《European Journal of Agronomy》：Coupling multi-source unmanned aerial vehicle remote sensing with growth monitoring index: model development for yield estimation and nitrogen fertilizer regulation effects in summer maize
编辑推荐：
玉米产量估算模型构建及氮肥效应研究。本研究利用多源遥感数据（多光谱、热红外、倾斜摄影）构建玉米特征，结合生长监测指数（GMI）评估不同机器学习模型（随机森林、LightGBM、SVR）的玉米产量预测精度，R2达0.531-0.882，RMSE 0.384-1.078 t/ha。结果表明玉米抽雄期模型精度最高，过量氮肥对产量和农艺氮利用效率（ANUE）提升无显著作用。该高时空分辨率技术为精准农业提供新方法。
李亚峰|陈珍|黄秀桥|程倩|傅婉娜|翟伟光|段富义
中国农业科学院农田灌溉研究所，新乡453002，中国
摘要
产量是反映作物生产水平的一个重要指标。快速准确地估算玉米产量对于宏观决策和确保粮食安全具有重要意义。传统的作物产量估算依赖于人工测量，这种方法耗时且劳动强度大。本研究利用多光谱、热红外和倾斜摄影测量的无人机（UAV）遥感图像构建了玉米植物的多源遥感特征。这些特征与作物生长监测指数（GMI）相结合，评估了不同机器学习模型在产量估算中的性能，并进一步研究了不同氮肥施用量对玉米农艺氮利用效率（ANUE）的影响。结合多源遥感特征和GMI的模型获得了0.531至0.882的R2值和0.384至1.078吨/公顷的均方根误差（RMSE）。各种机器学习算法的表现各不相同，其中随机森林回归（RFR）的准确率最高，R2值介于0.563至0.880之间，RMSE介于0.393至0.789吨/公顷之间。LightGBM模型优于梯度提升决策树（GBDT），而支持向量回归（SVR）的准确率最低。产量估算的准确性在不同生长阶段有所差异，在玉米抽丝期模型的准确率最高。不同的施肥处理方式影响了玉米产量，但过量施用氮肥并未显著提高玉米产量或氮利用效率。这种高通量的玉米产量估算方法具有快速准确的优势，为优化田间氮肥管理和提高农业生产效率提供了宝贵的参考。
引言
玉米是中国广泛种植的主要粮食作物之一，既是重要的谷物食品，也是工业、饲料和医药的关键原料（X. Wang等人，2019年）。施用化学氮肥是提高粮食产量的重要措施。探索玉米产量估算模型的准确性并明确产量与农艺氮利用效率（ANUE）之间的关系，对于提高玉米生产效率和确保国家粮食安全具有重要意义。玉米植株的高度和地上生物量是产量形成的基本组成部分（Yang等人，2025年），直接影响玉米植株的光能利用效率（Shu等人，2022b年）。
玉米的生长过程非常复杂，其产量受多种因素影响，包括光照、土壤、水分、养分、病虫害、种植密度和管理措施（Liu等人，2025年）。这些因素具有空间异质性和随时间动态变化的特点，使得准确的玉米产量估算具有挑战性（Jin等人，2019年）。随着基于无人机（UAV）的多源遥感技术在农业中的广泛应用，不同类型的遥感数据提供了不同的时空分辨率和多维信息特征（Bai等人，2023年）。将UAV多源遥感数据与玉米生长监测指数（GMI）和地面观测数据有效整合，以开发高精度的产量估算模型，仍是农业遥感领域的一个关键挑战和研究重点。克服这一挑战对于实现智慧农业和提高作物生产效率具有重要意义。
