摘 要：【目的】基于植被指數（Vegetation Indexes，VIs）與機器學習算法估算棉花地上部生物量（Aboveground Biomass，AGB），并評價其適用性和準確性，為豐富棉花生物量的遙感監(jiān)測技術、提升生產的精準化管理水平提供科學依據。

【方法】設計施氮量與密度互作試驗，同步采集主要生育時期的棉田實測AGB數據與無人機多光譜遙感影像數據，計算得到8種VIs，并引入其中與AGB相關系數最高的3種VIs，構建基于機器學習算法的支持向量回歸（Support Vactor Regression， SVR）、偏最小二乘回歸（Partial Least Squares Regression， PLSR）和深度神經網絡（Deep Neural Network，DNN）等AGB估算模型，評估不同VIs和模型的適用性和估算精度。

【結果】8種VIs與AGB均呈顯著相關，其中NGBDI、NDREI和EXG的相關系數絕對值|r|達到0.659～0.788，且與棉花生物量之間顯著相關。三種回歸模型中，SVR模型的估算效果最好，模型驗證精度為R2=0.89，RMSE=2.30，rRMSE=0.20。

【結論】相較于PLSR和DNN估算模型，SVR模型更適合估算棉花生物量。

關鍵詞：棉花；無人機；多光譜影像；生物量；估算

中圖分類號：S562"" 文獻標志碼：A"" 文章編號：1001-4330（2024）06-1328-08

0 引 言

【研究意義】地上部生物量（Aboveground Biomass，AGB）是指作物組織在地面上部分累積物質的質量［1-2］，是反映植株生長發(fā)育動態(tài)的重要指標，對作物長勢監(jiān)測、產量評估、管理措施優(yōu)化等有重要意義。低空無人機遙感監(jiān)測技術具有機動性強、靈敏性高、覆蓋性廣、準確性高等諸多優(yōu)勢，可及時準確地估測作物生物量及預測作物長勢信息和產量品質。生物量測定的方法主要有經驗法和遙感反演法等［3］。經驗法是在樣本區(qū)選擇植株個體，稱重和記錄作物各個器官的重量，將所得單株結果與研究區(qū)總株數相乘，計算標準作物樣本的平均生物量，估算出整個研究區(qū)的群體生物量。該方法相對精確但存在主觀因素影響且費時費力。遙感反演方法是利用植被冠層光譜反射率來估測作物生理生化信息，精確快速的獲取作物生長參數［4-5］，滿足植被定量觀測和研究的需求。選擇不同的算法對于估算作物AGB的影響較大，因此評價選擇不同算法建立的估算模型具有重要意義?！厩叭搜芯窟M展】前人利用無人機搭載可見光相機［6-7］、高光譜［8］、多光譜［9］、激光雷達［10］等傳感器對不同作物的生物量進行了估算，且均取得了較好的結果。盡管無人機遙感技術在監(jiān)測作物生物量方面表現出較高的估算精度，但目前由于不同傳感器、作物種類和所選植被指數（Vegetation Indexes， VIs）的差異，均對評估結果產生較大的影響。在基于多光譜影像構建的植被指數建立生物量估算模型是常用的研究方法，然而受植被指數對生物量的敏感性和環(huán)境因素的制約，通常估算模型的精度較低［11］。近年來，機器學習算法以其高效性和精確性已被廣泛應用于農業(yè)領域，機器學習算法相較于傳統(tǒng)的線性回歸分析具有更高的精度［12］。已有研究使用支持向量機和偏最小二乘等機器學習算法構建生物量估算模型且取得了較好效果［13-14］。面對傳統(tǒng)機器學習存在的過擬合和局部最優(yōu)等情況，深度學習算法則是在機器學習算法的基礎上設定了深層次結構實現對高維數據的模擬估算，比機器學習具有更高精度和穩(wěn)健性。棉花生物量積累是產量形成的重要基礎，當生物量處于適宜范圍內有利于建立棉花高產群體［15-16］。合理的種植密度可以調節(jié)群體和個體的矛盾，提供適宜的群體生物量。適宜的施氮量可以充分保障棉花群體的養(yǎng)分需求，協(xié)調棉花營養(yǎng)生長和生殖生長之間的關系，為棉花高產奠定基礎［17］?！颈狙芯壳腥朦c】比較不同機器學習和深度學習算法，篩選敏感參數建立的估算模型，并不斷提升和優(yōu)化模型精度和性能等對棉花生物量的遙感反演應用極為重要。需利用無人機獲取遙感影像及敏感性較高的參數，結合機器學習算法建立估算模型快速準確的估算棉花生物量?！緮M解決的關鍵問題】采用多時期無人機多光譜影像為數據源，利用不同的機器學習算法，使用相關性較高的植被指數作為模型的輸入參數構建估算模型，評價模型的估算精度，驗證模型的準確性和穩(wěn)定性，分析棉花AGB的最優(yōu)估算模型。

1 材料與方法

1.1 材 料

試驗點位于新疆農業(yè)科學院阿瓦提棉花科研示范基地（40°27′N，80°21′E），為暖溫帶大陸性干旱氣候，年均氣溫10.40℃，年均降水量46.70 mm，年均蒸發(fā)量1 890.70 mm，無霜期211.00 d，年均日照2 679.00 h。土壤質地為砂壤土，田間持水率質量分數為28.92%，土壤肥力屬于中等，土壤pH值7.33。供試棉花品種為新陸中88號。采用1膜3管3行（76 cm）等行距機采棉種植模式，株距11 cm，磷肥（P2O5 150 kg/hm2）和鉀肥（K2O 150 kg/hm2）全部作為基肥，整地前1次性施入，氮肥（N 300 kg/hm2）30%作為基肥，70%作為追肥（等量分10次隨水滴入）。

1.2 方 法

1.2.1 試驗設計

采用雙因素裂區(qū)試驗設計，以密度為主區(qū)，設置M1（13.5 ×104 株/hm2）、M2（18.0 ×104 株/hm2）和M3（22.5 ×104 株/hm2）3個水平；施氮量（純氮）為副區(qū)，設置N1（0 kg/hm2）、N2（300 kg/hm2）和N3（600 kg/hm2）3個水平，即共有9個處理，每個處理重復3次。每3幅膜劃定1個小區(qū)，長6.8 m，寬7 m。

1.2.2 測定指標

估算棉花AGB包括數據預處理、模型構建、精度評價3個部分。使用大疆無人機平臺獲取棉花多時相無人機多光譜影像數據并同步進行地面實測AGB；使用Pix4d Mapper軟件對影像進行圖像拼接、輻射校正等處理；使用ArcGIS map 對影像進行裁剪和放射率提??；使用Python對數據進行相關性分析和構建估算模型。

1.2.3 地面數據獲取

每個小區(qū)樣點范圍內隨機選擇長勢均勻的3株棉花，取其地上部分，用紙袋裝好，采用烘箱設置105℃，殺青30 min，再將溫度下調至75℃烘干至恒重，稱量烘干后的樣品質量，并記錄數據。用樣品質量均值計算單位面積AGB值（t/hm2）。

1.2.4 無人機影像的獲取

獲取田間AGB的同時，利用Matrice M210 RTK V2（Da Jiang Innovations， China）無人機搭載多光譜相機（MicaSence RedEdge，USA）提取棉田冠層圖像。拍攝于13：00～15：00，太陽高度角與地面近乎垂直時進行，航線設計任務高度30 m，航向重疊率75%，旁向重疊率75%，航速2 m/s，采用等間隔拍照，拍照間隔為2 m。飛行前使用多光譜傳感器拍攝輻射定標版，后期標定影像輻射。

多光譜相機共有5個通道，分別為藍、綠、紅、近紅外、紅邊波段，對應波長分別為475、560、668、840和717 nm，半高寬（FWHM）分別為20、20、10、40和10 nm。

