麦类作物学报

基于多光谱无人机的大田冬小麦地上生物量估算

PDF下载

叶昊天 ¹^,²^,³ , 田宏伟 ¹^,²^,³ , 魏庆伟 ³^,⁴ , 李梦夏 ¹^,² , 褚荣浩 ¹^,²

麦类作物学报 | 生理、生态与栽培 2026,46(4): 541-549

收起

麦类作物学报 |生理、生态与栽培 2026 , 46 (4) : 541 -549

基于多光谱无人机的大田冬小麦地上生物量估算

全屏

叶昊天¹^,²^,³, 田宏伟¹^,²^,³, 魏庆伟³^,⁴, 李梦夏¹^,², 褚荣浩¹^,²

作者信息

^1．中国气象局河南省农业气象保障与应用技术重点开放实验室，河南郑州 450003

^2．河南省气象科学研究所，河南郑州 450003

^3．安阳国家气候观象台，河南安阳 455000

^4．鹤壁市气象局，河南鹤壁 458000

通讯作者:

E-mail: thwenigma@163.com（田宏伟）

作者简介:

E-mail: 624864475@qq.com（叶昊天）

Estimation of Above-Ground Biomass of Field-Grown Winter Wheat Based on Multi-Spectral UAV

Haotian YE¹^,²^,³, Hongwei TIAN¹^,²^,³, Qingwei WEI³^,⁴, Mengxia LI¹^,², Ronghao CHU¹^,²

Affiliations

^1.CMA Henan Key Laboratory of Agrometeorological Support and Applied Technique, Zhengzhou, Henan 450003, China

^2.Henan Institute of Meteorological Sciences, Zhengzhou, Henan 450003, China

^3.Anyang National Climate Observatory, Anyang, Henan 455000, China

^4.Hebi Meteorological Bureau, Hebi, Henan 458000, China

出版时间: 2026-04-15 doi: 10.7606/j.issn.1009-1041.2026.04.13

文章导航

摘要

收起

为解决现有小麦生物量估算模型在大田环境下泛化性不足以及分生育时期建模导致应用断层的问题，以河南省拔节期至灌浆期的大田冬小麦为研究对象，利用多光谱无人机获取数据，建立包含10个波段反射率、15种植被指数、8种纹理信息以及量化编码生育时期（拔节期=1，孕穗期=2，灌浆期=3）的34维特征集，通过相关性分析（按相关系数绝对值排序）筛选特征，再基于线性回归（Linear）、随机森林（RF）、LightGBM和K近邻回归（KNN）四种机器学习算法，构建跨生育时期小麦地上部生物量（above-ground biomass, AGB）估算统一模型，并通过逐步增加输入特征数量优化模型参数。结果表明，量化的生育时期与AGB相关性最高（相关系数为0.80），近红外波段和红边740 nm波段是关键光谱特征（与AGB相关系数分别为0.48和0.44）。随机森林（RF）模型在输入18个特征（生育时期+2个波段反射率+8个植被指数+7个纹理信息）时精度最高，测试集决定系数（R₂）、均方根误差（RMSE）和归一化均方根误差（nRMSE）分别为0.87、291.2 g·m^-2和12.8%。由此说明，基于无人机多光谱数据和大田样本可以构建冬小麦AGB跨生育时期的统一估算模型，且能显著提升模型在大田实际生产环境中的泛化能力，有效解决生育时期过渡阶段的应用难题。

关键词

大田冬小麦 / 地上生物量 / 无人机 / 多光谱影像 / 机器学习

Abstract

收起

To address the limitations of existing wheat biomass estimation models, such as insufficient generalizability in field environments and discontinuity in application due to growth-stage-specific modeling, this study focused on winter wheat from the jointing to filling stages in Henan Province. Multi-spectral UAV data were used to construct a 34-dimensional feature set, including reflectance from 10 spectral bands, 15 vegetation indices, 8 texture features, and quantified growth stages (jointing=1, booting=2, filling=3). Features were selected through correlation analysis (ranked by absolute correlation coefficient values), and four machine learning algorithms—Linear Regression (LR), Random Forest (RF), LightGBM, and K-Nearest Neighbors Regression (KNN)—were employed to develop a unified model for estimating above-ground biomass (AGB) across multiple growth stages. Model parameters were optimized by progressively increasing the number of input features. The results showed that the quantified growth stage had the highest correlation with AGB (correlation coefficient of 0.80), while the near-infrared band and the red-edge 740 nm band were identified as critical spectral features (with correlation coefficients of 0.48 and 0.44, respectively). The Random Forest (RF) model achieved the highest accuracy with 18 input features (growth stage + 2 band reflectance values + 8 vegetation indices + 7 texture features), with a coefficient of determination (R₂) of 0.87, a root mean square error (RMSE) of 291.2 g·m^-2, and a normalized root mean square error (nRMSE) of 12.8% on the test set. These findings demonstrate that a unified model for estimating AGB in winter wheat across multiple growth stages can be constructed using multi-spectral UAV data and field samples. This approach significantly enhances the model’s generalizability in practical field production environments and effectively addresses application challenges during transitional growth stages.

Key words

Field-grown winter wheat / Above-ground biomass / UAV / Multi-spectral / Machine learning

引用本文

叶昊天, 田宏伟, 魏庆伟, 李梦夏, 褚荣浩. 基于多光谱无人机的大田冬小麦地上生物量估算. 麦类作物学报, 2026 , 46 (4) : 541 -549 . DOI: 10.7606/j.issn.1009-1041.2026.04.13

Haotian YE, Hongwei TIAN, Qingwei WEI, Mengxia LI, Ronghao CHU. Estimation of Above-Ground Biomass of Field-Grown Winter Wheat Based on Multi-Spectral UAV[J]. Journal of Triticeae Crops, 2026 , 46 (4) : 541 -549 . DOI: 10.7606/j.issn.1009-1041.2026.04.13

基金

收起

安阳国家气候观象台开放研究基金项目
鹤壁市农业气象与遥感重点实验室开放研究基金项目(AYNCOF202303; AYNCOF202510)
河南省科技研发计划联合基金项目(232103810089)
中国气象局·河南省农业气象保障与应用技术重点开放实验室项目(AMF202303; AMF202404)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

2026年第46卷第4期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.7606/j.issn.1009-1041.2026.04.13

接收时间：2025-06-11
首发时间：2026-09-11
出版时间：2026-04-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-06-11
修回日期：2025-07-08

基金

安阳国家气候观象台开放研究基金项目

鹤壁市农业气象与遥感重点实验室开放研究基金项目(AYNCOF202303; AYNCOF202510)

河南省科技研发计划联合基金项目(232103810089)

中国气象局·河南省农业气象保障与应用技术重点开放实验室项目(AMF202303; AMF202404)

作者信息

^1．中国气象局河南省农业气象保障与应用技术重点开放实验室，河南郑州 450003

^2．河南省气象科学研究所，河南郑州 450003

^3．安阳国家气候观象台，河南安阳 455000

^4．鹤壁市气象局，河南鹤壁 458000

通讯作者:

E-mail: thwenigma@163.com（田宏伟）

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/mlzwxb/CN/10.7606/j.issn.1009-1041.2026.04.13

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT