基于數(shù)字表面模型的冬小麥生物量估算

DOI：10.3969/j.issn.2095-1191.2025.01.005

摘要：【目的】構建冬小麥主要生育時期生物量估算模型，分析不同水處理和不同年份情景下估算模型的遷移能力，為冬小麥生物量快速估算、表型研究及制定作物水肥決策提供技術支撐?！痉椒ā客ㄟ^設置不同水氮處理，采用大疆M600 Pro無人機搭載安洲科技K6多光譜成像儀獲取冬小麥關鍵生育期影像，提取影像數(shù)字表面模型，基于無人機影像提取株高，通過BP神經(jīng)網(wǎng)絡構建并改進冬小麥生物量估算模型?！窘Y果】水氮耦合自然狀態(tài)條件下冬小麥實測株高的變化較小，但在氮充足條件下灌溉可增加冬小麥實測株高。無人機提取株高與實測株高的線性決定系數(shù)（R2）為0.81，即無人機提取株高可解釋81%的株高變異。基于無人機遙感影像提取株高構建的冬小麥生物量估算模型，R2、均方根誤差（RMSE）、相對分析誤差（RPD）分別為0.58、4528.23 kg/ha和1.25，說明該模型可對冬小麥生物量進行快速估算，但模型穩(wěn)健性較差（RPDlt;1.4），估算值（16198.27 kg/ha）較實測值（16960.23 kg/ha）偏小，且估算值較分散。通過數(shù)據(jù)轉換，基于生物量/無人機提取株高比值構建的冬小麥生物量估算模型R2、RMSE、RPD分別為0.88、2291.90 kg/ha和2.75，改進后的模型穩(wěn)健性較強（RPDgt;2.0），估算值（17478.21 kg/ha）與實測值（17222.59 kg/ha）較接近，模型估算精度提高了51.72%。經(jīng)驗證，改進的冬小麥生物量估算模型在不同水處理和不同年份情景下具有較強的遷移能力，遷移估算模型的R2均在0.85以上，能實現(xiàn)對冬小麥生物量的精準快速估算?！窘Y論】利用無人機影像提取株高信息，通過數(shù)據(jù)轉換，能有效提高冬小麥生物量估算模型的估算精度。改進的冬小麥生物量估算模型在不同水處理和不同年份情景下均表現(xiàn)出較強的遷移能力，但在不同氮水平情景下的遷移能力存在差異，因此，模型遷移利用前應對不同情景數(shù)據(jù)集進行直方圖特征分析，并綜合考慮多種影響因素以提升模型的泛化能力和魯棒性。

關鍵詞：冬小麥；生物量；株高；數(shù)字表面模型（DSM）；遷移能力

中圖分類號：S127文獻標志碼：A文章編號：2095-1191（2025）01-0053-11

Above-ground biomass estimation of winter wheat based on digital surface model

GUO Yan1，2，HE Jia1，2，WEI Pan-pan1，2，ZENG Kai1，SHI Zhou3，YE Su3，YANG Xiu-zhong1，2，ZHENG Guo-qing1，WANG Lai-gang1，2*

（1Institute of Agricultural Information Technology，Henan Academy of Agricultural Sciences/Key Laboratory of Huang-Huai-Hai Smart Agricultural Technology，Ministry of Agriculture and Rural Affairs，Zhengzhou，Henan 450002，China；2Henan Engineering Research Center of Crop Planting Monitoring and Warning，Zhengzhou，Henan 450002，China；3College of Environment and Resources，Zhejiang University，Hangzhou，Zhejiang 310058，China）

Abstract：【Objective】To construct a biomass estimation model for the key growth stages of winter wheat and analyze the transferability of the estimation model under different water treatments and in different years scenarios，which could provide technical support for the rapid estimation of winter wheat above-ground biomass，phenotypic research，and crop water and fertilizer decision-making.【Method】In this study，by setting different water and nitrogen treatments，theDJI M600 Pro unmanned aerial vehicle（UAV）equipped with the Anzhou Technology K6 multispectral imager was used to acquire images of winter wheat during the key growth stages.The digital surface model（DSM）of the images was ex-tracted，and the plant height was extracted based on the UAV images.The winter wheat above-ground biomass estimation model was constructed and improved through the BP neural network method.【Result】Under the natural condition of water-nitrogen coupling，the change in the measured plant height of winter wheat was relatively small，but irrigation un-der nitrogen-sufficient conditions could increase the measured plant height of winter wheat.The linear determination coef-ficient（R2）between the plant height extracted by the UAV and the measured plant height was 0.81，indicating that the plant height extracted by the UAV could explain 81%of the plant height variation.For the winter wheat above-ground biomass estimation model constructed based on the plant height extracted from UAV remote sensing images，R2，root-mean-square error（RMSE）and relative performance deviation（RPD）were 0.58，4528.23 kg/ha and 1.25 respectively.This showed that the model could rapidly estimate the winter wheat above-ground biomass，but the model had poor ro-bustness（RPDlt;1.4）.The estimated value（16198.27 kg/ha）was smaller than the measured value（16960.23 kg/ha），and the estimated values were relatively scattered.Through data transformation，for the winter wheat biomass estimation model constructed based on the ratio（above-graund biomass/plant height extracted by UVA ration，R2，RMSE and RPD were 0.88，2291.90 kg/ha and 2.75 respectively.The improved model had strong robustness（RPDgt;2.0）.The estimated value（17478.21 kg/ha）was close to the measured value（17222.59 kg/ha），and the model estimation accuracy has in-creased by 51.72%.It was verified that the improved winter wheat above-ground biomass estimation model had strong transferability under different water treatments and in different years.R2 of the transfer estimation model was above 0.85，achieving accurate and rapid estimation of winter wheat above-ground biomass.【Conclusion】Extracting plant height infor-mation using UAV images and improving the winter wheat above-ground biomass estimation model through data transfor-mation can effectively improve the estimation accuracy of wheat biomass estimation model.The improved winter wheat above-ground biomass estimation model shows strong transfer ability under different water treatments and in different years scenarios.However，there are differences in its transferability under different nitrogen-level scenarios.Therefore，before applying the model for transfer estimation，histogram feature analysis should be carried out on the datasets of different scenarios，and various influencing factors should be comprehensively considered to enhance the generalization ability and robustness of the model.