1.2.5 植被指數的選取

選取8種在AGB監(jiān)測效果較好的VIs。表1

1.3 數據處理

選取相關性高于0.6的VIs，用于棉花AGB的估算模型構建。全生育時期共獲得108個AGB數據樣本，其中70%用作建模集，30%作為訓練集構建回歸估算模型。

1.3.1 偏最小二乘回歸

PLSR（Partial Least Squares Regression）［25］通過依次選擇正交因子增大因變量與自變量之間的協(xié)方差，并以交叉檢驗的方式確定模型中因子數等。設置主成分個數為5，其余參數按照默認使用。

1.3.2 支持向量機回歸

SVR（Support Vactor Regression），是支持向量機的一個重要分支，是一種基于統(tǒng)計學習理論的機器學習方法［26］。SVR通過核函數將數據映射入高維空間提高樣本數據的分離能力，依靠降低數據與超平面之間的殘差提高模型的精度，預測分類數據。研究設置poly為內核函數、核系數為auto，其余參數按照默認使用。

1.3.3 深度神經網絡

DNN（Deep Neural Network），神經網絡是基于感知機的擴展，而DNN可以理解為有很多個隱藏層的神經網絡。DNN內部的神經網絡層可以分為3類：輸入層、隱藏層和輸出層，通過堆疊多個隱藏層來達到提取更高階的特征信息。DNN模型現已成為解決各種分類和回歸問題的方法［27］。設計的網絡結構包含輸入層、隱藏層和輸出層，結構中層與層直接全連接，同層之間的神經元不連接。DNN共分為4層：1個輸入層、2個隱藏層和1個輸出層。將圖像中提取的植被指數、紋理特征轉化為與每個測量點實測值相對應的一維向量，以此作為輸入層，輸入層設置為3個神經元，隱藏層的每層神經元個數依次是6、4，輸出層設置為1個神經元，并以最終輸出結果來估算長勢參數。在DNN模型中選取relu作為激活函數，使用均方根誤差作為優(yōu)化函數，選擇均方誤差作物損失函數，迭代100次。采用Python（3.7）基于keras（2.3.0）框架搭建此網絡結構。

1.3.4 模型驗證

選取決定系數（Coefficient of Determination， R2）、均方根誤差（Root Mean Square Error，RMSE）等作為評價估算模型預驗證模型的指標公式［28-30］。估算模型的R2越大，RMSE越小，模型的估算能力越好，驗證模型的R2越大，RMSE越小，估算模型穩(wěn)定性越好。

2 結果與分析

2.1 不同施氮量與密度對棉花生物量的影響

研究表明，棉花AGB隨著生育期的推進呈遞增的趨勢。在蕾期，棉花AGB表現為在N1和N3處理下，AGB隨著密度的降低而增加，在N處理下M3較M1、M2分別高出141.10%、70.64%，且差異顯著（Plt;0.05）。在花期，N1和N3處理均表現為AGB隨著密度的增加為增加，且M1和M3處理間差異極顯著（Plt;0.01）。在N2處理下，AGB最高（9.55 t/hm2），N2M2比N2M1高出33.40%差異顯著（Plt;0.05）。在鈴期，相同施氮量條件下，AGB隨著密度的增加而增加，且處理間均差異極顯著（Plt;0.01）。相同密度條件下，AGB隨著施氮量的增加而增加，其中N2M2和N2M3之間差異不顯著，其余處理均差異顯著（Plt;0.05）。在吐絮期，相同施氮量下，AGB變化趨勢與花期相同，且N3和N1之間差異極顯著（Plt;0.01）；相同密度條件下處理差異不顯著。圖1

2.2 植被指數和與棉花生物量的相關性

研究表明，全生育期VIs與AGB均呈現顯著相關性（Plt;0.05），其中NGBDI、NDREI和EXG的相關系數絕對值|r|達到0.659～0.788。不同生育時期VIs與AGB的相關性中，蕾期相關性最高，NGBDI、EXGR、NDREI、EXG的相關系數絕對值|r|為0.32～0.34，EXG最高為0.34；花期、鈴期和吐絮期時VIs與AGB的相關性較低，NDREI在3個時期中|r|均為最高，分別為0.20、0.41和0.24。圖2