基于各种平台的遥感技术为智慧农业、灾害监测和产量预测提供了新的技术支持。目前，由于卫星遥感技术具有广泛的图像覆盖范围，在作物分类和农田时空演变等方面取得了显著进展。然而，它面临重访周期长、分辨率低以及易受云层干扰等挑战。尽管基于地面的遥感技术可以实时动态监测作物，但其空间覆盖范围有限，视野狭窄。近年来，由于无人机（UAV）具有移动性、灵活性和高时空分辨率，已成为农业低空经济发展的重要支持（Yang Liu等人，2024年）。UAV遥感可以快速获取作物冠层的光谱反射率，已广泛应用于养分缺乏诊断（L. Wang等人，2019年）、病虫害预测（Pinto等人，2020年）、叶面积指数（LAI）监测（Zhao等人，2025年）、生物量估算（Yue等人，2019年）和产量预测（Maimaitiyiming等人，2019年）以及粮食质量评估（Zoerb等人，2018年）。基于UAV平台，可以灵活安装可见光、多光谱、高光谱、热红外和激光雷达（LiDAR）等多种传感器，以获取多维遥感数据。Dashti等人（Dashti等人，2019年）通过结合植被光谱特征（高光谱）、结构特征（LiDAR）和环境属性，提高了半干旱生态系统的分类准确性。Gu等人（Gu等人，2020年）系统介绍了通过UAV集成系统获取三维（3D）空间-光谱信息、立体光谱数据处理和识别应用等方面的最新研究进展。基于UAV平台的多源遥感技术能够实现不同特征之间的互补整合。然而，如何充分利用多源遥感特征以实现作物生长状态的准确估算仍是当前的研究重点（J. Zhang等人，2021年）。此外，在智慧农业领域，UAV遥感技术面临智能管理成本高和数据处理自动化程度低等技术瓶颈。因此，仍需进一步探索和优化基于UAV的多源遥感作物产量估算方法。
作物产量是农业生产力的重要指标。传统的作物产量估算通常依赖于人工田间调查和统计方法，这些方法耗时且劳动强度大，无法快速实现大规模动态作物产量监测。随着机器学习的不断发展，基于多源遥感的作物产量估算得到了新的技术支持。Yang等人（Yang等人，2021年）通过整合高光谱和RGB图像进行了玉米产量估算研究，发现光谱和空间特征的结合可以提高玉米产量估算模型的预测准确性。Ma等人（Ma等人，2021年）开发了一个贝叶斯神经网络模型用于玉米产量估算，该模型在正常年份和异常年份的估算精度均较高，8月中旬的R2值约为0.75，比收获时间提前约两个月。Shu等人（Shu等人，2022a）从UAV遥感图像中提取了可见光谱反射率、冠层覆盖度、作物高度、纹理信息和植被指数（VIs），并对岭回归、支持向量回归（SVR）、随机森林回归（RFR）、高斯过程（GP）、K最近邻（KNN）和集成学习模型在估算玉米表型特征方面的性能进行了比较分析。因此，研究基于UAV多源遥感的机器学习在作物产量估算中的性能，并确定产量预测的最佳时间窗口，可以为宏观层面的农业决策提供有价值的参考。
作物产量受多种因素影响，包括品种、农艺措施、气候条件和土壤环境（Osman等人，2022年）。这些影响因素在玉米的不同生长阶段通过不同机制发挥作用，使得产量预测更加复杂。先前的研究表明，基于均匀性指数的小麦产量估算模型优于使用LAI、土壤和植物分析仪开发（SPAD）、植被覆盖度（FVC）和作物高度等农艺参数构建的模型，并可用于监测和分析小麦均匀性的动态变化（Y. Yang等人，2024年）。结合土壤信息、植被指数和气候数据显著提高了玉米产量预测的准确性（Meng等人，2021年）。此外，通过比较UAV单源遥感数据在玉米产量预测中的表现，发现光谱信息优于结构和热信息。当多源特征结合使用时，模型的预测准确性最高（Maimaitijiang等人，2020年）。关于使用UAV多源遥感特征进行作物产量估算的研究尚未考虑农艺参数对产量的影响，这可能限制了估算的准确性（Lu等人，2021年）。因此，将UAV多源遥感特征与作物生长监测指数结合使用，可以提高产量估算的准确性。
农艺氮利用效率（ANUE）是衡量作物对氮肥响应性的关键指标，可以直接反映每单位氮肥施用带来的产量增益。适当的氮肥管理可以增强玉米对氮的吸收和利用效率，优化光合作用和生物量分配，最终提高产量（Yize Liu等人，2024年）。然而，过量施用氮肥不仅可能降低氮利用效率，还可能导致土壤氮流失和环境污染（Yan等人，2022年）。现有研究表明，全球近一半的氮肥用于水稻、小麦和玉米的生产，但大部分氮肥并未被直接吸收。平均氮利用效率为39%，且对施肥频率、温度和土壤性质非常敏感（Yu等人，2022年）。因此，研究不同氮肥施用量对玉米ANUE的影响对于制定科学的施肥策略、提高氮利用效率和促进可持续农业发展至关重要。近年来，基于遥感监测的作物产量估算为优化氮肥管理提供了新的方法。探索不同氮肥施用量下玉米ANUE的变化特征有助于提高施肥精度、提高农业生产效率、减少氮损失并减轻环境影响。
因此，将UAV多源遥感特征与作物生长监测指数结合使用，以评估不同机器学习模型在产量估算中的性能、确定产量估算的最佳时间窗口，并研究不同氮肥施用量对玉米产量和ANUE的影响，对于推进智慧农业和确保粮食安全具有重要的参考价值。
研究区域概述
研究区域位于中国农业科学院的新乡综合实验基地（北纬35°08′04″，东经113°45′43″），如图1所示。该地区位于黄河流域，土壤肥沃，是河南省北部的主要粮食生产区。该地区具有温暖温带大陆性季风气候，四季分明，降水充沛，阳光充足，适合夏季作物的生长。
用于估算玉米产量的不同特征组合
为了准确估算玉米产量，本研究通过整合作物生长监测指数（GMI）和UAV多源遥感特征构建了一个产量估算模型。不同的特征组合在产量估算性能上存在差异，随着UAV多源遥感特征数量的增加，模型准确性逐渐提高（表4）。当产量估算仅基于MS特征时，模型准确性通常较低，R2值介于0.305至
综合玉米生长监测指数对产量估算的影响
不同的特征组合对玉米产量估算有显著影响，将基于作物高度和地上生物量构建的玉米生长监测指数与遥感特征结合使用，有效提高了模型准确性。玉米产量受多种因素影响，如作物高度（Y. Li等人，2022年）、生物量（Jin等人，2020年）和叶面积指数（Fei等人，2023年）。仅靠遥感图像无法直接反映作物产量，而玉米产量与这些因素密切相关
结论
本研究利用UAV多源遥感特征，结合玉米植株高度和地上生物量构建的生长监测指数，评估了不同特征和生长阶段对玉米产量估算模型准确性的影响。结果表明，将玉米生长监测指数与UAV多源遥感特征结合使用可以提高玉米产量估算模型的准确性。R2值介于0.531至0.882之间，RMSE介于
作者贡献声明
傅婉娜：撰写 – 审稿与编辑，项目管理。翟伟光：监督，项目管理，方法论。黄秀桥：监督，资金获取。程倩：监督，资金获取。陈珍：撰写 – 审稿与编辑，监督，资金获取。李亚峰：撰写 – 审稿与编辑，初稿撰写，验证，软件使用，资源协调，项目管理，方法论，数据分析，数据整理。段富义：撰写 – 审稿与
利益冲突声明
作者确认不存在任何可能影响研究结果或造成利益冲突的财务利益、个人隶属关系或与任何组织、公司、个人或实体的关系。作者声明本利益冲突声明准确反映了与本论文无关的利益冲突。作者以最大的客观性和透明度进行了这项研究。
致谢
本研究得到了中国国家重点研发计划（2023YFD1900705）、中央公共利益科学机构基础研究基金（编号IFI2024–01）和河南省科技研究项目（242102110355）的支持。
