ [克/千克]	457.69	443.85	402.02	429.29	387.14
	$Δ_{DM公司 [克 / 公斤]}$	−1.42	−26.98	18.49	6.12	−11.52
	$δ_{DM公司 [%]}$	−0.31	−6.08	4.60	1.43	−2.98
GNDVI公司	$D类 {M（M）}_{P（P） V（V）}$ [克/千克]	461.46	470.78	384.81	426.83	392.71
	$Δ_{DM公司 [克 / 公斤]}$	2.35	−0.05	1.28	3.66	−5.95
	$δ_{DM公司 [%]}$	0.51	−0.01	0.33	0.86	−1.52

免责声明/出版商注释：所有出版物中包含的声明、意见和数据仅为个人作者和贡献者的声明、观点和数据，而非MDPI和/或编辑的声明、看法和数据。MDPI和/或编辑对内容中提及的任何想法、方法、说明或产品造成的任何人员或财产伤害不承担任何责任。

分享和引用

MDPI和ACS样式

Janoušek，J。；马可·P·。；多纳尔，P。；Jambor，V。；辛科娃，H。；雷奇尔，P。通过多光谱场成像获得的植被指数确定的干物质含量预测玉米最佳收获期。远程传感器。 2023,15, 3152.https://doi.org/10.3390/rs15123152

AMA风格

Janoušek J、MarcoňP、Dohnal P、Jambor V、SynkováH、Raichl P。通过多光谱场成像获得的植被指数确定的干物质含量预测玉米最佳收获期。遥感. 2023; 15(12):3152.https://doi.org/10.3390/rs15123152

芝加哥/图拉宾风格

亚努舍克、吉基尼、彼得·马可、佩里斯·多纳尔、瓦克拉夫·贾姆博尔、哈娜·辛科娃和彼得·雷奇尔。2023.“通过多光谱场成像获得的植被指数确定的干物质量预测最佳玉米收获时间”遥感第15页，第12页：3152。https://doi.org/10.3390/rs15123152

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。请参阅更多详细信息在这里.

文章菜单