缺乏有效的作物生長監(jiān)測是導(dǎo)致農(nóng)業(yè)產(chǎn)量下降的因素之一，及時和準(zhǔn)確地獲取植物生長狀況對于農(nóng)業(yè)生產(chǎn)決策至關(guān)重要。然而，田間數(shù)據(jù)的收集往往費時費力。因此，需要準(zhǔn)確高效的方法來監(jiān)測作物的生長和發(fā)育。

本研究旨在評估結(jié)合無人機(UAV)成像和機器學(xué)習(xí)(ML)技術(shù)監(jiān)測甜玉米高度、生物量和產(chǎn)量的有效性。采用完全隨機區(qū)組設(shè)計( RCBD )，設(shè)置25 %、50 %、75 %和100 %充分灌溉4個灌水處理，每個處理4個重復(fù)，共16個試驗小區(qū)。收集株高、鮮/干生物量以及產(chǎn)量的田間數(shù)。同時，使用大疆Matrix 210 v2無人機配備MicaSense RedEdge-MX多光譜傳感器進(jìn)行無人機圖像采集，并使用Pix4Dmapper 4.7.5進(jìn)行圖像處理?；跀?shù)字表面和地形模型之間的像素間差異，計算出代表估計株高(UAVH)的作物表面模型。采用簡單的線性回歸模型，從無人機影像估算UAVH估計甜玉米的生物量和產(chǎn)量。此外，采用了兩種線性算法模型( 線性模型LM，Lasso和elastic-net正則化的廣義線性模型GLMNET)、三種非線性ML算法（隨機森林RF，支持向量機SVM，K近鄰KNN）預(yù)測株高和生物量。利用基于無人機圖像估計的8個植被指數(shù)（VIs）和UAVH來評估ML模型預(yù)測生物量、株高（僅使用VIs）的性能。
結(jié)果表明，無人機成像可以有效地估算株高(d = 0.99, r2 = 0.99, MAE = 5 cm，d為一致指數(shù)，r2為決定系數(shù)，MAE為平均絕對誤差)；預(yù)測的鮮/干生物量與實測數(shù)據(jù)也具有良好的一致性，r2分別為0.75和0.70；收獲時測量的鮮產(chǎn)量與UAVH呈顯著線性相關(guān)，d、調(diào)整后r2和MAE分別為0.84、0.66和67 g?m?2；所有ML模型對玉米生物量的估計都很好，d值在0.88 ~ 0.99之間；kNN和SVM在生物量估計方面優(yōu)于所有其他模型，GMLNET對株高的估計優(yōu)于其他模型?？傮w而言，結(jié)果表明無人機成像和ML模型可以提供高分辨率的圖像和數(shù)據(jù)用于分析植物性狀、預(yù)測作物產(chǎn)量，節(jié)省時間與勞動力，有助于優(yōu)化田間生產(chǎn)管理策略以提高作物產(chǎn)量。

圖4 （a）大疆Matrix 210 v2無人機；（b）云母校準(zhǔn)反射面板；（c）MicaSense RedEdge-MX多光譜相機；（d）大疆遙控器；（e）Atlas飛行任務(wù)規(guī)劃器( iOS版)。

圖5 甜玉米田四個地塊的RGB圖像、數(shù)字地形模型 （DTM）、數(shù)字表面模型 （DSM） 和作物表面模型 （CSM）。DSM與DTM均Pix4Dmapper 4.7.5生成，其中DSM表示平均海平面以上任意地物的高程，DTM 表示去除所有非地物的連續(xù)地面高程。利用ArcGIS 10.7.1估算DSM與DTM的像元級差值，得到CSM。有關(guān)此圖例中對顏色引用的解釋，讀者請參閱本文的網(wǎng)絡(luò)版本。


圖7數(shù)據(jù)處理和機器學(xué)習(xí)方法示意圖。其中，RMSE為均方根誤差, MAE為平均絕對誤差, d為一致性指數(shù), r2為決定系數(shù), LM為線性模型, GLMNET為Lasso和elastic-net正則化的廣義線性模型, RF為隨機森林, SVM為支持向量機, kNN為k近鄰。


圖10 植被指數(shù)與生物量(新鮮、干燥) 的相關(guān)性矩陣圖。EVI2為增強型植被指數(shù), GNDVI為綠色歸一化植被指數(shù), NDVI為歸一化植被指數(shù), NDVIre為紅邊歸一化植被指數(shù), NGRDI為歸一化紅綠差值指數(shù), NIRRENDVI為NDVI-RE歸一化植被指數(shù), RENDVI為紅邊歸一化植被指數(shù), SAVI為土壤調(diào)整植被指數(shù), TFB為總鮮生物量, TDB為總干生物量。

文獻(xiàn)來源：Fitsum T T, Haimanote K B, Gerrit H, Bruce S, Aditya S, Yiannis A. Unmanned aerial vehicle (UAV) imaging and machine learning applications for plant phenotyping.  Computers and Electronics in Agriculture, 2023, 212:108064.