地上生物量（AGB）是一种使用广泛的农艺参数，用于表征作物生长状况和预测谷物产量。以无损的方式对AGB进行快速准确的估计，有助于在作物精确管理方面做出明智的决策。以往的研究利用无人机(UAV)数据得出的植被指数(VIs)和冠层高度指标来估计各种作物的AGB。然而，输入变量要么来自一种数据类型，要么来自无人机上的不同传感器。由单一低成本无人机系统得出的可见光和冠层高度指标的组合是否能提高AGB的估计精度尚不清楚。本研究使用低成本无人机系统在中国东部如皋小麦关键生长阶段获取30米飞行高度的图像。实验在2016年和2017年进行，涉及36个田间地块，代表品种，氮肥水平和播种密度的变化。利用逐步多元线性回归（SMLR）和三种机器学习算法（支持向量回归（SVR）、极值学习机（ELM）、随机森林（RF）评估了VIs、冠层高度指标及其组合在小麦AGB中的表现。

试验场地位置及田间地块布局随机分布，氮水平、小麦品种、播种密度均有处理

结果表明，相对于单独使用VIs或冠层高度指标，结合VIs和冠层高度指标可以提高小麦AGB的估计精度。具体来说，在SMLR和三种机器学习算法中，无论使用所有原始变量还是SMLR选择的变量，RF的表现都是最好的。将RF应用于VIs与冠层高度指标组合时，获得了最佳精度(R2 = 0.78, RMSE = 1.34 t/ha, rRMSE = 28.98%)。

小麦地上生物量（AGB，t/ha）基本统计

研究结果表明，一种由RF算法组成的方法，以及由低成本无人机系统在用户级别上获得的RGB图像和点云数据的组合，可以用来提高AGB估计的准确性，并在其他增长参数的快速估计方面具有实际应用的潜力。

用于计算光谱植被指数的正射影像

关键词：地上部分生物量，无人机，冠层高度，光谱植被指数，RGB相机

来源：Plant Methods 2019.Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system.Ning Lu, Jie Zhou, Zixu Han, Dong Li, Qiang Cao, Xia Yao, Yongchao Tian, Yan Zhu, Weixing Cao and Tao Cheng.