Key words：winter wheat；above-ground biomass；plant height；digital surface model（DSM）；transfer ability

Foundation items：National Key Research and Development Program of China（2022YFD2001105）；Henan Central Government Guiding Local Scienc and Technology Development Fund Project（Z20231811179）；Remote Sensing Innova-tion Team of Henan Academy of Agricultural Sciences Agricultural（2024TD28）

0引言

【研究意義】生物量對光能利用、干物質(zhì)及產(chǎn)量的形成均有重要影響，其精確估算是陸地生態(tài)學研究重點之一。一方面，作物生物量在全球碳循環(huán)中發(fā)揮重要作用（Piao etal.，2009；Bar-On etal.，2018；黃宏勝等，2024），準確估算作物生物量有助于掌握氣候變化與農(nóng)田生態(tài)系統(tǒng)相互間的反饋作用；另一方面，生物量與作物最終產(chǎn)量的形成密切相關（張傳波等，2022；張寧丹等，2022）。因此，及時準確地進行作物生物量估算，對科學管理與合理利用農(nóng)田、保護和增強其碳匯功能具有重要意義，同時為解決糧食安全問題提供重要數(shù)據(jù)參考?！厩叭搜芯窟M展】近年來，國內(nèi)外應用遙感技術估算作物生物量的研究越來越多（Bendig et al.，2015；賀佳等，2017；Adar et al.，2022；王晗等，2023）。不同的遙感數(shù)據(jù)源估算和反演精度存在明顯差異，以衛(wèi)星遙感影像為數(shù)據(jù)源的生物量估算與反演存在空間時間分辨率低、易受大氣狀況影響等問題，一定程度上制約了模型估算精度（鄭陽等，2017；Imran et al.，2020；Guo et al.，2022c；張科謙等，2023）；近地高光譜影像光譜分辨率高，但耗時費力，且監(jiān)測范圍受限（賀佳等，2017）。相對于衛(wèi)星遙感和近地面高光譜遙感，低空無人機可依據(jù)研究目的搭載RGB相機、高光譜成像儀及多光譜相機等不同類型的傳感器，具有操作簡便、靈活性強等優(yōu)勢，是田塊尺度精準觀測的重要手段，在現(xiàn)代化農(nóng)業(yè)定量精細化監(jiān)測中發(fā)揮重要作用（陶惠林等，2019；Fu etal.，2021；Guo et al.，2022b）。目前，農(nóng)業(yè)上采用無人機遙感進行生物量估算主要是利用RGB和多光譜數(shù)字正射影像（Digital ortho-photo map，DOM）提取光譜參數(shù)、計算植被指數(shù)等構建模型。楊俊等（2019）利用無人機數(shù)碼影像估算小麥生物量，發(fā)現(xiàn)圖像顏色指數(shù)與紋理特征結合可提高小麥生物量估算精度，生物量與光譜指數(shù)的相關系數(shù)最高為0.91。但無人機獲取冠層信息時受作物種植區(qū)域、作物類型及作物生育期等多種因素的交互作用，植被指數(shù)存在飽和現(xiàn)象，進而影響生物量估算模型的精度和遷移能力。數(shù)字表面模型（Digitalsurface model，DSM）是超高分辨率無人機影像的另一關鍵信息，與作物高度直接關聯(lián)（Xie et al.，2021；樊意廣等，2022；Qiuetal.，2022）。Chang等（2017）、牛慶林等（2018）、Guo等（2022a）分別利用無人機獲取玉米、高粱等作物的數(shù)字遙感影像，基于數(shù)字地面模型（Digital terrain model，DTM）和DSM估算得到作物株高，結果發(fā)現(xiàn)估算株高與實測株高的均方根誤差（RMSE）在0.33～0.88 m。此外，隨著實時動態(tài)（Real-time kinematic，RTK）和事后動態(tài)（Post processed kinematic，PPK）差分技術的興起，使得無人機在快速、準確獲取株高方面具有顯著優(yōu)勢，越來越多學者利用無人機影像提取株高并進行生物量估算（Niu etal.，2019；劉楊等，2021；Wang et al.，2022）。Niu等（2019）通過使用精靈Phantom 4直接從點云中提取玉米高度，發(fā)現(xiàn)提取高度與實測高度的決定系數(shù)（R2）達0.90，結合植被指數(shù)對玉米生物量進行估算的R2為0.82；Wang等（2022）研究表明，采用PPK和RTK校正DSM獲得的作物表面模型（CSM）可有效提高株高估算準確性；郭燕等（2023a，2023b）研究表明，DSM提取的株高信息結合植被指數(shù)對提升作物生物量估算精度具有重要意義?！颈狙芯壳腥朦c】盡管上述研究在各自方向上已取得一定進展，但直接利用DSM進行生物量估算及模型遷移能力的研究尚無文獻報道。【擬解決的關鍵問題】通過無人機搭載多光譜相機，結合RTK和地面控制點獲取小麥關鍵生育期的影像數(shù)據(jù)和高程信息，提取主要生育期的小麥株高，利用BP神經(jīng)網(wǎng)絡法構建小麥主要生育時期生物量估算模型，并分析不同水處理和不同年份情景下估算模型的遷移能力，為冬小麥生物量快速估算、表型研究及制定作物水肥決策提供技術支撐。

