无人机多光谱遥感估测玉米产量技术规程

1T/JLTRXHXXXX—XXXX基于无人机多光谱遥感估测玉米产量技术规范本规范规定了利用多光谱无人机对玉米种植地块进行产量估测的技术要求，包括遥感数据获取与处理、玉米产量数据获取及模型构建等方法。本规范适用于地块级别的玉米种植区域产量估测。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。NY/T4151-2022农业遥感监测无人机影像预处理技术规程DB23/T3664-2023遥感预测玉米产量技术规程3术语和定义下列术语和定义适用于本文件。3.1遥感（RemoteSensing）通过非接触传感器获取目标物体或区域的电磁波信息，并对这些信息进行处理、分析和应用的技术手段。3.2多光谱无人机（MultispectralUAV）搭载多光谱传感器的无人飞行器系统，能够同步采集目标区域在多个离散光谱波段（如可见光、近红外、红边等）的影像数据。3.3多光谱影像（MultispectralImage）通过多光谱传感器获取的影像数据，包含多个特定波段的反射率信息，每个波段对应地表不同的光谱特征。3.4植被指数（VegetationIndex）植被指数是通过不同光谱波段反射率的特定数学组合运算得到的量化指标，用于表征植被生长状况，如归一化植被指数（NDVI）等。3.5校正板（CalibrationPanel）用于辐射定标的标准反射面板，具有已知反射率，可供多光谱影像数据进行辐射校正，以减少传感器误差和环境光照影响。3.6航向重叠率（ForwardOverlap）相邻航拍影像沿飞行方向的重叠比例，通常以百分比表示，用于保证影像拼接质量。3.7旁向重叠率（SideOverlap）相邻平行航带间影像的重叠比例，通常以百分比表示，用于确保航带间无缝拼接。3.8反射率（Reflectance）地物表面反射的电磁波能量与入射电磁波能量的比值，以百分比或小数形式表示。T/JLTRXHXXXX—XXXX23.9掩膜（Masking）用于对遥感影像中特定区域进行选择性遮蔽或提取的矢量文件。3.10玉米产量（MaizeYield）指单位面积内玉米籽粒收获时的干重（国标14%含水量），通常以kg/ha或t/ha表示。4无人机多光谱遥感估测玉米产量程序图1：无人机多光谱遥感估测玉米产量技术流程4.1多光谱影像处理4.1.1影像获取时期在玉米VT-R1生育期间进行多光谱影像拍摄，确保每个关键生育期均执行至少一次拍摄。4.1.2影像重建应采用专业影像处理软件（如大疆智图、Pix4D、AgisoftMetashape等）进行多光谱影像重建，输出分辨率≤5cm。重建完成的影像应确保无缺失、无畸变、无模糊、无重影，且整体亮度均匀。4.1.3辐射校正使用拍摄的校正板多光谱影像进行辐射校正。4.1.4掩膜处理T/JLTRXHXXXX—XXXX3应对影像中的非目标区域（如土壤等）进行掩膜处理，保留有效植被区域。推荐使用NDVI阈值法（阈值≥0.2）提取植被区域。4.1.5提取反射率可采用像元上采样或感兴趣区域（ROI）的统计方法获取目标区域对应的多光谱影像反射率数值。4.1.6计算植被指数根据需求选择合适的植被指数，利用多光谱影像中特定波段的反射率数据，按照标准计算公式进行运算得到。4.2玉米产量数据获取4.2.1测产时间玉米产量数据应在成熟期获取，在籽粒含水量接近贮藏或收购标准（一般为14%）时开展测产作业。测产时应避开降雨、结露等影响重量准确性的天气。4.2.2测产面积为保证样本的代表性并减少边行效应，通常在小区中部选择若干行连续植株行作为测产区，并设定一定的测产长度。测产区的实际面积依据行距与测产长度计算，具体大小可根据小区面积设置。4.2.3产量计算先称量测产区果穗总鲜重，脱粒后称量总穗轴重，计算出籽粒总鲜重（W）。从每个小区籽粒中随机取不小于3份的百粒样本，称鲜重后置于鼓风干燥机中75℃烘至恒重，计算出籽粒含水量（M并折算出国标籽粒产量(含14%标准水)。计算公式如下：籽粒产量（t/ha）=[W×(100-M)%]/[(100-14)%×测产区面积]4.3估产模型建立与应用输出4.3.1模型输入变量选择应根据作物生育期，选取与产量数据相关性强、稳定性高的一种或多种植被指数作为模型特征变量，也可以加入其它指标，开展多因子耦合分析。