无人机 RGB 影像颜色与纹理信息在预测不同生长阶段马铃薯地上生物量中的关键作用

为解决利用无人机高分辨率 RGB 影像建模不同生长阶段作物地上生物量（AGB）时，颜色植被指数（VIs）和纹理信息使用不一致的问题，研究人员开展评估多种 VIs、纹理信息及其组合对估算马铃薯 AGB 性能的研究，结果表明二者结合可提升 AGB 估算性能。

　　精确监测作物地上生物量（AGB）对于产量预测至关重要。尽管利用无人机技术获取的高分辨率 RGB 影像取得了进展，但在不同生长阶段和测量条件下，使用颜色植被指数（VIs）和纹理信息对 AGB 进行建模时仍存在不一致性。因此，本研究评估了多种 VIs、纹理信息及其组合在多个生长阶段估算马铃薯 AGB 的性能。纹理信息包括灰度共生矩阵（GLCM）和多尺度 Gabor 小波纹理。采用具有四种不同核函数的高斯过程回归（GPR）模型，利用 VIs、基于 GLCM 的纹理、基于 Gabor 的纹理及其组合建立 AGB 估算模型。在块茎形成阶段，VIs 与基于 GLCM 的纹理相结合显著降低了模型的预测误差（rRMSE = 0.20）。在块茎膨大期和淀粉积累期，基于 GLCM 的纹理与基于 Gabor 的纹理相结合产生的预测误差最低（rRMSE = 0.15 和 0.13），对不同年份和各种条件（低 - 高 AGB 值以及高估和低估情况）下的模型都有积极影响。对于多个生长阶段，两种纹理特征与 GPR 相结合产生的预测误差最低（rRMSE = 0.16）。本研究表明，VIs 与多种纹理特征相结合可进一步提高不同阶段 AGB 估算的性能。