1數(shù)據(jù)來源與研究方法

1.1研究區(qū)概況及田間試驗設計

于2020—2021年和2021—2022年，在河南省周口市商水縣國營農(nóng)場（33°33′N，114°37′E，海拔49 m）開展冬小麥種植試驗，小區(qū)面積約42m2。該區(qū)域地處暖溫帶南部，為季風半濕潤氣候，全年溫度適宜。供試土壤為砂姜黑土，播種前0～20 cm土層基礎養(yǎng)分情況：pH 7.3，有機質(zhì)25.0 g/kg，全氮1.69 g/kg，速效磷22.6 mg/kg，速效鉀139.6 mg/kg。采用隨機區(qū)組試驗設計，設5個氮水平和2個水處理。氮水平分別為N0（0 kg/ha）、N6（90 kg/ha）、N12（180 kg/ha）、N18（270 kg/ha）和N24（360 kg/ha），每個水平重復3次；水處理為自然降水（W0）和因需灌溉（W1），總計30個小區(qū)。氮肥50%作為底肥施入，50%于拔節(jié)期追施；磷肥用量120 kg/ha，鉀肥用量90 kg/ha，均為播種前一次性施入。

1.2研究技術路線

總體研究技術路線如圖1所示。首先，通過大疆M600 Pro無人機獲取冬小麥拔節(jié)期、開花期和灌漿期的遙感影像，利用Agisoft PhotoScan Professio-nal 12.0對影像進行拼接及輻射校正等預處理，在3D點云建立過程中創(chuàng)建DSM，以獲得研究區(qū)植被和土壤的DSM數(shù)據(jù)。植被DSM數(shù)據(jù)減去土壤DSM數(shù)據(jù)即獲得冬小麥無人機提取株高（Hdsm）。然后，基于無人機提取株高、實測株高與生物量的關系，確認株高對生物量的貢獻，通過BP神經(jīng)網(wǎng)絡采用無人機提取株高構建冬小麥生物量估算模型。同時，采用生物量與株高的比值改進生物量估算模型，并在不同水處理和不同年份情景下進行模型遷移能力分析與應用，探究影響模型遷移能力的原因，并給出研究建議。

1.3數(shù)據(jù)獲取與處理

1.3.1無人機數(shù)據(jù)獲取與處理在冬小麥生長周期的關鍵生育期（拔節(jié)期、開花期和灌漿期），分別選取天氣晴朗的10：00—14：00，采用大疆M600 Pro無人機搭載安洲科技K6多光譜成像儀進行影像獲取。飛行前地面鋪設標準反射率為5%、20%、40%和70%的4塊輻射定標板，同時使用RTK接收機測量試驗區(qū)4個頂點及中間點的地面控制點（Ground control point，GCP）坐標，用于飛行位置和海拔高度精準校正。飛行高度50m，獲取影像空間分辨率為0.02 m。影像獲取后按格式轉換、影像篩選、影像拼接、正射校正及輻射定標等5個步驟進行處理。

