《Smart Agricultural Technology》：Corn canopy structure and biomass assessment using UAV-based monocular depth and structure-from-motion
编辑推荐：
无人机已成为精准农业中的基础技术，能够获取厘米级分辨率的多光谱、热红外和可见光图像。然而，无人机遥感也带来了数据量大、需要熟练操作人员和复杂图像处理等挑战。玉米是世界上最重要的谷类作物之一，其地上生物量（Above-Ground Biomass, AGB）是一
无人机已成为精准农业中的基础技术，能够获取厘米级分辨率的多光谱、热红外和可见光图像。然而，无人机遥感也带来了数据量大、需要熟练操作人员和复杂图像处理等挑战。玉米是世界上最重要的谷类作物之一，其地上生物量（Above-Ground Biomass, AGB）是一个综合性的可遥感性状，反映了冠层光合活性的累积效应。目前，基于无人机的玉米结构表征和AGB估算主要有两种方法：激光雷达（Light Detection and Ranging, LiDAR）系统和运动恢复结构（Structure-from-Motion, SfM）摄影测量法。尽管这些方法有效，但均依赖于计算密集型的后处理流程，限制了其在近实时农业应用中的适用性。近期计算机视觉领域的进展引入了单目深度估计方法，该方法能够直接从单张RGB图像中推断三维场景结构。本研究旨在评估使用现成的Depth Pro单目深度模型从单个无人机RGB图像中推导玉米冠层结构信息的可行性。研究结果表明：（1）Depth Pro衍生的冠层高度与实测冠层高度具有中等程度的一致性；（2）在单一预测变量中，作物高度模型（Crop Height Model, CHM）与玉米AGB的相关性最高；（3）合并多日期的模型优于单次日期的分析，表明不同生长阶段冠层发育存在显著的时序效应；（4）Depth Pro能够从RGB图像中生成冠层结构估计值，而无需生成正射影像镶嵌或进行密集摄影测量重建。
论文解读文章
1. 研究背景与问题
无人机已成为精准农业领域的基础性技术平台，能够搭载多种传感器获取高空间分辨率的遥感数据。在作物表型研究中，玉米作为全球最重要的粮食作物之一，其地上生物量（Above-Ground Biomass, AGB）是一个关键的综合性指标，直接反映了冠层光合作用的累积产物，并整合了光照截获、养分水分胁迫、种植密度及遗传因素的综合影响。准确的AGB估测对于指导变量施氮、校准作物生长模型以及绘制田间生产力分区具有重要意义。
然而，传统的AGB测定依赖人工取样收获，劳动强度大、成本高昂且难以实现高时空分辨率监测。当前主流的无人机遥感方法包括激光雷达（LiDAR）和运动恢复结构（Structure-from-Motion, SfM）摄影测量。LiDAR能够生成精确的三维冠层结构模型，但传感器成本高、载荷重、续航受限；SfM虽然可使用低成本RGB相机，但其工作流计算密集，需要高性能计算资源和专业技术知识，难以满足近实时农业应用的需求。因此，亟需一种更快速、低成本的冠层结构信息提取方法。
2. 研究目标与意义
本研究旨在探索使用零样本单目深度估计模型Depth Pro直接从单个无人机RGB图像中提取玉米冠层结构信息的可行性，并与传统的SfM方法进行对比评估。研究的创新点在于提出了一种无需正射影像生成和密集点云重建的轻量化冠层结构分析方法，有望显著降低数据处理时间和计算资源需求，推动近实时无人机作物表型监测的发展。
3. 关键技术方法概述
研究人员在美国阿肯色大学农业研究与推广中心的Milo J. Shult农业研究与推广中心（SAREC）开展了田间试验。试验采用随机完全区组设计（Randomized Complete Block Design, RCBD），种植了90天、115天和120天相对成熟期的玉米杂交种，种植密度为86,000株/公顷，播种日期为2025年5月5日。研究使用了DJI Mavic 3 Multispectral (M3M)无人机，在30米高度采集了80%航向重叠的正射影像，并在9米高度手动飞行获取小区级图像（地面采样距离GSD为0.24 cm/pixel）。共进行了三次飞行任务，分别对应V6（6片完全展开叶）、V8（8片完全展开叶）和R1（抽丝期）三个生长阶段。研究人员在每个时期对9个115天相对成熟期的小区进行重复采样，每小区采集5株代表性植株作为生物学重复用于测定AGB，共获得27个小区-日期观测数据。
主要技术方法包括：（1）使用Depth Pro单目深度估计模型从单个RGB图像生成度量尺度深度图；（2）通过已知的无人机飞行高度（9米）对深度分布进行归一化校正，进而推导冠层高度图；（3）采用SfM摄影测量流程生成冠层高度模型（Crop Height Model, CHM）作为参考方法；（4）基于像素反射率计算冠层覆盖率。
4. 研究结果
Depth Pro冠层高度估计的准确性评估
研究发现，Depth Pro衍生的冠层高度与实测冠层高度之间呈现中等程度的一致性。这表明该模型能够在零样本条件下从无人机RGB图像中提取具有一定物理意义的冠层结构信息，但精度尚需进一步提升。
不同预测变量与AGB的关系
在单一预测变量的比较中，SfM衍生的作物高度模型（CHM）与玉米AGB的相关性最高，表现优于Depth Pro衍生的冠层高度指标和植被覆盖度指标。这一结果证实了传统SfM方法在冠层结构定量化方面的优势。
多日期合并模型的性能提升
合并多日期数据的模型显著优于单次日期的分析模型，表明不同生长阶段的冠层发育存在显著的时序效应。这一发现强调了在AGB估测中考虑作物物候动态的重要性。
Depth Pro的处理效率优势
Depth Pro工作流在数据处理时间方面相比SfM方法具有明显的速度优势。该模型能够直接从RGB图像生成冠层结构估计值，而无需经过正射影像拼接和密集摄影测量重建等计算密集型步骤。
5. 讨论与结论
讨论部分总结
研究结果表明，零样本单目深度估计方法在无人机玉米冠层结构评估中展现出潜力，尤其适用于对处理速度要求较高的近实时应用场景。然而，Depth Pro在冠层高度估计的绝对精度上仍不及传统的SfM方法，这可能是由于模型训练数据集中缺乏足够的农业场景图像所致。此外，深度归一化过程中对飞行高度的依赖以及冠层边缘的深度估计误差也是需要进一步优化的方向。
研究结论
本研究通过对27个小区-日期观测数据的系统性分析，得出以下结论：（1）Depth Pro单目深度模型能够从单个无人机RGB图像中估计玉米冠层高度，但与实测值之间仅为中等程度一致；（2）在AGB估测中，SfM衍生的CHM仍然是单一最优预测变量，但Depth Pro衍生的植被体积指数（Vegetation Volume Index, VVI）提供了额外的补充信息；（3）Depth Pro工作流在数据处理速度上相比SfM方法具有显著优势，为未来开发近实时无人机表型分析系统奠定了基础。
