介绍一种将无人机图像的部分像素信息整合起来估算玉米（Zea mays L.）地上生物量的方法

玉米地上生物量（AGB）的无人机多光谱影像估计研究中，引入了部分像素积分（PPI）参数以结合垂直和水平结构特征。通过10m、20m、30m、50m、80m五组飞行高度采集数据，构建了基于线性、指数和幂函数的模型。结果表明：PPI参数在预测鲜重（R2=0.968）和干重（R2=0.948）时均最优，且飞行高度增加不必然降低预测精度。研究证实PPI能有效整合玉米茎秆与叶片的空间分布差异，为精准农业提供高精度AGB估算方法。

　　
本研究针对玉米作物地上生物量（AGB）的精准估算需求，创新性地提出基于无人机多光谱影像的“部分像素积分法”（PPI）参数，并系统评估了不同飞行高度与结构参数对模型性能的影响。研究通过构建玉米冠层三维结构模型，结合多光谱影像分析技术，建立了兼顾空间分辨率与计算效率的AGB估算框架，为农田精准管理提供了新方法。

### 一、研究背景与意义
玉米作为全球主要粮食作物，其产量与生长状态直接关联着粮食安全与农业经济。传统AGB估算依赖人工收割称重，存在成本高、效率低的问题。卫星遥感虽能大范围监测，但受限于光谱分辨率与空间分辨率不足，难以精确反映农田微尺度特征。无人机技术凭借厘米级分辨率和灵活作业能力，为田间精准监测提供了可能。然而现有研究多聚焦于植被指数（如NDVI）和纹理特征，存在对冠层垂直结构解析不足、参数泛化性差等局限。

### 二、技术路线创新
研究构建了"影像处理-特征提取-模型优化"的全流程技术体系：
1. **三维冠层建模**：通过无人机搭载多光谱相机获取影像，结合数字表面模型（DSM）与数字高程模型（DEM）差分运算，生成冠层高度模型（CHM）。该模型突破传统二维植被覆盖指数（FVC）的局限，精准捕捉玉米株高（PH）、冠层密度等三维特征。
2. **PPI参数优化**：针对传统像素积分法（PI）未区分茎秆与叶片生物量贡献的问题，提出PPI参数。通过排序CHM像素值并取前n%面积加权求和，有效分离主要茎秆结构与其他次生结构，将玉米冠层垂直分层特征转化为可量化指标。
3. **多尺度验证体系**：采用5种飞行高度（10-80米）、5类结构参数（FVC/PH/PI/PPI/FVC×PH）组合，通过五折交叉验证建立泛化性评估框架。实验区设置15个独立试验区，覆盖不同施肥处理与种植密度场景，确保结果可靠性。

### 三、关键发现与机制解析
1. **PPI参数性能卓越**：
- 鲜重AGB模型R2达0.968（20米高度），干重R2达0.948（10米高度），显著优于其他参数
- 参数优势源于：①准确分离茎秆（占比<10%）与叶片（高密度区域）的贡献；②建立垂直结构-水平分布的耦合关系
- 不同高度表现：10米高度PPI参数干重预测最优（R2=0.948），20米鲜重预测最优（R2=0.968），80米高度仍保持R2>0.86，验证其环境适应性

2. **飞行高度的影响规律**：
- 空间分辨率与模型精度存在非线性关系：10米高度虽提供最佳冠层细节，但数据量剧增导致计算效率下降；20-30米高度在精度与效率间取得平衡
- 高度>50米时，PH参数预测误差激增（R2从0.294降至0.103），而PPI参数通过筛选关键高度区域，保持稳定表现
- 影像分辨率与冠层结构复杂度存在最佳匹配点：20米高度时植被指数与结构参数组合预测效能最强

3. **作物形态的量化表达**：
- FVC（植被覆盖度）反映水平分布特征，与AGB相关系数0.4-0.5
- PH（株高）受冠层顶部主导，预测效能不足（R2<0.5）
- FVC×PH组合虽提升至0.6-0.7，但仍存在维度坍缩问题
- PI参数通过累加CHM像素值，虽优于传统方法，但未考虑结构异质性

### 四、方法优势与局限性
**创新突破**：
- 首次将拓扑学中的"部分积分"概念引入遥感参数构建，建立"三维空间分布-垂直结构分层"双重视角评估体系
- 开发动态n%选择算法（通过模拟退火优化），实现参数自适应性调整
- 验证了PPI参数的跨尺度泛化能力：在10-80米不同分辨率影像中均保持高精度（R2>0.85）

**现存挑战**：
- n%参数依赖种植密度与品种特性，建立通用化对照表需扩大样本量（当前15个试验区）
- 冠层空间异质性影响模型普适性，需开发环境校正算法
- 多时相监测数据缺失，未验证生长周期内参数稳定性

### 五、应用前景与优化方向
1. **精准农业应用**：
- 10米高度PPI模型可满足单株级监测需求，适用于高价值作物（如经济作物）
- 20-30米高度方案适合大面积农田管理，实现单次航拍的成本效益平衡
- 50米以上高度可构建区域AGB动态监测网络

2. **模型优化路径**：
- 开发基于冠层扫描法的n%动态校准算法
- 构建多时相PPI参数数据库，建立生长阶段响应模型
- 整合冠层体积（CV）、叶面积指数（LAI）等辅助参数，形成多维预测体系

3. **技术延伸方向**：
- 探索PPI参数在稻麦轮作体系中的迁移学习能力
- 结合机器学习优化参数提取流程（如CNN特征选择）
- 开发PPI参数与碳汇功能的关联模型，拓展生态服务价值评估

本研究为田间作物生物量监测提供了可复制的方法论，特别在设施农业与高附加值作物管理中具有显著应用价值。后续研究建议扩大试验田块类型（包括不同土壤质地、灌溉条件），并开发无人机-地面协同验证系统，进一步提升模型的环境鲁棒性。