2.3 棉花生物量估算模型的構建

研究表明，PLSR模型具有較低的估算精度（驗證集R2=0.81，RMSE=3.01，rRMSE=0.27），SVR模型具有較高的估算精度（驗證集R2=0.89，RMSE=2.30，rRMSE=0.20），同時SVR模型建模集和驗證集的R2、rRMSE均為0.89、0.20，SVR模型的穩(wěn)定性最好。因此，SVR模型在棉花AGB預測方面表現最佳，其次是DNN模型。表2

3 討 論

3.1

氮素在植物的生長發(fā)育中起著重要的作用［31］。隨施氮水平的提高，棉花的AGB也有一定的提高。但過量施用的氮肥又會造成棉花植株過旺，造成養(yǎng)分平衡失調，制約了棉花的產量形成［32］。密度對棉株AGB產生不同程度的影響［33］。密度較小時，由于株距較大，光能利用率降低，棉花葉片光合速率下降［34］。但是密度過高時，植株間的競爭壓力太大，造成植株生長緩慢，進而也會使棉花產量下降［35］。棉花種植密度和氮肥優(yōu)化可調控AGB保持在適宜的范圍內，有利于建立高產群體［36］。隨著種植密度的增加棉花AGB呈先升高后降低的趨勢；隨著施氮量的增加，氮肥和密度聯合調控下，隨著施氮量越大，M1和M2密度下AGB呈不斷增大的趨勢；而在M3密度下AGB呈先增加后減小的趨勢。

3.2

利用多光譜圖像進行處理得到的VIs，可以評價植被的生長狀況等［3］。在進行VIs與AGB的相關性分析時，選擇相關性較高的波段反射率及植被指數可以有效提高反演模型精度。Sankaran［37］使用 GNDVI對大豆開花期及補莢期的AGB進行了估算，其相關性最大值可達0.73。Hunt等［38］使用NDVI和 GNDVI監(jiān)測小麥的生長情況。研究采用多時期多光譜影像數據融合構建棉花AGB估算模型，結果表明NGBDI、NDRI1和EXG與AGB的相關性較高，同時相較于僅用單一生育時期進行AGB估算，使用全時期數據融合構建估算模型的更加科學合理。岳繼博等［39］研究發(fā)現，使用隨機森林算法構建的冬小麥AGB估算模型精度最高，R2=0.70；肖武等［40］對玉米AGB的反演研究中，使用BP神經網絡的估算精度最高，R2=0.83。選擇2種機器學習算法和1種深度學習算法構建棉花AGB的估算模型，研究結果表明3種模型的估算精度差異較小，其中SVR模型的估算精度最高，原因在于SVR使用核函數來將訓練數據映射到高維特征空間，更好地捕捉數據之間的非線性關系，體現出較強的估算能力。

4 結 論

施氮量和密度均對棉花生物量AGB產生顯著影響，增加施氮量或提高種植密度均能提高棉花AGB；VIs與AGB均呈現顯著相關，其中NGBDI、NDREI和EXG的相關系數絕對值|r|達到0.659～0.788；3種回歸模型中，SVR模型的估算效果最好，模型驗證精度為R2=0.89，RMSE=2.30，rRMSE=0.20。

參考文獻（References）

［1］劉楊， 孫乾， 黃玨， 等. 無人機多光譜影像的馬鈴薯地上生物量估算［J］. 光譜學與光譜分析， 2021， 41（8）： 2549-2555.

LIU Yang， SUN Qian， HUANG Jue， et al. Estimation of potato above ground biomass based on UAV multispectral images［J］. Spectroscopy and Spectral Analysis， 2021， 41（8）： 2549-2555.