1.3.2冬小麥無人機株高提取冬小麥無人機株高提取步驟如圖2所示。首先將無人機數(shù)據(jù)導入Agisoft PhotoScan Professional 12.0中，檢查無人機影像圖片質(zhì)量，生成點云并對齊照片；然后建立格網(wǎng)并輸入研究區(qū)GCP進行幾何校正，重建DSM后輸出CSM；最后將得到的CSM數(shù)據(jù)導入到ArcGIS 10.6中，采用柵格計算得到無人機提取株高。此外，于2020年10月5日采集裸地影像建立研究區(qū)的地形數(shù)字高程模型（Digital elevation model，DEM）。值得注意的是，在影像拼接建立CSM的過程中，應保證控制點處的高程與實測高程最大偏差小于0.01 m。根據(jù)小區(qū)范圍繪制矩形感興趣區(qū)域（Region of interest，ROI），再通過對標準化處理后的CSM進行分區(qū)統(tǒng)計，即可得到各小區(qū)的冬小麥無人機提取株高。

1.3.3株高和生物量測定地面數(shù)據(jù)獲取與無人機影像的獲取同步進行。田間樣本采集時使用北斗智能手持終端（UG908）獲取采樣點地理位置信息，在每小區(qū)各選取3處長勢均勻的10株冬小麥測量株高，然后將0.5 m雙行的冬小麥地上植株樣本裝入密封袋。送回實驗室，對莖、葉進行分離，105℃下殺青，80℃烘干至恒重，稱重莖、葉干重之和即為生物量，然后換算為kg/ha，共計獲取180個樣本數(shù)據(jù)。

1.4 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種采用誤差逆向傳播進行算法訓練的多層前饋網(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型（Du etal.，2021；Lan etal.，2023）。BP神經(jīng)網(wǎng)絡常用激活函數(shù)包括identity、sigmoid及ReLU等20多種，當函數(shù)identity處于活動狀態(tài)時，節(jié)點的輸入等于輸出，最適合于潛在行為呈線性（類似線性回歸）的任務（李航，2022），因此本研究采用identity作為訓練模型的激活函數(shù)。本研究共設3層網(wǎng)絡結構，通過準牛頓方法族優(yōu)化器（lbfgs）提高運行速度，同時為防止過擬合，而引入學習率及正則化等參數(shù)對模型進行優(yōu)化（周志華，2022）。

1.5模型評價指標

冬小麥生物量估算模型評價指標3個，分別是決定系數(shù)（R2）、RMSE和相對分析誤差（RPD）。R2與PRD越大，RMSE越小，模型估算和遷移能力越好。當估算值與實測值完全一致時，RMSE為0，此時可視為完美模型；RMSE越大，模型誤差越大，其精度較低；反之，RMSE越小，模型精確度越高。RPD≥2.0時表明模型穩(wěn)健性較好，1.4≤RPDlt;2.0時表明模型穩(wěn)健性中等，RPDlt;1.4時表明模型穩(wěn)健性較差（Changetal.，2001；郭燕等，2023a）。

2冬小麥生物量模型構建及遷移估算

2.1冬小麥實測株高和生物量統(tǒng)計結果

不同水氮處理下冬小麥的實測株高和生物量變化見圖3。W0和W1處理均表現(xiàn)為冬小麥實測株高和生物量隨著氮水平的升高而呈逐漸增加趨勢，但增加幅度存在明顯差異。當?shù)接蒒0升至N12，W0和W1處理冬小麥實測株高的增幅分別為23.22和21.33 cm；氮水平由N12升至N24，對應的增幅分別為2.11和0.89 cm。在冬小麥生物量方面，當?shù)接蒒0升至N18，W0和W1處理的生物量增幅分別為15675.24和13912.85 kg/ha；氮水平由N18升至N24，W0處理的生物量基本無明顯變化，而W1處理的生物量仍然呈快速增加趨勢。

從不同氮水平冬小麥實測株高和生物量的變化趨勢可看出，隨著氮肥施用量的增加，冬小麥實測株高和生物量均呈明顯的上升趨勢，但增加幅度不同，冬小麥實測株高從N12開始趨于穩(wěn)定，生物量則呈持續(xù)上升趨勢。單因素方差分析（One-way ANOVA）結果顯示，冬小麥實測株高在N0、N6和N12水平下存在顯著差異（Plt;0.05，下同），生物量在N0、N6、N12和N18水平下存在顯著差異。綜上所述，在水氮耦合過程中，水分對冬小麥實測株高產(chǎn)生的脅迫效應大于生物量，肥料需要依靠水分才能被作物吸收，即充足水分是保證群體株高和生物量協(xié)調(diào)的基礎。

2.2冬小麥無人機提取株高與實測株高的關系

冬小麥無人機提取株高與實測株高的關系見圖4。無人機提取株高與實測株高的相關性隨氮水平的升高而下降，尤其在氮水平由N6升至N12時快速下降，R2從0.59降至0.08，究其原因是相同灌溉條件下，冬小麥株高受品種基因型的影響，灌漿期的株高趨于穩(wěn)定，氮水平的影響減弱（王聲鋒等，2010）。此外，氮水平由N12升至N24時，無人機提取株高分布一致性較強，但在N0和N6水平下無人機提取株高的分布相對分散，說明氮水平在一定范圍可有效增加冬小麥株高，但超過某一閾值后對株高的影響變?nèi)酢?/p>

