缺乏有效的作物生長監測是導致農業產量下降的因素之一，及時和準確地獲取植物生長狀況對于農業生產決策至關重要。然而，田間數據的收集往往費時費力。因此，需要準確高效的方法來監測作物的生長和發育。

本研究旨在評估結合無人機(UAV)成像和機器學習(ML)技術監測甜玉米高度、生物量和產量的有效性。采用完全隨機區組設計( RCBD )，設置25 %、50 %、75 %和100 %充分灌溉4個灌水處理，每個處理4個重復，共16個試驗小區。收集株高、鮮/干生物量以及產量的田間數。同時，使用大疆Matrix 210 v2無人機配備MicaSense RedEdge-MX多光譜傳感器進行無人機圖像采集，并使用Pix4Dmapper 4.7.5進行圖像處理。基于數字表面和地形模型之間的像素間差異，計算出代表估計株高(UAVH)的作物表面模型。采用簡單的線性回歸模型，從無人機影像估算UAVH估計甜玉米的生物量和產量。此外，采用了兩種線性算法模型( 線性模型LM，Lasso和elastic-net正則化的廣義線性模型GLMNET)、三種非線性ML算法（隨機森林RF，支持向量機SVM，K近鄰KNN）預測株高和生物量。利用基于無人機圖像估計的8個植被指數（VIs）和UAVH來評估ML模型預測生物量、株高（僅使用VIs）的性能。
結果表明，無人機成像可以有效地估算株高(d = 0.99, r2 = 0.99, MAE = 5 cm，d為一致指數，r2為決定系數，MAE為平均絕對誤差)；預測的鮮/干生物量與實測數據也具有良好的一致性，r2分別為0.75和0.70；收獲時測量的鮮產量與UAVH呈顯著線性相關，d、調整后r2和MAE分別為0.84、0.66和67 g?m?2；所有ML模型對玉米生物量的估計都很好，d值在0.88 ~ 0.99之間；kNN和SVM在生物量估計方面優于所有其他模型，GMLNET對株高的估計優于其他模型。總體而言，結果表明無人機成像和ML模型可以提供高分辨率的圖像和數據用于分析植物性狀、預測作物產量，節省時間與勞動力，有助于優化田間生產管理策略以提高作物產量。

圖4 （a）大疆Matrix 210 v2無人機；（b）云母校準反射面板；（c）MicaSense RedEdge-MX多光譜相機；（d）大疆遙控器；（e）Atlas飛行任務規劃器( iOS版)。

圖5 甜玉米田四個地塊的RGB圖像、數字地形模型 （DTM）、數字表面模型 （DSM） 和作物表面模型 （CSM）。DSM與DTM均Pix4Dmapper 4.7.5生成，其中DSM表示平均海平面以上任意地物的高程，DTM 表示去除所有非地物的連續地面高程。利用ArcGIS 10.7.1估算DSM與DTM的像元級差值，得到CSM。有關此圖例中對顏色引用的解釋，讀者請參閱本文的網絡版本。


圖7數據處理和機器學習方法示意圖。其中，RMSE為均方根誤差, MAE為平均絕對誤差, d為一致性指數, r2為決定系數, LM為線性模型, GLMNET為Lasso和elastic-net正則化的廣義線性模型, RF為隨機森林, SVM為支持向量機, kNN為k近鄰。


圖10 植被指數與生物量(新鮮、干燥) 的相關性矩陣圖。EVI2為增強型植被指數, GNDVI為綠色歸一化植被指數, NDVI為歸一化植被指數, NDVIre為紅邊歸一化植被指數, NGRDI為歸一化紅綠差值指數, NIRRENDVI為NDVI-RE歸一化植被指數, RENDVI為紅邊歸一化植被指數, SAVI為土壤調整植被指數, TFB為總鮮生物量, TDB為總干生物量。

文獻來源：Fitsum T T, Haimanote K B, Gerrit H, Bruce S, Aditya S, Yiannis A. Unmanned aerial vehicle (UAV) imaging and machine learning applications for plant phenotyping.  Computers and Electronics in Agriculture, 2023, 212:108064.