［2］ 樊鴻葉， 李姚姚， 盧憲菊， 等. 基于無人機多光譜遙感的春玉米葉面積指數和地上部生物量估算模型比較研究［J］. 中國農業(yè)科技導報， 2021， 23（9）： 112-120.

FAN Hongye， LI Yaoyao， LU Xianju， et al. Comparative analysis of LAI and above-ground biomass estimation models based on UAV multispectral remote sensing［J］. Journal of Agricultural Science and Technology， 2021， 23（9）： 112-120.

［3］ 黃春燕， 王登偉， 曹連莆， 等. 棉花地上鮮生物量的高光譜估算模型研究［J］. 農業(yè)工程學報， 2007， 23（3）： 131-135.

HUANG Chunyan， WANG Dengwei， CAO Lianpu， et al. Models for estimating cotton aboveground fresh biomass using hyperspectral data［J］. Transactions of the Chinese Society of Agricultural Engineering， 2007， 23（3）： 131-135.

［4］ 李嵐?jié)?郭宇龍， 韓鵬， 等. 基于高光譜的冬小麥不同生育時期地上部生物量監(jiān)測［J］. 麥類作物學報， 2021， 41（7）： 904-913.

LI Lantao， GUO Yulong， HAN Peng， et al. Estimation of shoot biomass at different growth stages of winter wheat based on hyperspectral reflectance［J］. Journal of Triticeae Crops， 2021， 41（7）： 904-913.

［5］ 卜靈心， 來全， 劉心怡. 不同機器學習算法在草原草地生物量估算上的適應性研究［J］. 草地學報， 2022， 30（11）： 3156-3164.

BU Lingxin， LAI Quan， LIU Xinyi. Adaptation of different machine learning algorithms for grassland biomass estimation［J］. Acta Agrestia Sinica， 2022， 30（11）： 3156-3164.

［6］ Ballesteros R， Ortega J F， Hernandez D， et al. Onion biomass monitoring using UAV-based RGB imaging［J］. Precision Agriculture， 2018， 19（5）： 840-857.

［7］ 張正健， 李愛農， 邊金虎， 等. 基于無人機影像可見光植被指數的若爾蓋草地地上生物量估算研究［J］. 遙感技術與應用， 2016， 31（1）： 51-62.

ZHANG Zhengjian， LI Ainong， BIAN Jinhu， et al. Estimating aboveground biomass of grassland in zoige by visible vegetation index derived from unmanned aerial vehicle image［J］. Remote Sensing Technology and Application， "2016， 31（1）： 51-62.

［8］ 陸國政， 楊貴軍， 趙曉慶， 等. 基于多載荷無人機遙感的大豆地上鮮生物量反演［J］. 大豆科學， 2017， 36（1）： 41-50.

LU Guozheng， YANG Guijun， ZHAO Xiaoqing， et al. Inversion of soybean fresh biomass based on multi-payload unmanned aerial vehicles （UAVs）［J］. Soybean Science， 2017， 36（1）： 41-50.

［9］ 孫世澤， 汪傳建， 尹小君， 等. 無人機多光譜影像的天然草地生物量估算［J］. 遙感學報， 2018， 22（5）： 848-856.

SUN Shize， WANG Chuanjian， YIN Xiaojun， et al. Estimating aboveground biomass of natural grassland based on multispectral images of Unmanned Aerial Vehicles［J］. Journal of Remote Sensing， 2018， 22（5）： 848-856.

［10］ Wang D L， Xin X P， Shao Q Q， et al. Modeling aboveground biomass in Hulunber grassland ecosystem by using unmanned aerial vehicle discrete lidar［J］. Sensors， 2017， 17（12）： 180.

［11］ 張雨欣， 黃健熙， 金云翔， 等. 草地地上生物量估算模型研究進展［J］. 草地學報， 2022， 30（4）： 850-858.

ZHANG Yuxin， HUANG Jianxi， JIN Yunxiang， et al. Estimation of grasslands aboveground biomass： a review［J］. Acta Agrestia Sinica， 2022， 30（4）： 850-858.