4.3.2建模数据选择建模数据应以实测产量为目标变量，植被指数和其它指标为特征变量。建模时训练样本应不多于总样本的70%，划分适当比例的验证集避免过拟合，其余用于测试集。4.3.3建模方法估产模型构建可根据数据特征选用传统回归、机器学习或深度学习方法，推荐随机森林（RF）或梯度提升机（XGBoot），样本量≥100。模型需通过交叉验证确保其拟合性能与泛化能力，如精度未达要求，应进一步对建模方法进行调整优化。4.3.4模型精度评价模型构建完成后，应采用决定系数（R²)、均方根误差（RMSE）或平均绝对误差（MAE）等指标对模型精度进行定量评估。评估结果应达到应用精度要求，R²不宜低于0.6，RMSE宜控制在实测产量标准差的30%以内，未达标时需迭代优化。T/JLTRXHXXXX—XXXX44.3.5模型应用与输出最终模型可用于区域玉米产量的空间估算与分布表达。模型估算结果应以栅格数据输出。估算结果应与实测样点产量进行比对验证，如存在系统性偏差，应适当进行模型迭代修正，以提高结果的可靠性与应用价值。5多光谱无人机作业要求5.1天气条件应选择天气晴朗、光照强度稳定、无风或风小条件下进行拍摄。5.2飞行时段宜在10:00—14:00时段进行，以减少地物阴影干扰，确保光照均匀。5.3飞行参数5.3.1航行飞行高度飞行高度应根据传感器空间分辨率和作业需求确定，一般在12-120m之间。5.3.2航线飞行速度飞行速度可根据飞行高度进行调整，一般设为1-4m/s，以确保影像质量和重叠率稳定。5.3.3航向重叠率航向重叠率设为75%-85%，以满足图像拼接和后期处理需求。5.3.4旁向重叠率旁向重叠率设为65%-75%，以保证区域全覆盖和图像连续性。5.3.5相机对玉米种植区进行拍摄时，应选择多光谱相机。5.3.6航线规划通过人工打点方式规划飞行区域，生成的航线路径应完全覆盖作业区域。5.4校正板拍摄5.4.1拍摄时间应在多光谱航拍作业前或航拍结束后立即对校正板进行拍摄，确保与航拍作业的光照强度一致。5.4.2放置要求检查校正板表面是否有污染物，清洁干净后水平放置在无遮挡、平整的地面上。5.4.3拍摄高度对校正版拍摄的无人机飞行高度宜为1.5米，确保校正板完全落入影像内。T/JLTRXHXXXX—XXXX55.5作业安全5.5.1无人机起飞高度起飞高度根据航线飞行高度和周围环境情况设置，一般与航线高度一致。5.5.2无人机起飞速度起飞速度根据风速及周围环境情况设置，一般为1-15m/s。5.5.3操作人员要求作业人员应掌握基本飞行控制、应急处理及设备维护知识，遵守民航局有关无人机飞行的管理规定。5.5.4飞行检查飞行前检查无人机电池电量、螺旋桨、相机镜头、储存卡容量状况。5.5.5飞行安全飞行过程中，应随时监控飞行器状态，留意周围障碍物，如出现电量不足或其它异常时立即中止任务并安全降落。5.5.6数据安全飞行完成后应及时备份影像数据，防止数据丢失，一般在实体硬盘和云端硬盘分别进行一次备份。T/JLTRXHXXXX—XXXX6（规范性）范例7（资料性）范例1、常用植被指数公式表植被指数英文缩写归一化植被指数NDVI(NIR-R)/(NIR+R)绿度归一化植被指数GNDVI(NIR-G)/(NIR+G)优化土壤调节植被指数1.16*(NIR-R)/(NIR+R+0.16)归一化红边植被指数NDRE(NIR-Re)/(NIR+Re)叶片叶绿素指数LCI(NIR-Re)/(NIR+R)绿色差异植被指数GDVINIR-G差值植被指数DVINIR-R修正冠层叶绿素含量指数MCCCINDRE/GNDVI绿色优化土壤调节植被指数GOSAVI1.16*(NIR-G)/(NIR+G+0.16)简单比指数Re/R红边归一化差值植被指数RENDVI(Re-R)/(Re+R)红边、绿波比值植被指数REGRVIRe/G植被衰老反射指数PSRI(R-G)/NIR绿色比率植被指数GRVI(G-R)/(G+R)红边比值植被指数RERVI(NIR)/Re红边叶绿素指数CIre(NIR)/Re-1附件2吉林省土壤学会团体标准编制说明内容及格式要求《基于无人机多光谱遥感估测玉米产量技术规范》编制说明一、工作简况（一）任务来源“基于无人机多光谱遥感估测玉米产量技术规范”的研究来源于十四五国家重点研发计划子课题（耐瘠高产作物品种精准鉴定与综合利用，2022YFD1900702）。