【智慧农业】多源无人机遥感与生长监测指数耦合:夏玉米产量估测模型构建及氮肥调控效应分析

产量是反映作物生产水平的重要指标。实现玉米产量的快速、精准估测，对于宏观决策制定及保障粮食安全具有重要意义。然而，传统作物产量测定方法依赖人工调查，存在耗时长、劳动强度大等不足。

本研究基于多光谱、热红外及倾斜摄影测量无人机（UAV）遥感影像，构建了玉米多源遥感特征体系，并将其与作物生长监测指数（Growth Monitoring Index, GMI）进行耦合，系统评估了不同机器学习模型在产量估测中的表现。同时，进一步分析了不同施氮水平对玉米农学氮肥利用效率（Agronomic Nitrogen Use Efficiency, ANUE）的影响。

结果表明，融合多源遥感特征与 GMI 的模型在产量估测中表现良好，其决定系数（R2）介于 0.531–0.882 之间，均方根误差（RMSE）为 0.384–1.078 t·ha-1。不同机器学习算法表现存在差异，其中随机森林回归（Random Forest Regression, RFR）精度最高（R2 = 0.563–0.880，RMSE = 0.393–0.789 t·ha-1）；LightGBM 模型整体优于梯度提升决策树（GBDT），而支持向量回归（SVR）表现相对较弱。

此外，产量估测精度在不同生育阶段存在差异，其中以抽丝期（silking stage）模型表现最佳。不同施氮处理对玉米产量具有显著影响，但过量施氮并未显著提升产量或氮肥利用效率（ANUE）。

综上，本研究提出的基于多源无人机遥感与生长监测指数耦合的高通量产量估测方法，具有快速、精准等优势，可为优化农田氮肥管理和提升农业生产效率提供重要参考。

图1. 研究区域的地理位置及玉米种植分布

图2. 基于无人机的多光谱、热红外及倾斜摄影测量数据采集系统

图3. 玉米作物三维点云数据的垂直分布

图4. 基于将无人机多源遥感特征与作物生长监测指数相结合的玉米产量估算框架

图5. 2023年和2024年不同生长阶段玉米产量估算值的散点图

图6. 不同机器学习模型的性能

图7. 不同生长阶段玉米产量估算精度的变化

图8. 2023年和2024年玉米产量的时空分布

图9. 2023年和2024年夏播玉米的农艺氮利用效率