［12］ Deo R C，瘙塁ahin M. Forecasting long-term global solar radiation with an ANN algorithm coupled with satellite-derived （MODIS） land surface temperature （LST） for regional locations in Queensland［J］. Renewable and Sustainable Energy Reviews， "2017， 72： 828-848.

［13］ Safari A， Sohrabi H， Powell S， et al. A comparative assessment of multi-temporal Landsat 8 and machine learning algorithms for estimating aboveground carbon stock in coppice oak forests［J］. International Journal of Remote Sensing， 2017， 38（22）： 6407-6432.

［14］ 王玉娜， 李粉玲， 王偉東， 等. 基于連續(xù)投影算法和光譜變換的冬小麥生物量高光譜遙感估算［J］. 麥類作物學報， 2020， 40（11）： 1389-1398.

WANG Yuna， LI Fenling， WANG Weidong， et al. Hyper-spectral remote sensing stimation of shoot biomass of winter wheat based on SPA and transformation spectra［J］. Journal of Triticeae Crops， 2020， 40（11）： 1389-1398.

［15］ 紀偉帥. 基于無人機多光譜的棉花冠層葉片葉綠素相對含量、葉面積指數反演［D］. 泰安： 山東農業(yè)大學， 2021： 56.

JI Weishuai. Inversion of SPAD and LAI in Cotton Canopy Leaves Based on UAV Multispectral［D］. Taian： Shandong Agricultural University， 2021： 56.

［16］ 王士紅. 增密減氮對棉花產量品質的影響及氮高效生理基礎研究［D］. 泰安： 山東農業(yè)大學， 2019： 124.

WANG Shihong. Effects of Increasing Plant Density and Decreasing Nitrogen Rate on Yield and Quality of Cotton， and Physiological Mechanisms of Nitrogen Efficient Utilization［D］. Taian： Shandong Agricultural University， 2019： 124.

［17］ 李春艷. 密度與氮肥對機采棉產量及氮肥利用影響的研究［D］. 烏魯木齊： 新疆農業(yè)大學， 2018： 61.

LI Chunyan. Effects of Density and Nitrogen Fertilizer on Cotton Production and Nitrogen Utilization［D］. Urumqi： Xinjiang Agricultural University， 2018： 61.

［18］ 夏天， 周清波， 陳仲新， 等. 基于HJ-1衛(wèi)星的冬小麥葉片SPAD遙感監(jiān)測研究［J］. 中國農業(yè)資源與區(qū)劃， 2012， 33（6）： 38-44.

XIA Tian， ZHOU Qingbo， CHEN Zhongxin， et al. Monitoring winter wheat spad based on hj-1 ccd［J］. Chinese Journal of Agricultural Resources and Regional Planning， "2012， 33（6）： 38-44.

［19］ Lelong C， Burger P， Jubelin G， et al. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots［J］. Sensors， 2008， 8（5）： 3557-3585.

［20］ Shao G M， Han W T， Zhang H H， et al. Estimation of transpiration coefficient and aboveground biomass in maize using time-series UAV multispectral imagery［J］. The Crop Journal， 2022， 10（5）： 1376-1385.

［21］ Liu S B， Jin X L， Nie C W， et al. Estimating leaf area index using unmanned aerial vehicle data： shallow vs. deep machine learning algorithms［J］. Plant Physiology， 2021， 187（3）： 1551-1576.

［22］ Liu Y， Feng H K， Yue J B， et al. Remote-sensing estimation of potato above-ground biomass based on spectral and spatial features extracted from high-definition digital camera images［J］. Computers and Electronics in Agriculture， 2022， 198： 107089.

［23］ Fu Y Y， Yang G J， Li Z H， et al. Winter wheat nitrogen status estimation using UAV-based RGB imagery and Gaussian processes regression［J］. Remote Sensing， 2020， 12（22）： 3778.

［24］ Sulik J J， Long D S. Spectral considerations for modeling yield of canola［J］. Remote Sensing of Environment， 2016， 184： 161-174.