（二）起草单位、协作单位起草单位：中国农业大学、吉林省农业科学院协作单位：北京市农林科学院二、制（修）订标准的必要性和目的玉米是我国主要粮食作物之一，其产量水平直接关系到粮食安全和农民收入。玉米产量估测不仅是农业生产管理和宏观调控的重要基础，更是实现精准水肥管理和推动现代农业发展的核心环节。本技术规程旨在建立科学、规范的玉米产量监测方法，针对地块尺度开展玉米产量估测研究，以提升监测精度与效率，为后续精准水肥调控提供可靠依据。地块尺度是农业生产管理的核心单元，在这一尺度上开展玉米产量估测，不仅能满足农户和合作社对精细化种植管理的需求，为他们提供施肥、灌溉等决策依据。同时，也能给科研院所提供可靠的数据来源，支撑品种比较、优化栽培模式和推广示范等，此外，还能为农业企业开展新品种布局和规模化生产评估提供依据。本技术规程的实施还能有效弥补现有产量监测手段的不足。在宏观尺度上，卫星遥感已广泛应用于大区域产量预测，但其空间分辨率有限，难以满足地块尺度和分散农田的高精度监测需求，而传统人工测产方法则效率低，已难以适应现代农业的快速发展。相比之下，无人机多光谱遥感虽然覆盖范围相对有限，但具备更高的空间分辨率和灵活性，能够在玉米关键生育期快速获取冠层光谱与结构信息，并结合地面测产数据建立高精度估产模型，实现地块级玉米的精准产量估测与空间分布表达。从社会和经济效益来看，本技术规程将为地块提供高精度产量估测信息，支撑施肥、灌溉、病虫害防控等精准管理，从而促进农业效益提升。同时，还能为开展农情监测、灾害评估和补贴发放提供科学依据，提高政策执行的公平性与精准性，也能为保险机构和粮食收储企业提供客观的产量数据，促进农业保险理赔和粮食市场调控的规范化和高效化。总体上，本技术规程将推动农业生产数字化、智能化和精细化发展，对提高农业效益和促进乡村振兴具有重要意义。三、主要起草过程（一）预研阶段拟定标准内容提要：明确标准需涵盖无人机的选型要求（如飞行平台的续航能力、载荷能力、空间分辨率等指标）、遥感数据采集的时间窗口（玉米不同生育期，像拔节期、灌浆期等关键时期的采集时间）、数据预处理方法（包括图像拼接、辐射校正、几何校正等）、玉米产量估测模型的构建（基于植被指数、株高、叶面积指数等遥感参数与实际产量的关系）以及模型精度验证的流程与指标等核心内容。确定制定标准的原则和依据：原则上遵循科学性（以无人机遥感原理和玉米生长发育规律为基础）、实用性（贴合农业生产实际操作需求）、可操作性（步骤清晰，便于技术人员掌握依据为无人机遥感技术的最新研究进展、玉米生产中对产量快速精准估测的迫切需求，以及《农业遥感监测技术规范》等相关农业标准和规范。必要性论证：传统玉米产量估测主要依靠人工抽样测产，存在效率低、范围小、时效性差等问题，难以满足大规模玉米种植区的产量监测与管理需求。无人机遥感技术可快速获取大范围玉米田块的多光谱、高分辨率影像，能及时捕捉玉米生长动态，为产量估测提供丰富信息，对玉米产业数字化、精准化发展意义重大，因此制定该标准十分必要。可行性论证：目前无人机遥感技术在农业领域应用日益广泛，硬件方面，市面上有多种适合农业遥感的无人机平台，具备稳定的飞行性能和数据采集能力；软件方面，遥感数据处理软件（如ENVI、ArcGIS等）和模型构建工具（如Python的科学计算库）也较为成熟。同时，国内众多科研院校和农业机构在玉米无人机遥感估产方面已有大量研究成果，积累了丰富的技术经验，能够为标准制定提供技术支持，所以标准制定具备可行性。（二）立项阶段立项申请：向相关主管部门提交立项申请报告，详细阐述基于无人机遥感估测玉米产量的技术规程对于提升玉米产量监测效率、助力智慧农业发展、保障粮食产量统计准确性等方面的重要意义，说明该标准的应用场景（如玉米种植基地产量监测、农业保险定损、粮食政策制定等）和预期效益。论证情况：主管部门组织农业遥感领域专家、玉米育种与栽培专家、标准化研究专家等组成论证小组，对立项申请进行评审。专家们从技术的先进性与成熟度、标准的实用性与创新性、产业的需求程度等方面展开讨论，一致认为该标准的制定符合农业现代化发展趋势，技术可行且需求迫切，同意立项。（三）起草阶段起草组人员中，米国华教授、蔡红光研究员全面负责该项目的总体设计与实施，马蕴韬教授和杜建军研究员负责技术指导，黄怡硕士主要负责无人机多光谱进行玉米估产的流程设计，胡文朗博士主要负责田间实验、无人机数据获取以及估产模型的建立，岑伦聿硕士主要负责多光谱影像处理技术，郝展宏博士主要负责飞行作业的技术指标和参数设置，沙野博士后主要负责田间实验的管理和测产方法设计。（四）征求意见阶段征求意见过程：通过网站、行业协会平台发布标准征求意见稿，同时向农业科研机构、种子企业、农业技术推广站、无人机生产企业等相关单位和个人发送征求意见函，广泛征集意见。反馈和处理情况：共收到来自不同单位和个人的多条意见，涉及无人机飞行高度与速度设置、遥感数据预处理步骤的细化、产量估测模型适用范围的说明等方面。起草工作组对所有意见进行分类整理和分析，逐一与提出意见的单位或个人沟通，对合理的意见（如补充不同无人机机型的参数适配说明、优化模型精度验证指标等）予以采纳，对不采纳的意见（如不符合技术原理或实际操作可行性的意见）则说明原因并反馈，最终根据反馈意见对标准内容进行修改完善。（五）送审阶段将经过征求意见修改后的标准送审稿、编制说明、试验验证报告等相关材料，提交给吉林省土壤学会，准备接受专家评审。（六）报批阶段根据标准评审委员会的评审意见，对标准进行最后的修改完善，形成标准报批稿，连同相关审批所需的材料，按规定程序报送至主管部门审批发布。四、制定标准的原则和依据，与现行法律、法规、标准的关系（一）编制原则本规程依据《中华人民共和国标准法》进行编制，遵循“科学性、规范性、先进性、实用性和可行性”原则，并结合试验分析、国内外相关标准以及近几年来形成的成熟技术和最新成果制定了本规程。（二）编制依据本规程所采用的无人机多光谱遥感技术，能够在低空条件下获取厘米级空间分辨率的作物冠层光谱与结构信息，适用于单个地块到乡镇尺度的中小范围玉米产量估测。该技术具有机动灵活、受气象条件限制小、作业周期短、成本低等特点，能够在玉米关键生育期快速获影像数据，并结合地面抽样测产构建高精度估产模型，实现产量的空间化表达，为农业生产与科学研究提供统一的技术依据。在编制过程中参考并引用了多项行业及地方标准，以确保技术要求的科学性、可操作性和与现有标准体系的衔接。这些引用文件涵盖了无人机航摄安全、低空数字航空摄影、多光谱影像预处理以及基于遥感的玉米产量预测等方面的技术内容，为本标准在飞行参数设定、影像获取与处理、产量估测模型构建等环节提供了重要的技术支撑。（三）与有关的现行法律、法规和强制性（国家、行业、地方）标准的关系本规范符合现行的法律、法规要求，经联网查询未发现与本规范有冲突、矛盾和相关的强制性（国家、行业、地方）标准。五、主要条款的说明，主要技术指标、参数、试验验证的论述（一）标准名称基于无人机多光谱遥感估测玉米产量技术规范（二）标准结构1、多光谱无人机作业要求1.1飞行天气条件、时段、航线高度、航线速度、航向重叠率及旁向重叠率上述指标及其参数设置会直接影响多光谱影像的质量，是确保玉米产量估测精度的基础条件。在确认上述指标和参数时，参考了测绘地理信息行业标准、地方标准及文献，具体参考如下：DB1311/T087-2025无人机遥感法鉴定高水效小麦品种技术规程DB23/T3901-2024无人机多光谱水稻氮素含量测定与追肥调控技术规程蓝姝,张瑶.基于无人机遥感的冬小麦分蘖数监测研究[D].中国农业大学,2024.同时，结合2023-2025在不同玉米种植区开展的多次田间试验分析，确认了关键性指标及其参数设置。试验结果表明，如在天气晴朗无风条件下，飞行时段为11:00前后，设置飞行高度为30m，飞行速度为1-2m/s，航向重叠率为80-90%，旁向重叠率为70-80%，能够在保证厘米级分辨率和影像清晰度的同时，实现稳定的重叠率和高质量的影像拼接效果。1.2相机选择多光谱无人机一般还搭载有RGB相机，选择相机时应注意避免仅勾选RGB相机，RGB数据无法支持植被指数等光谱分析，应选择多光谱相机。多光谱相机一般包含红（R）、近红外（NIR）红边（Re）、蓝（B）和绿（G）波段。1.3航线规划无人机飞行区域采用人工打点方式确定，由作业人员根据作业地块边界，手持具有定位功能的飞控操作平台（如飞行遥控器手动进行边界点标注，一般系统会根据规划好的区域自动生成最优航线路径，生成的航线必须确保完全覆盖目标作业区域，避免出现部分地块遗漏。同时对航线设置飞行参数，如航线高度、起飞高度、航线速度、起飞速度等参数进行设置，选择多光谱相机，也可以加选RGB相机，方便判断影像质量。在规划区域过程中，如遇电线杆、电线、树木等障碍物，应在规划区域时避开，也可以通过合理调整飞行高度或航线高度的方式进行规避，防止发生飞行器碰撞，保障作业安全。1.4校正板拍摄校正板用于多光谱影像辐射校正，参照校正板，可将传感器采集的原始数字数值（DN,DigitalNumber）转换为反射率，消除光照、大气条件及传感器噪声的影响。同时使其标准化到0~1范围内，便于不同时间、不同传感器数据的对比，便于植被指数的计算分析。校正板的数据数量可以选择一块或多块，如各波段反射率为0.25、0.50、0.75、0.95。需要注意的是，由于校正板制造工艺的局限，不同波段的反射率数值并不固定，如绿光（560nm）反射率实际数值为0.5031。在进行辐射校正时，不同校正板的各波段反射率系数应参考购买校正板时附带的出厂测试书。在拍摄校正板时，应采用多光谱相机进行拍摄，拍摄前检查校正板表面是否有污染物，清洁干净后水平放置在无遮挡、平整的地面上。经试验，当无人机飞行高度为1-1.5m左右时，校正板在影像中的像元覆盖比例能够充分满足辐射校正对像元数量和清晰度的要求。1.5作业安全多光谱无人机在起飞和飞行作业过程中，受环境条件、设备状态以及操作水平等因素影响，容易出现安全隐患。因此，编制过程中参考了中国测绘地理信息行业标准（CH/T3005-2021低空数字航空摄影规范）的技术要求，同时结合试验使用场景，提出了对起飞高度与速度的合理范围限制，以及对操作人员的基本素质要求和飞行前的检查规范。其目的是通过统一的安全操作要求，降低作业风险，保障飞行安全与作业顺利实施。2、多光谱影像处理2.1影像获取时期无人机多光谱影像在不同生育时期对玉米冠层特征和光谱信息的敏感性存在差异，因此明确多光谱影像获取的最佳时期是非常必要的。在编制过程中，参考了国内外相关研究成果，特别是Oglesby等（2022）以及Killeen等（2024）的研究，结合玉米生长发育规律与产量形成机理，提出了影像获取时期的设置依据。为后续的影像处理与产量建模提供科学支撑，确保技术规程的实用性与可靠性。具体参考文献如下：OglesbyC,FoxAAA,SinghG,DhillonJ.PredictingIn-SeasonCornGrainYieldUsingOpticalSensors.Agronomy2022,12,2402.KilleenP,KiringaI,YeapT,BrancoP.CornGrainYieldPredictionUsingUAV-BasedHighSpatiotemporalResolutionImagery,MachineLearning,andSpatialCross-Validation.RemoteSensing.2024,16,683.2.2影像处理流程拍摄好的无人机多光谱照片需进行影像重建，受传感器特性及飞行环境等因素影响，应通过标准的处理流程来保证影像的质量，为后续植被指数计算和估产模型建立提供操作依据，确保数据处理的科学性、可重复性和规范性。在编制过程中，影像处理流程主要参考以下标准和文献：DB61/T1041-2016小麦、玉米产量遥感估测规程NY/T4151-2022农业遥感监测无人机影像预处理技术规范王帝,孙榕,苏勇,杨博.基于无人机多光谱影像的水稻生物量估测[J].