基于无人机RGB图像，通过融合颜色指数和冠层体积来估算小麦生物量

无人机RGB影像结合冠层体积与颜色指数提升冬小麦冠层生物量估算精度研究，通过获取Feekes 10至11.3生长阶段的DOM和DSM数据，提取8种颜色指数并计算冠层体积，运用RReliefF算法筛选特征，对比8种回归模型发现GPR算法最优，R2值最高达0.775，集成冠层体积信息后模型精度提升7.31%-22.98%。

　　

摘要

目的

地上生物量（AGB）是评估冬小麦生长状况的关键指标。由于开花后提取的颜色指数（CIs）范围趋于稳定，且无人机（UAV）的RGB图像无法捕捉密集种植条件下冠层的下层和中间结构，因此AGB估算模型的效率受到限制。因此，本研究旨在通过结合基于RGB的颜色指数和冠层体积信息来提高冬小麦AGB估算的准确性。

方法

在Feekes 10、Feekes 10.5.2、Feekes 10.5.4和Feekes 11.3生长阶段，获取RGB图像以生成数字正射影像图（DOM）和数字表面模型（DSM）。从DOM中提取了8个与生物量相关的颜色指数，并从DSM中计算出相应区域的冠层体积（V）。使用RReliefF算法对特征重要性进行排序并选择最优特征。采用了8种统计和机器学习回归算法（包括高斯过程回归（GPR））来构建具有不同特征组合的AGB估算模型。

结果

结果显示，GPR算法的表现优于其他回归方法，在四个生长阶段的估算准确率分别为0.775、0.741、0.702和0.568。与仅使用颜色指数的模型相比，将冠层体积信息与颜色指数结合使用后，从Feekes 10.5.2到Feekes 11.3期间，AGB估算的准确率分别提高了7.31%、6.55%和22.98%。

结论

总体而言，将基于UAV的RGB图像得到的冠层体积特征与颜色指数相结合，并应用有效的机器学习算法，可以实现快速且准确的冬小麦AGB估算。