［25］ 賈學勤， 馮美臣， 楊武德， 等. 基于多植被指數組合的冬小麥地上干生物量高光譜估測［J］. 生態(tài)學雜志， 2018， 37（2）： 424-429.

JIA Xueqin， FENG Meichen， YANG Wude， et al. Hyperspectral estimation of aboveground dry biomass of winter wheat based on the combination of vegetation indices［J］. Chinese Journal of Ecology， 2018， 37（2）： 424-429.

［26］ 尚珂. 基于支持向量機回歸的草地地上生物量遙感估測研究［D］. 昆明： 西南林業(yè)大學， 2015： 67.

SHANG Ke. The Study of Grassland above Ground Biomass Inversion Based on Support Vector Machine Regression［D］. Kunming： Southwest Forestry University， 2015： 67.

［27］ 蘭仕浩， 李映雪， 吳芳， 等. 基于衛(wèi)星光譜尺度反射率的冬小麥生物量估算［J］. 農業(yè)工程學報， 2022， 38（24）： 118-128.

LAN Shihao， LI Yingxue， WU Fang， et al. Winter wheat biomass estimation based on satellite spectral-scale reflectance［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（24）： 118-128.

［28］ 張子慧， 吳世新， 趙子飛， 等. 基于機器學習算法的草地地上生物量估測——以祁連山草地為例［J］. 生態(tài)學報， 2022， 42（22）： 8953-8963.

ZHANG Zihui， WU Shixin， ZHAO Zifei， et al. Estimation of grassland biomass using machine learning methods： a case study of grassland in Qilian Mountains［J］. Acta Ecologica Sinica， 2022， 42（22）： 8953-8963.

［29］ 孫全. 基于無人機可見光-近紅外圖像的小麥關鍵生長指標監(jiān)測研究［D］. 揚州： 揚州大學， 2021： 92.

SUN Quan. Key Wheat Growth Indicators Monitoring Based on UAV Visible-NIR Imagery［D］. Yangzhou： Yangzhou University， 2021： 92.

［30］ 吳芳， 李映雪， 張緣園， 等. 基于機器學習算法的冬小麥不同生育時期生物量高光譜估算［J］. 麥類作物學報， 2019， 39（2）： 217-224.

WU Fang， LI Yingxue， ZHANG Yuanyuan， et al. Hyperspectral estimation of biomass of winter wheat at different growth stages based on machine learning algorithms［J］. Journal of Triticeae Crops， 2019， 39（2）： 217-224.

［31］ 李鵬程， 董合林， 劉愛忠， 等. 施氮量對棉花功能葉片生理特性、氮素利用效率及產量的影響［J］. 植物營養(yǎng)與肥料學報， 2015， 21（1）： 81-91.

LI Pengcheng， DONG Helin， LIU Aizhong， et al. Effects of nitrogen application rates on physiological characteristics of functional leaves， nitrogen use efficiency and yield of cotton［J］. Journal of Plant Nutrition and Fertilizer， 2015， 21（1）： 81-91.

［32］ 李飛， 郭莉莉， 趙瑞元， 等. 氮肥減量深施對油后直播棉花干物質與氮素積累、分配及產量的影響［J］. 棉花學報， 2022， 34（3）： 198-214.

LI Fei， GUO Lili， ZHAO Ruiyuan， et al. Effects of increasing application depth and decreasing nitrogen rate on dry matter， nitrogen accumulation and distribution， and yield of direct seeding cotton after rape harvest［J］. Cotton Science， 2022， 34（3）： 198-214.

［33］ 辛明華， 王占彪， 李小飛， 等. 南疆棉區(qū)機采種植模式下棉花種植密度研究［J］. 山東農業(yè)科學， 2020， 52（1）： 46-52.

XIN Minghua， WANG Zhanbiao， LI Xiaofei， et al. Study on suitable planting density of cotton under machine-picked planting mode in South Xinjiang［J］. Shandong Agricultural Sciences， 2020， 52（1）： 46-52.