不同水處理下，無人機提取株高與實測株高的相關性表現(xiàn)為W0處理優(yōu)于W1處理，R2分別為0.81和0.79。結合圖3可知，水氮耦合自然狀態(tài)條件下冬小麥株高的變化相對較小，但在氮充足條件下灌溉可增加冬小麥株高。無人機提取株高與實測株高的線性R2為0.81，即無人機提取株高可解釋81%的株高變異，不僅為冬小麥株高測量提供了簡便快捷途徑，還為冬小麥生物量精準估算提供了支撐。

2.3冬小麥無人機提取株高與生物量的關系

無人機提取冬小麥株高與生物量的關系見圖5。無人機提取株高與生物量的相關性隨氮水平升高的變化規(guī)律不明顯，但氮的效應影響逐漸顯現(xiàn)出來。不同水處理下，無人機提取株高與生物量的相關性表現(xiàn)為W0處理優(yōu)于W1處理，R2分別為0.69和0.50，與部分株高的變化特征具有一致性。水分對冬小麥生物量和株高的影響存在明顯差異，主要是冬小麥株高變化趨于穩(wěn)定時，灌溉使得生物量的增加更傾向于葉片和莖稈生物量的增加，對株高的影響相對較小?？傮w來看，無人機提取株高與生物量建立簡單線性關系模型的R2為0.57，即無人機提取株高可解釋57%的生物量變異，說明利用無人機遙感影像提取的株高可用于冬小麥生物量快速估算。

2.4冬小麥生物量估算模型構建與改進

為實現(xiàn)對冬小麥生物量進行快速估算，首先采用BP神經(jīng)網(wǎng)絡訓練無人機提取株高與生物量的關系模型（R2為0.57），然后基于訓練模型對冬小麥生物量進行估算，生物量的實測值和估算值關系見圖6。模型的R2、RMSE、RPD分別為0.58、4528.23 kg/ha和1.25，說明該模型可對冬小麥生物量進行快速估算，但模型穩(wěn)健性較差（RPDlt;1.4），估算值（16198.27 kg/ha）較實測值（16960.23 kg/ha）小，且估算值較分散。綜上所述，雖然采用無人機提取株高可對冬小麥生物量進行估算，但由于模型的魯棒性較弱，可能會造成估算結果不準確。這在圖6中95%置信區(qū)間覆蓋的數(shù)據(jù)上也得到驗證，置信區(qū)間數(shù)據(jù)分散程度較高，且部分數(shù)據(jù)并未包含在置信區(qū)間內(nèi)，估算結果不確定性大。

通過數(shù)據(jù)轉換發(fā)現(xiàn)，冬小麥生物量/無人機提取株高比值隨氮水平的升高呈近似平行的遞增趨勢（圖7）。為此，提出一種基于比值的生物量快速估算方法，以期提高模型的估算精度。采用與上述相同的方法構建模型對冬小麥生物量進行估算，訓練模型R2為0.89，生物量實測值和估算值的關系見圖8。模型的R2、RMSE、RPD分別為0.88、2291.90 kg/ha和2.75，改進后的模型穩(wěn)健性明顯增強（RPDgt;2.0），說明該模型可對冬小麥生物量進行精準估算，估算值（17478.21 kg/ha）與實測值（17222.59 kg/ha）較接近，即基于比值構建的模型魯棒性顯著提升。與直接采用無人機提取株高建立冬小麥生物量估算模型相比，基于比值構建的模型估算精度提高了51.72%，且模型估算置信區(qū)間較集中，能實現(xiàn)冬小麥生物量的簡潔高效估算。

假設冬小麥生物量（y）與比值（x）的改進模型表示為y=f（x），將數(shù)據(jù)代入公式后得到模型為y=kx-4004.8。隨著拔節(jié)期、開花期和灌漿期的推進，生物量不斷增加，采用多次截取生物量數(shù)據(jù)集的方法，形成相對應的不同生物量與無人機提取株高數(shù)據(jù)集，采用BP神經(jīng)網(wǎng)絡構建冬小麥生物量估計模型，k與無人機提取株高間存在k≈Hmax的關系，Hmax表示每個數(shù)據(jù)集中無人機提取株高的最大值。因此，將改進模型進行轉換，得到冬小麥生物量估算模型：AGB=4004.80×Hdsm/（Hmax-Hdsm）。該模型可對冬小麥生物量進行精準估算。

2.5不同情景下改進冬小麥生物量估算模型的遷移能力

基于W0和W1處理數(shù)據(jù)集分別構建冬小麥生物量估算模型，并對W1和W0處理下的生物量進行遷移估算。將W0處理數(shù)據(jù)集構建的模型遷移到W1處理，模型的R2、RMSE、RPD分別為0.90、2407.44 kg/ha和2.72；而將W1處理數(shù)據(jù)集構建的模型遷移到W0處理，模型的R2、RMSE、RPD分別為0.88、2496.97 kg/ha和2.54。同時，對模型在不同年份下進行遷移估算，設定2020—2021年冬小麥生長季節(jié)為n，2021—2022年冬小麥生長季節(jié)為n+1，基于n和n+1年份數(shù)據(jù)集分別構建冬小麥生物量估算模型，對n+1年份和n年份情境下的生物量進行遷移估算，將n年份數(shù)據(jù)集構建的模型遷移到n+1年份，模型的R2、RMSE、RPD分別為0.88、2257.36 kg/ha和2.75；將n+1年份數(shù)據(jù)集構建的生物量模型遷移到n年份，模型的R2、RMSE、RPD分別為0.86、2239.37 kg/ha和2.93。綜合R2、RMSE和RPD，改進的冬小麥生物量估算模型在不同水處理和不同年份情景下均表現(xiàn)出較好的魯棒性和遷移能力，能實現(xiàn)對冬小麥生物量的精準快速估算。