农业工程学报,2024,40(17):161-170.3、常用植被指数公式表1常用植被指数公式植被指数英文缩写公式归一化植被指数NDVI(NIR-R)/(NIR+R)绿度归一化植被指数GNDVI(NIR-G)/(NIR+G)优化土壤调节植被指数OSAVI1.16*(NIR-R)/(NIR+R+0.16)归一化红边植被指数NDRE(NIR-Re)/(NIR+Re)叶片叶绿素指数LCI(NIR-Re)/(NIR+R)绿色差异植被指数GDVINIR-G差值植被指数DVINIR-R修正冠层叶绿素含量指数MCCCINDRE/GNDVI绿色优化土壤调节植被指数GOSAVI1.16*(NIR-G)/(NIR+G+0.16)简单比指数SRRe/R红边归一化差值植被指数RENDVI(Re-R)/(Re+R)红边、绿波比值植被指数REGRVIRe/G植被衰老反射指数PSRI绿色比率植被指数GRVI(G-R)/(G+R)红边比值植被指数RERVI红边叶绿素指数CIre(NIR/Re)-1注：R、G、Re和NIR分别指红光、绿光、红边和近红外波段的反射率。4、产量数据获取为了保证玉米产量数据的真实性和可比性，需要在适宜的时期和标准条件下开展测产。本规程参考了相关文献，确定测产时间应选择在籽粒含水量接近贮藏或收购标准（约14%）的成熟期，并规避降雨、结露等不利天气，以减少环境对测定结果的干扰。同时，规定了测产面积及样本选取方法，确保数据具有代表性和一致性，并通过规范化的称量与水分折算方法获取产量指标。从而保障产量数据的科学性、准确性和可重复性，为多光谱影像与产量模型的建立提供可靠的实测依据。具体参考文献如下：郝展宏.吉林中南部黑土区保护性耕作方式对春玉米产量和经济效益的影响[D].中国农业大学,2021.沙野.条耕模式下玉米绿色增产增效机制[D].中国农业大学,2024.5、估产模型建立玉米产量的精准估算依赖于科学合理的估产模型。在植被指数筛选过程中，需要选择与产量高度相关、稳定性强的植被指数。同时可引入其它指标，如株高、生物量、叶绿素含量、施氮量、气候条件等，以提升模型的解释力。经查阅文献，推荐在抽雄期至吐丝期期间进行产量估测，推荐选用以下植被指数作为建模参考：表2玉米适宜估产时期及植被指数推荐估产时期推荐植被指数抽雄期吐丝期NDVI、GNDVI、RVI、LCI、SAVI、EVI2、GNDVI、RENDVI、NDVISCCCI具体参考文献如下：李黎明.基于无人机多源遥感数据的玉米叶面积指数估算方法研究[D].安徽理工大学,2024.马世骄,房城泰,赵经华,刘锋,杨庭瑞,袁如芯.基于无人机遥感的春玉米产量预测研究[J].灌溉排水学报,2025,44(01):43-49+65.马红雨.基于无人机遥感不同控释肥用量下河套灌区玉米生长指标及产量估算研究[D].内蒙古农业大学,2023.张磊,姚梦瑶,刘志刚,李娟,杨洋,蔡大润.基于无人机多光谱NDVI值估测玉米产量[J].新疆农业科学,2024,61(04):845-851.马元花.基于多源遥感数据的夏玉米氮素营养诊断和产量预测[D].西北农林科技大学,2024.韩文霆,彭星硕,张立元,牛亚晓.基于多时相无人机遥感植被指数的夏玉米产量估算[J].农业机械学报,2020,51(01):148-155.WangY,HouM,ZhaoZ,ZhangK,HuangJ,ZhangL,Zhang,F.EstimationofMaizeYieldinPlasticFilmMulchedFieldUsingUAVMultispectralImagery.Agronomy2025,15,1269.CamdenO,A.AAF,GurbirS,JagmandeepD.PredictingIn-SeasonCornGrainYieldUsingOpticalSensors[J].Agronomy,2022,12(10):2402-2402.6、试验方法及检验规则本技术规程所采用的试验方法主要基于田间实测与无人机遥感数据相结合的方式。田间试验在多个玉米种植地块布设样方，统一采用规定的测产时间（籽粒含水量接近14%时）、测产面积（12m2）及测产程序（人工收获、分离穗轴、烘干测水分确保产量数据真实可靠。无人机多光谱数据获取在玉米关键生育期VT-R1开展，获取的影像经过重建、辐射校正、掩膜等标准化处理后，提取出不同波段的反射率计算出样点区域植被指数（如NDVI、GNDVI、OSAVI并与样点区域的实测产量进行建模分析。模型精度检验遵循农业遥感和统计建模的常用标准，选取决定系数（R2）、均方根误差（RMSE）、平均相对误差（MAPE）或平均绝对误差（MAE）作为评价指标。