利用無人機(UAV)圖像對表型性狀進行高通量估計有助于提高育種玉米的篩選效率。在小區(qū)尺度上準確估計育種玉米的表型性狀有助于促進特定性狀的基因挖掘，為加速優(yōu)良品種選育提供保障。建立高效、準確的無人機多傳感器數(shù)據(jù)估計模型是無人機多傳感器數(shù)據(jù)應(yīng)用的關(guān)鍵。


本研究旨在應(yīng)用集成學習模型來提高使用基于無人機的紅綠藍 (RGB) 和多光譜傳感器估計玉米表型性狀的可行性和準確性。分別獲得了四個生長階段的無人機圖像。從RGB圖像中提取可見光波段的反射率、冠層覆蓋率、植物高度（PH）和紋理信息，并從多光譜圖像中計算植被指數(shù)。我們比較分析了玉米LAI（葉面積指數(shù)）、鮮重（FW）和干重（DW）單特征和多特征的估計精度?；灸Ｐ桶◣X回歸 (RR)、支持向量機 (SVM)、隨機森林 (RF)、高斯過程 (GP) 和 K 鄰域網(wǎng)絡(luò) (K-NN)。集成學習模型包括堆疊和貝葉斯模型平均（BMA）。結(jié)果表明，集成學習模型提高了玉米表型性狀估計的準確性和穩(wěn)定性。

在從無人機RGB圖像中提取的特征中，通過光譜、結(jié)構(gòu)和紋理的組合特征獲得了最高的精度。利用兩個傳感器的所有特征構(gòu)建的模型具有最佳的精度。包括疊加和BMA在內(nèi)的集成學習模型的估計精度高于基本模型， LAI、FW 和 DW 的最佳驗證結(jié)果的決定系數(shù) () 分別為 0.852、0.888 和 0.929。因此，基于無人機的多源數(shù)據(jù)與集成學習模型相結(jié)合，可以在小區(qū)尺度上準確估計育種玉米的表型性狀。