不同情景下的模型遷移能力存在差異，不同年份間的遷移估算效果優(yōu)于不同水處理，究其原因可能是由于數(shù)據(jù)特征存在差異。對不同水處理和不同年份用于訓練模型的數(shù)據(jù)集進行統(tǒng)計分析，結果（圖9）顯示，W0和W1處理，n年份和n+1年份實測冬小麥生物量與生物量/無人機提取株高數(shù)據(jù)集的平均值、變程、偏度系數(shù)和峰度系數(shù)較相近，且擬合曲線特征具有相似性，是不同情景條件下模型具有較強遷移能力的保證。不同水處理和不同年份間的數(shù)據(jù)特征也存在差異，W0、W1處理的生物量/無人機提取株高平均值分別為222.31和206.91，二者相差15.40；n、n+1年份的生物量/無人機提取株高平均比值分別為214.09和215.14，二者相差1.05；即不同年份情景下的差值小于不同水處理。同樣，變程、偏度系數(shù)和峰度系數(shù)也存在相似趨勢，使得不同年份情境下的模型遷移效果優(yōu)于不同水處理。

3討論

本研究在分析實測株高和無人機提取株高與冬小麥生物量之間關系的基礎上，基于無人機提取株高，采用BP神經(jīng)網(wǎng)絡構建并改進冬小麥生物量估算模型，模型估算效果良好，且在不同水處理和不同年份情景下表現(xiàn)出較強的遷移能力。與實測株高相比，無人機提取株高整體上偏低，主要是冬小麥冠層影像中存在一些土壤背景，且部分冬小麥三維結構空間信息可能缺失，而造成無人機提取株高相對偏低（陶惠林等，2019；劉楊等，2021）。這種情況在一定程度上會影響生物量估算模型的精度，為此，本研究通過對數(shù)據(jù)進行比值變換，有效提高了冬小麥生物量估算模型的精度，且改進的模型在不同水處理和不同年份情景下能獲得較好的遷移估算效果，與Guo等（2022b）對不同水處理植株氮含量模型進行遷移能力分析得到的結果具有一致性。遷移估算是將一個環(huán)境的知識應用到另一環(huán)境中，理想的遷移估算模型要求原訓練集不僅有較大的數(shù)據(jù)量，還對數(shù)據(jù)質(zhì)量要求較高，模型在遷移至目標模型時將包含更多的特征信息，因此，進行遷移估算時首先要對數(shù)據(jù)的分布特征進行分析，是保證模型能遷移并獲得較好的估算效果（李晨光等，2022；周志華，2022）。本研究采用BP神經(jīng)網(wǎng)絡構建模型時，訓練數(shù)據(jù)集綜合了研究區(qū)冬小麥生物量的多個關鍵生育時期信息，且訓練數(shù)據(jù)和測試數(shù)據(jù)的統(tǒng)計分析指標擬合度高，是保證冬小麥生物量估算模型精度和魯棒性均較優(yōu)的重要原因。在實際應用中，根據(jù)數(shù)據(jù)的基本特征有針對性地選擇預訓練模型進行遷移，更有助于提高模型估算效果（Zhu et al.，2021）。

本研究基于無人機提取株高構建的冬小麥生物量估算模型，雖然在某些情況下低于綜合利用植被指數(shù)、紋理特征等數(shù)據(jù)進行生物量估算的模型精度（陶惠林等，2019；Luo et al.，2022），但該模型僅需無人機遙感影像的提取株高信息，節(jié)省了指數(shù)計算、紋理特征提取等步驟，具有簡便快捷的特點。Steduto和Albrizio（2005）、韓文霆等（2021）研究認為，大田作物絕大部分生育期的水分等資源利用情況不變，基于無人機遙感影像提取單一指標可對其生物量進行估算。不同的建模方法對模型估算結果也存在一定影響（Xu etal.，2022）。本研究采用BP神經(jīng)網(wǎng)絡構建冬小麥生物量估算模型，采用的設備參數(shù)為Intel Core i7-9700K CPU和64 GB RAM，模型訓練用時為0.044 s，實測值和預測值間的R2為0.88。與Wang等（2022）的研究相比，本研究構建的冬小麥生物量估算模型精度優(yōu)于直線模型（R2=0.46～0.93）和PLSR模型（R2=0.50～0.75），但低于RF模型（R2=0.95～0.97）。這主要是由于RF是一種集成機器學習算法，進行模型構建時多種指標的參與不斷進行挑選，促使構建的生物量估算模型精度隨之得到有效提升，但在進行多種指標提取時顯然要花費更多時間，且增加了過程的復雜性。

