地上生物量(AGB)是评估作物生长发育和指导田间农业生产管理的重要指标。 因此, 高效精准地获取作物AGB信息, 可以及时准确地估算产量, 对于保障粮食供应和贸易提供有力依据。 传统获取AGB的方法是采用破坏性取样法, 这使得大面积、 长期的测量变为困难。 然而, 随着精准农业的快速发展, 无人机遥感技术被认为是估算大面积作物AGB最有效的技术方式。 通过无人机平台搭载多光谱传感器获取马铃薯块茎形成期、 块茎增长期和淀粉积累期的多光谱影像, 地面实测株高和AGB以及地面控制点(GCP)的空间位置信息。 首先, 基于SFM(structure from motion, SFM)技术利用无人机影像数据结合GCP的三维坐标生成试验田的DSM(digital surface model, DSM), 通过DSM提取出马铃薯各生育期的株高(Hdsm); 然后, 选取原始4个单波段植被指数、 9个多波段组合的植被指数、 红边波段的高频信息(HFI)和提取的Hdsm分别与AGB作相关性分析; 最后基于单波段植被指数(x₁)、 多波段组合的植被指数(x₂)、 植被指数结合Hdsm(x₃)、 植被指数结合HFI(x₄)以及植被指数融合HFI和Hdsm(x₅)为模型输入参数, 采用偏最小二乘回归(PLSR)和岭回归(RR)估算各生育期的AGB。 结果表明: (1)提取的Hdsm和实测株高拟合的R²为0.87, NRMSE为14.34%; (2)各模型参数都与AGB达到极显著水平, 相关性均从块茎形成期到淀粉积累期先升高后降低; (3)各生育期以5种变量使用同种方法估算马铃薯AGB的效果, 均从块茎形成期到淀粉积累期先好后变差, 其估算精度由高到低依次为x₅>x₄>x₃>x₂>x₁; (4)各生育期使用PLSR以不同变量估算AGB的效果要优于RR方法, 其中在块茎增长期基于x₅变量估算马铃薯AGB效果最佳, R²为0.73, NRMSE为15.22%。 因此, 选取多光谱植被指数结合红边波段的高频信息和Hdsm并使用PLSR方法可以明显提高AGB的估算精度, 这为大面积马铃薯作物AGB的监测提供了新的技术支撑。

地上生物量(above-ground biomass, AGB)是评价作物长势及其产量估测的重要指标, 对指导农业管理具有重要的作用。 因此, 快速准确地获取生物量信息, 对于监测马铃薯生长状况, 提高产量具有重要的意义。 于马铃薯现蕾期、 块茎形成期、 块茎增长期、 淀粉积累期、 成熟期获取成像高光谱影像、 实测株高(heigh, H)、 地上生物量和地面控制点(ground control point, GCP)的三维空间坐标。 首先基于无人机高光谱灰度影像结合GCP生成试验田的DSM(digital surface model, DSM), 利用DSM提取马铃薯的株高(Hdsm); 然后利用无人机高光谱影像计算一阶微分光谱、 植被指数和绿边参数, 进而分析高光谱特征参数(hyperspectral characteristic parameters, HCPs)和绿边参数(green edge parameters, GEPs)与马铃薯AGB的相关性, 每个生育期筛选出相关性较高的前7个高光谱特征参数和最优绿边参数(optimal green edge parameters, OGEPs); 最后基于HCPs, HCPs加入OGEPs, HCPs加入OGEPs和Hdsm的组合利用偏最小二乘回归(partial least square regression, PLSR)和随机森林(random forest, RF)估算不同生育期的AGB。 结果表明: (1)提取的Hdsm与实测株高H高度拟合(R2=0.84, RMSE=6.85 cm, NRMSE=15.67%); (2)每个生育期得到的最优绿边参数不完全相同, 现蕾期、 块茎增长期和淀粉积累期OGEPs为Rsum, 块茎形成期和成熟期OGEPs分别为Drmin和SDr; (3)与仅使用HCPs估算AGB相比, 使用HCPs加入OGEPs, HCPs加入OGEPs和Hdsm在马铃薯不同生育期可以提高AGB估算精度, 且以后者为自变量提高精度的幅度更大; (4)每个生育期利用PLSR和RF估算AGB的建模和验证R2从现蕾期到块茎增长期呈上升趋势, 随后开始降低, 整体上R2呈先上升后下降的趋势, 通过PLSR方法构建的估算AGB模型效果优于RF方法, 其中块茎增长期表现效果最好。 因此, 高光谱特征参数中结合最优绿边参数和株高, 并使用PLSR方法可以改善马铃薯AGB的估算效果。