［34］ 支曉宇， 韓迎春， 王國平， 等. 不同密度下棉花群體光輻射空間分布及生物量和纖維品質的變化［J］. 棉花學報， 2017， 29（4）： 365-373.

ZHI Xiaoyu， HAN Yingchun， WANG Guoping， et al. Changes to the PAR spatial distribution， biomass， and fiber quality in response to plant densities［J］. Cotton Science， 2017， 29（4）： 365-373.

［35］ 牛玉萍， 陳宗奎， 楊林川， 等. 干旱區(qū)滴灌模式和種植密度對棉花生長和產量性能的影響［J］. 作物學報， 2016， 42（10）： 1506-1515.

NIU Yuping， CHEN Zongkui， YANG Linchuan， et al. Effect of drip irrigation pattern and planting density on growth and yield performance of cotton in arid area［J］. Acta Agronomica Sinica， 2016， 42（10）： 1506-1515.

［36］ 王士紅， 楊中旭， 史加亮， 等. 增密減氮對棉花干物質和氮素積累分配及產量的影響［J］. 作物學報， 2020， 46（3）： 395-407.

WANG Shihong， YANG Zhongxu， SHI Jialiang， et al. Effects of increasing planting density and decreasing nitrogen rate on dry matter， nitrogen accumulation and distribution， and yield of cotton［J］. Acta Agronomica Sinica， 2020， 46（3）： 395-407.

［37］ Sankaran S， Zhou J F， Khot L R， et al. High-throughput field phenotyping in dry bean using small unmanned aerial vehicle based multispectral imagery［J］. Computers and Electronics in Agriculture， 2018， 151： 84-92.

［38］ Hunt E R Jr， Hively W D， Fujikawa S， et al. Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring［J］. Remote Sensing， 2010， 2（1）： 290-305.

［39］ 岳繼博， 楊貴軍， 馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比［J］. 農業(yè)工程學報， 2016， 32（18）： 175-182.

YUE Jibo， YANG Guijun， FENG Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm［J］. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（18）： 175-182.

［40］ 肖武， 陳佳樂， 笪宏志， 等. 基于無人機影像的采煤沉陷區(qū)玉米生物量反演與分析［J］. 農業(yè)機械學報， 2018， 49（8）： 169-180.

XIAO Wu， CHEN Jiale， DA Hongzhi， et al. Inversion and analysis of maize biomass in coal mining subsidence area based on UAV images［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（8）： 169-180.

Study on cotton biomass estimation based on multi-spectral imaging features of unmanned aerial vehicle

Abstract：【Objective】 To explore the applicability and accuracy of cotton biomass estimation model based on Vegetation Indexes （VIs） and machine learning algorithm.

【Methods】 On the interaction between nitrogen application and density at the experimental and collected AGB data and UAV multispectral remote sensing images of cotton fields at the main fertility periods simultaneously to calculate eight VIs and introduce three VIs with the highest AGB correlation coefficients.Vactor Regression （SVR）， Partial Least Squares Regression （PLSR）， and Deep Neural Network （DNN）， and evaluated the applicability and estimation accuracy of different VIs and models.

【Results】 "All eight VIs showed significant correlations with AGB， among which the absolute values of the correlation coefficients |r| of NGBDI， NDREI and EXG reached 0.659-0.788， and there was a significant correlation between them and cotton biomass.（3） Among the three regression models， the SVR model had the best estimation effect， with the model validation accuracy of R2=0.89， RMSE=2.30， and rRMSE=0.20.

【Conclusion】 "Compared with the PLSR and DNN estimation models， the SVR model is more suitable for estimating cotton biomass， and the study is important for enriching the remote sensing monitoring technology of cotton biomass and improving the accurate management of production.The study is important to enrich the remote sensing monitoring technology of cotton biomass and improve the accurate management of production.

Key words：cotton; unmanned aerial vehicle（UAV）;multispectral image;biomass;estimate