本研究利用無人機影像提取株高信息，通過數(shù)據(jù)變換，改進冬小麥生物量估算模型，模型估算精度（R2=0.88）較原模型（R2=0.58）提高了0.30，且在不同水處理和不同年份情景下表現(xiàn)出較強的遷移能力，但在不同品種或面對極端氣候、病蟲害侵襲時，模型估算精度可能會出現(xiàn)波動。因此，后續(xù)研究還需從以下2個方面進行完善：（1）冬小麥生物量估算模型遷移利用前應對不同情景數(shù)據(jù)集進行直方圖特征分析。數(shù)據(jù)集特征差異是導致生物量估算模型遷移能力不同的關鍵因子，數(shù)據(jù)集直方圖特征分析為模型遷移應用提供了前置條件，也為模型精度的提升奠定了基礎。（2）綜合考慮多種因素以提升模型的泛化能力和魯棒性。作物生物量的構成和估算受多種因素影響，除了水分、氮水平和年份等因子外，生物量估算模型可能還受品種及建模方法等因素的影響，建議多角度、多維度綜合考慮冬小麥生物量估算的影響因素，進一步改善模型的泛化能力和魯棒性，以提升模型的適用性及實用性。

4結論

利用無人機影像提取株高信息，通過數(shù)據(jù)變換，能有效提高冬小麥生物量估算模型的估算精度。改進后的冬小麥生物量估算模型在不同水處理和不同年份情景下均表現(xiàn)出較強的遷移能力，但在不同氮水平情景下的遷移能力存在差異，因此，模型遷移利用前應對不同情景數(shù)據(jù)集進行直方圖特征分析，并綜合考慮多種影響因素以提升模型的泛化能力和魯棒性。

參考文獻（References）：

樊意廣，馮海寬，劉楊，邊明博，孟煬，楊貴軍.2022.基于冠層光譜特征和株高的馬鈴薯植株氮含量估算［J］.農(nóng)業(yè)機械學報，53（6）：202-208.［Fan Y G，F(xiàn)eng H K，Liu Y，Bian M B，Meng Y，Yang G J.2022.Estimation of potato plant nitrogen content based on canopy spectral characteristics and plant height［J］.Transactions of the Chinese Society for Agricultural Machinery，53（6）：202-208.］doi：10.6041/j.issn.1000-1298.2022.06.021.

郭燕，井宇航，賀佳，張會芳，賈德偉，王來剛.2023a.基于無人機影像多源信息的冬小麥生物量與產(chǎn)量估算［J］.河南農(nóng)業(yè)科學，52（12）：149-161.［Guo Y，Jing Y H，He J，Zhang H F，Jia D W，Wang L G.2023a.Winter wheat aboveground biomass and yield estimation based on multi-source information from UAV imagery［J］.Journal of Henan Agricultural Sciences，52（12）：149-161.］doi：10.15933/j.cnki.1004-3268.2023.12.017.

郭燕，井宇航，王來剛，黃競毅，賀佳，馮偉，鄭國清.2023b.基于無人機影像特征的冬小麥植株氮含量預測及模型遷移能力分析［J］.中國農(nóng)業(yè)科學，56（5）：850-865.［Guo Y，Jing Y H，Wang L G，Huang J Y，He J，F(xiàn)eng W，Zheng G Q.2023b.UAV multispectral image-based nitrogen con-tent prediction and the transferability analysis of the mo-delsin winter wheat plant［J］.Scientia Agricultura Sinica，56（5）：850-865.］doi：10.3864/j.issn.0578-1752.2023.05.004.

韓文霆，湯建棟，張立元，牛亞曉，王彤華.2021.基于無人機遙感的玉米水分利用效率與生物量監(jiān)測［J］.農(nóng)業(yè)機械學報，52（5）：129-141.［Han W T，Tang J D，Zhang LY，Niu Y X，Wang T H.2021.Maize water use efficiency and bio-mass estimation based on unmanned aerial vehicle remote sensing［J］.Transactions of the Chinese Society for Agri-cultural Machinery，52（5）：129-141.］doi：10.6041/j.issn.1000-1298.2021.05.014.

賀佳，劉冰峰，郭燕，王來剛，鄭國清，李軍.2017.冬小麥生物量高光譜遙感監(jiān)測模型研究［J］.植物營養(yǎng)與肥料學報，23（2）：313-323.［He J，Liu B F，Guo Y，Wang L G，Zheng G Q，Li J.2017.Biomass estimation model of winter wheat（Triticum aestivum L.）using hyperspectral reflec-tances［J］.Journal of Plant Nutrition and Fertilizer，23（2）：313-323.］doi：10.11674/zwyf.16173.