水稻株高是水稻本身以及土壤、 水文、 气象等因素的综合反映, 是水稻长势监测的重要指标。 准确、 高效、 大范围的株高反演为水稻品种识别、 物候监测、 病虫害评估和产量预测等提供了可靠的依据。 合成孔径雷达（SAR）, 具有全天时、 全天候、 穿透性的优势, 成为水稻株高反演的重要手段之一。 基于极化干涉测量（PolInSAR）的散射模型的反演算法具有严密的物理模型的支撑及较高的反演精度等特点, 成为植被高度反演研究的热点。 结合极化干涉SAR技术, 构建了一种基于RVoG（Random Volume over Ground）模型的水稻株高反演算法, 并利用2015年水稻生长季内9个时相的TanDEM-X极化干涉SAR数据, 进行了水稻株高反演试验。 首先基于每个时相下的极化干涉SAR数据分别得到8个复相干系数, 利用这8个复相干系数在考虑卫星双站模式等情况下进行去相干处理, 然后建立适用于水稻田特性的RVoG模型, 接着构建基于该模型的水稻株高反演迭代算法, 最后对9个时相下的TanDEM-X数据进行研究区的水稻株高反演及精度评定。 结果表明, 当水稻株高高于0.4m时, 该方法的反演结果较好, 决定系数（R2）为0.86, 均方根误差RMSE为6.79 cm; 当水稻株高较低时（水稻株高小于0.4 m）, 反演误差在0.1～0.8 m之间, 反演结果较差, 被明显高估。 通过分析认为, 基于极化干涉理论, TanDEM-X数据在较好地反映出水稻植株的较大体散射量的前提下, 利用所构建的基于RVOG模型的水稻株高反演算法, 能够较好地反演株高在0.33～1.2 m的水稻株高。

为高通量地计算农作物株高,克服传统测量方法低效、耗时耗力等不足, 以抗线9号、13号和富豆6号寒地大豆为研究对象,构建了基于Kinect 2.0的大豆冠层图像同步采集平台,并在三维重建大豆冠层结构形态的基础上,提出了基于深度信息的个体和群体大豆株高计算方法。实验结果表明,与实测值相比,计算得到的个体和群体大豆株高的平均误差分别为0.14 cm和0.54 cm,抗线9号、13号和富豆6号株高计算值与实测值之间的决定系数依次为0.9717,0.9730,0.9697。所提方法能够较为精确地计算大豆植株的株高特征。

冬小麦遭受晚霜冻害后, 生理生态方面会发生显著变化, 其中又以株高要素的变化最为显著。 提取了包括红边位置、 红边振幅在内的15个光谱特征参数, 以及包括株高、 穗长、 穗下节间长和倒二节间长变化率4个株高要素, 通过相关分析, 筛选出与光谱特征相关性最好的株高变化率参数, 并建立逐步回归模型。 结果表明: 仅有株高变化率在2013和2014年两期试验中均与光谱特征参数达到显著相关; 将两期试验数据合并后, 则穗长、 穗下节间长和倒二节间长的变化率也均达到显著相关。 综合考虑模型的Adj.R2和显著性水平(Sig.)可知, 模型拟合效果最好的是穗长变化率, 其次是株高, 穗下节间和倒二节间长变化率。 比较模型的RMSE可知, 模型预测精度最高的是穗下节间长变化率。 该研究对在冻害胁迫条件下用光谱特征参数预测小麦株高各要素的变化提供了很好的参考, 对研究晚霜冻害低温胁迫下冬小麦株高要素变化的规律具有指示性意义。