《Agronomy》：Cotton Boll Extraction and Boll Number Estimation from UAV RGB Imagery Before and After Defoliation
Na Su,
Maoguang Chen,
Caixia Yin,
Ke Wang,
Siyuan Chen,
Zhenyang Wang,
Liyang Liu,
Yue Zhao and
Qiuxiang Tang
编辑推荐：
本综述系统评估了利用无人机遥感与机器学习进行棉花产量预测的可靠方法。研究通过比较脱叶前后多时期图像，明确了神经网络在棉铃提取中的最佳表现（Kappa高达0.914），并证明了融合棉铃像素比例、颜色指数与纹理特征的多特征随机森林模型可显著提高棉铃数量估测精度（R2= 0.7264）。结果表明，脱叶后15-18天是进行收获前评估与收割时机决策的最佳观测窗口，为大规模精准农业管理提供了关键技术支撑。
引言
棉花是全球重要的经济作物，其产量精准预测对于保障纺织原料供应和农业可持续发展至关重要。在棉花的产量构成因素中，单位面积棉铃数量是动态变化最大的因子，直接影响最终产量预测的准确性。传统人工调查方法劳动密集、主观性强且空间代表性不足，难以满足大规模、及时监测的需求。因此，开发高效、可扩展的棉铃数量估测方法，支持收获前评估，成为精准农业领域的关键挑战。近年来，随着低空无人机遥感技术的成熟，高时空分辨率遥感影像成为作物信息获取和产量估算的重要数据与方法来源。尽管技术进展迅速，但受光照条件、冠层结构和田间管理实践差异的影响，基于遥感的棉铃识别与产量估算仍存在精度波动，提升模型的鲁棒性是一大挑战。本研究针对棉花植株三维冠层遮挡严重、多源特征融合建模复杂、以及脱叶剂施用引起的冠层结构动态变化等问题，旨在通过多时期无人机可见光影像，系统评估机器学习算法在自动棉铃提取与数量估算中的性能，并量化脱叶实践对估测的影响，以确定最可靠的观测时间窗口。
材料与方法
本研究于2024年在中国新疆维吾尔自治区昌吉市华兴农场进行。试验采用品种与种植密度的双因素随机区组设计，涉及4个棉花品种和5个种植密度，共设立55个试验小区。研究使用大疆Mavic 3M多光谱无人机平台，在脱叶剂施用前3天及施用后第3、6、9、12、15、18天共7个时期获取高分辨率RGB影像。地面真实数据在棉铃吐絮率超过80%时通过田间样方调查获取，记录每株棉铃数作为模型验证的统一目标值。
在数据处理与分析方面，首先利用Metashape软件进行影像拼接，并通过ArcGIS进行地理配正。棉铃提取在ENVI平台上实现，采用了三种有监督分类算法：马氏距离、支持向量机（SVM）和神经网络。其中，SVM采用径向基核函数，神经网络配置为单隐藏层多层感知器。基于最优的分类结果（神经网络），计算得到关键的棉铃像素比例（Pr= Pc/ Pt）。此外，还从影像中提取了颜色指数以及基于灰度共生矩阵的纹理特征，包括相关性、熵和均值，以构建用于棉铃数量估算的多特征融合数据集。最终，利用改进的随机森林模型，融合棉铃像素比例、颜色指数和纹理特征，为每个影像获取日期建立独立的棉铃数量估测模型，从而在时间序列上直接比较预测性能。
结果
在棉铃提取方面，在所有脱叶时期，神经网络模型均表现出最准确、最稳定的性能，其最大Kappa系数达到0.914，总体精度为95.77%，F1分数为0.96。提取精度在脱叶剂施用后3至9天内迅速提升，并在12至18天期间趋于稳定。这表明脱叶过程有效减少了叶片遮挡，显著改善了棉铃的可识别性。
在棉铃数量估算方面，融合棉铃像素比例、颜色指数和纹理特征的随机森林模型，其估测精度和一致性随时间推移而提高。模型在脱叶剂施用后第18天达到最佳性能，决定系数R2为0.7264，相对均方根误差（rRMSE）为4.9%。研究明确，脱叶后15至18天获得的影像为棉铃数量估算提供了最可靠的观测窗口。此时，冠层叶片已充分脱落，降低了背景复杂度，同时棉铃暴露充分，特征信号强，为支持实际的收获前评估和收割时机决策提供了最优数据基础。
结论
本研究证实，基于无人机可见光影像和机器学习算法，能够实现棉花脱叶前后棉铃的精准提取与数量估算。神经网络是解决复杂冠层背景下棉铃提取问题的高效工具。通过融合棉铃像素比例、颜色指数和纹理特征，能够构建鲁棒性强的棉铃数量估测模型。脱叶剂的应用通过改变冠层结构，显著提升了后期影像的分析精度，其中脱叶后15-18天是实施大规模、精准化棉花产量预测和机械化收割管理的最佳时机。该工作流程为作物收获前监测提供了一种可操作的技术方案，对推动智慧农业发展具有重要实践意义。