（三）标准主要内容说明编制原则，确定主要内容（如技术指标、参数、公式、性能要求、试验方法、检验规则等）的论据。修订时，应增列新旧标准的对比。1、为了更好地说明植被指数在玉米产量估测中的应用，下面列举几个相关研究实例。实例一：2021-2022年，马红雨等进行了不同控释肥用量下河套灌区玉米的产量估算研究。在抽雄期，筛选出与产量相关性较好的植被指数GNDVI、NDVI、OSAVI和MNLI。2021年建立的估产模型的相应决定系数分别为为0.58、0.56、0.55和0.52，2022年模型相应决定系数分别为0.61、0.56、0.55和0.49。两年均选用GNDVI进行估产的模型效果最好。此外，作者还用全生育期（拔节期、抽雄期、灌浆期）植被指数与产量数据建立了估产模型，在全生育期，最优估产模型的植被指数为NDVI，两年模型的R2分别为0.72和0.79。研究证实了基于无人机多光谱植被指数的产量估算模型可以实现不同肥量下玉米产量间的差异监测，为实施更合理的施肥制度提供技术支撑。实例二：2022-2023年，在陕西关中地区，马元花等利用相关系数和方差膨胀因子筛选夏玉米拔节期（NDRE、LCI、SAVI、GNDVI）、抽雄期（RVI、GNDVI、LCI、SAVI）和灌浆期（LCI、RVI、GNDVI、OSAVI）的产量建模植被指数，实现了基于无人机最优玉米产量估算模型的构建，确认了估产的最佳时期为抽雄期，随机森林回归模型为最佳估产模型（R2=0.755，RMSE=562.324kg/hm2，MAE=417.058kg/hm2）。实例三：2017-2018年，Olson等在明尼苏达州探讨了植被指数与玉米产量的关系州研究显示，在玉米生长的V10至R2阶段，植被指数RNDVI与产量（YP）存在显著相关性（P值<0.05）。在吐丝期，通过RNDVI植被指数建立的线性曲线估产模型R2为0.79。实例四：在基于植被指数估测玉米产量的基础上，Liu等人通过引入考虑时间因素的相对变量Stay-GreenIndex（SGI）来提高玉米产量估计模型的准确性。SGI的计算基于NDVI时间序列，定义为玉米植株NDVI超过一定阈值的累计生育天数，结合作物早期至接近成熟期的时间变化来表征作物的持绿特性。研究通过随机森林回归模型将选定的18种植被指数和提取的SGI建立了玉米不同生长阶段产量的估测模型，并在产量预测精度上取得了显著提上述研究实例参考文献如下：马红雨.基于无人机遥感不同控释肥用量下河套灌区玉米生长指标及产量估算研究[D].内蒙古农业大学,2023.马元花.基于多源遥感数据的夏玉米氮素营养诊断和产量预测[D].西北农林科技大学,2024.OlsonD,ChatterjeeA,FranzenWD,DaySS.RelationshipofDrone-Ba-sedVegetationIndiceswithCornandSugarbeetYields[J].AgronomyJournal,2019,111(5):2545-2557.LiuY,FanK,MengL,etal.Synergisticuseofstay-greentraitsandUAVmultispectralinformationinimprovingmaizeyieldestimationwiththerandomforestregressionalgorithm[J].ComputerandElectronicsinAgriculture,2025,229109724-109724.经验证的模型可用于区域玉米产量的空间估算与栅格化输出，具体可参考如下估产示例）：图1玉米地块估产示例图2、田间实验验证2.1实验设计本实验于2024年5月-10月在吉林省长春市公主岭市中国农业大学实验基地进行。为了提高玉米产量估测模型的精度与泛化性能，在同一地块同时进行了两个涵盖不同玉米品种与不同氮肥施用量的大田实验，具体实验设计如下：实验一：6个玉米品种（郑单958、先玉335、良玉99、迪卡517、富民58、京科968）与6个氮肥施用量（30、60、120、180、240、300kg/ha）互作，每个处理设置三个小区重复，共计108个小区，小区面积为70.2m2，随机区组排列。