基于无人机(UAV)的遥感技术提供了一种灵活、低成本和高效的方法，可以在精细的时空分辨率下监测作物的生长状态，并且在加速育种进程和提高精确田间管理方面具有巨大的潜力。

作物表面模型提取和水稻高度估算的工作流程

本研究讨论了使用双图像帧快照相机的轻型无人机来估计不同氮(N)处理下水稻不同生长阶段的地上生物量(AGB)和穗生物量(PB)。首先研究了典型植被指数（VIs）和AGB的时空变化，并评估了在两个不同阶段从红绿蓝（RGB）图像中提取的作物表面模型（CSM）的准确性。在此基础上，建立了AGB估计的随机森林模型和PB模型。此外，还对无人机变量进行了变量重要性和敏感性分析，以研究提高模型鲁棒性和预测精度的潜力。

9个植被指数（VIs）和冠层高度的r²来自作物表面模型（Hcsm）与穗生物量（PB）

实验结果表明，从CSM中提取的冠层高度(Hcsm)与地面测得的冠层高度具有较高的相关性，但不能单独用于水稻整个生育期的生物量评价。还观察到几个VIS与AGB高度相关，从多光谱图像中提取的修正归一化差谱指数达到了zui高相关性。融合RGB和多光谱图像数据的RF模型显著提高了AGB和PB的预测结果，均方根误差(RMSEP)的预测降低了8.33-16.00%。测定系数(r²)、RMSEP和相对RMSE (RRMSE)分别为0.90、0.21 kg/m²和14.05%、0.68、0.10 kg/m²和12.11%，对AGB和PB的预测效果最好。此外，结果表明，敏感性分析可以在不降低预测精度的前提下简化预测模型。

从在初始连接和初始抽穗阶段获得的红绿蓝（RGB）图像产生的作物表面模型（Hcsm）得到的冠层高度分布，坐标显示在1984年世界大地坐标系中

这些研究结果证明了将轻型无人机与双图像帧快照相机应用于水稻生物量估算的可行性，以及其对精准农业中植物生长相关性状的高通量分析以及先进育种计划的潜力。

关键词：无人机（UVA），图像帧快照多光谱相机，数据融合，地上生物量，作物表面模型，随机森林回归。

来源：Plant Methods.Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras.Haiyan Cen, Liang Wan, Jiangpeng Zhu, Yijian Li, Xiaoran Li, Yueming Zhu, Haiyong Weng, Weikang Wu, Wenxin Yin, Chi Xu, Yidan Bao, Lei Feng, Jianyao Shou and Yong HeEmail author.https://doi.org/10.1186/s13007-019-0418-8