实验二：60个东北地区主推玉米品种与2个氮肥施用量（60、200kg/ha）互作，每个处理设置三个小区重复，共计360个小区，小区面积为25.2m2，随机区组排列。两个实验的磷、钾肥均为75kg/ha。氮磷钾肥的种类为尿素、过磷酸钙、钾肥为硫酸钾，三种单质肥料混合后作为底肥基施。播种密度为65000株/公顷。2.2测定项目与方法吐丝期玉米冠层光谱信息获取：本研究于吐丝期晴朗无云且无风天气（2024年7月18号）用多光谱无人机采集玉米冠层光谱信息并进行辐射校正。实验选用的无人机为型号大疆御3多光谱版（DJIMAVIC3M，深圳市大疆创新科技有限公司），该无人机多光谱镜头波段为绿G（560±16nm）、红R（650±16nm）、红边RE（730±16nm）、近红外NIR（840±26nm）。具体飞行任务参数设置为：飞行高度30m，巡航速度为2.0m/s，地面分辨率为4cm，旁向重叠率为75%，航向重叠率为80%。获取无人机影像后，通过大疆制图软件（DJITerra，深圳市大疆创新科技有限公司）进行影像重建，利用Arcgis10.8对4个单波段影像分别创建小区Shape文件后提取不同波段玉米冠层反射率数据，而后根据公式计算玉米冠层植被指数。玉米籽粒产量测定：参考Liu等人（2023）对田间玉米小区的测定方法对每个小区进行玉米籽粒产量测定，最后籽粒产量记录单位为kg/ha。2.3产量预测模型构建方法与流程本研究参考了国内外研究者对大豆（Maimaitijiangetal.,2020）、小麦（Alietal.,2024）以及玉米（Liuetal.,2025）产量估测的方法，选用了支持向量机（SVM），随机森林（RF梯度提升机（GBM和XGBoot）四种常用的机器学习算法，并且选用了多元线性回归和偏最小二乘法两种传统回归算法作为比较。产量估测模型构建方法如图2所示，选用不同的机器学习算法，以不同小区玉米籽粒产量作为目标变量，以对应的小区玉米冠层植被指数作为特征变量，为了提高模型的鲁棒性和泛化性，本研究将氮肥施用量同时作为特征变量纳入模型训练；将两个实验对应数据的80%作为训练集，20%作为验证集训练模型，以决定系数（R²)、均方根误差（RMSE）、平均相对误差（MAPE）或平均绝对误差（MAE）作为评价指标评价模型的精度和泛化性；根据评价指标选择最优算法后使用全部数据训练产量估测模型即为最终的产量估测模型。图2产量预测模型构建流程图2.4结果与分析2.4.1玉米籽粒产量结果分布两个实验所有小区的籽粒产量如图3所示，籽粒产量分布在4000~16000kg/ha区间内，涵盖了低产、中产以及高产的所有数据区间，总计有468组数据，从数据的丰富度以及数量上均符合机器学习算法的要求。图3籽粒产量分布频数统计2.4.2不同算法构建产量估测模型的精度评价利用6种算法模型得到预测产量与实测产量的散点分布可知，随机森林和XGBoot的预测产量和实测产量关系最接近1:1线，且分布均匀程度优于其他4种算法模型；此外，多元线性回归、偏最小二乘法、支持向量机以及GBM均出现在低产量水平下预测产量远高于实测产量，而在高产量水平下预测产量远低于实测产量的现象（图4）。由表3可知，随机森林和XGBoot两种算法训练集R2分别达到0.95和0.96，显著高于多元线性回归、偏最小二乘法、支持向量机以及GBM，而RMSE，MAPE，MAE低于多元线性回归、偏最小二乘法、支持向量机以及GBM。此外，从验证集的4种评价指标来看，6种算法没有较为显著的差异。综上，结合6种算法在训练集和验证集的表现，选择随机森林和XGBoot作为玉米产量估测模型。表3训练集和验证集模型评价图4不同机器学习算法的预测产量与实测产量的关系注：图中的点代表小区的实测产量与预测产量；浅蓝色点代表训练集，深蓝色点代表验证集；1:1的线代表斜率为1的线。2.5参考文献AliN,MohammedA,BaisA,etal.,Field-scaleprecision:Predictinggrainyieldofdiversewheatbreedinglinesusinghigh-throughputUAVmultispectralimaging[J].I