黃宏勝，張馨月，居輝，韓雪.2024.大氣CO2濃度升高背景下冬小麥冠層光譜特征和地上生物量估算［J］.作物學報，50（4）：991-1003.［Huang H S，Zhang X Y，Ju H，Han X.2024.Spectral characteristics of winter wheat canopy and estimation of aboveground biomass under elevated atmo-spheric CO2 concentration［J］.Acta Agronomica Sinica，50（4）：991-1003.］doi：10.3724/SP.J.1006.2024.31041.

李晨光，張波，趙騫，陳小平，王行甫.2022.基于遷移學習的文本共情預測［J］.計算機應用，42（11）：3603-3609.［Li C G，Zhang B，Zhao Q，Chen X P，Wang X F.2022.Empa-thy prediction from texts based on transfer learning［J］.Journal of Computer Applications，42（11）：3603-3609.］doi：10.11772/j.issn.1001-9081.2021091632.

李航.2022.機器學習方法［M］.北京：清華大學出版社.［Li H.2022.Machine learning methods［M］.Beijing：Tsing-hua University Press.］

劉楊，馮海寬，黃玨，孫乾，楊福芹，楊貴軍.2021.基于無人機高光譜影像的馬鈴薯株高和地上生物量估算［J］.農(nóng)業(yè)機械學報，52（2）：188-198.［Liu Y，F(xiàn)eng H K，Huang J，Sun Q，Yang F Q，Yang G J.2021.Estimation of potato plant height and above-ground biomass based on UAV hyper-spectral images［J］.Transactions of the Chinese Society for Agricultural Machinery，52（2）：188-198.］doi：10.6041/j.issn.1000-1298.2021.02.017.

牛慶林，馮海寬，楊貴軍，李長春，楊浩，徐波，趙衍鑫.2018.基于無人機數(shù)碼影像的玉米育種材料株高和LAI監(jiān)測［J］.農(nóng)業(yè)工程學報，34（5）：73-82.［Niu Q L，F(xiàn)eng H K，Yang G J，Li C C，Yang H，Xu B，Zhao Y X.2018.Moni-toring plant height and leaf area index of maize breeding material based on UAV digital images［J］.Transactions ofthe Chinese Society of Agricultural Engineering，34（5）：73-82.］doi：10.11975/j.issn.1002-6819.2018.05.010.

陶惠林，徐良驥，馮海寬，楊貴軍，楊小冬，苗夢珂，代陽.2019.基于無人機數(shù)碼影像的冬小麥株高和生物量估算［J］.農(nóng)業(yè)工程學報，35（19）：107-116.［Tao H L，Xu L J，F(xiàn)eng H K，Yang G J，Yang X D，Miao M K，Dai Y.2019.Estimation of plant height and biomass of winter wheat based on UAV digital image［J］.Transactions of the Chi-nese Society of Agricultural Engineering，35（19）：107-116.］doi：10.11975/j.issn.1002-6819.2019.19.013.

王晗，向友珍，李汪洋，史鴻棹，王辛，趙笑.2023.基于無人機多光譜遙感的冬油菜地上部生物量估算［J］.農(nóng)業(yè)機械學報，54（8）：218-229.［Wang H，Xiang Y Z，Li W Y，Shi H Z，Wang X，Zhao X.2023.Estimation of winter rapeseed above-ground biomass based on UAV multi-spectral remote sensing［J］.Transactions of the Chinese Society for Agricultural Machinery，54（8）：218-229.］doi：10.6041/j.issn.1000-1298.2023.08.021.

王聲鋒，段愛旺，徐建新.2010.冬小麥株高和葉面積指數(shù)變化動態(tài)分析及模擬模型［J］.灌溉排水學報，29（4）：97-100.［Wang S F，Duan A W，Xu J X.2010.Dynamic changes and simulation model of plant height and leaf areaindex of winter wheat［J］.Journal of Irrigation and Drai-nage，29（4）：97-100.］doi：10.13522/j.cnki.ggps.2010.04.027.

楊俊，丁峰，陳晨，劉濤，孫成明，丁大偉，霍中洋.2019.小麥生物量及產(chǎn)量與無人機圖像特征參數(shù)的相關性［J］.農(nóng)業(yè)工程學報，35（23）：104-110.［Yang J，Ding F，Chen C，Liu T，Sun C M，Ding D W，Huo Z Y.2019.Correlation of wheat biomass and yield with UAV image characteristic parameters［J］.Transactions of the Chinese Society of Agri-cultural Engineering，35（23）：104-110.］doi：10.11975/j.issn.1002-6819.2019.23.013.

張傳波，李衛(wèi)國，張宏，李偉，馬廷淮，張琤琤，陳華.2022.遙感光譜指標和神經(jīng)網(wǎng)絡結合的冬小麥地上部生物量估測［J］.麥類作物學報，42（5）：631-639.［Zhang C B，Li W G，Zhang H，Li W，Ma T H，Zhang C C，Chen H.2022.Estimation of winter wheat aboveground biomass based on remote sensing spectral index and neural network［J］.Jour-nal of Triticeae Crops，42（5）：631-639.］doi：10.7606/j.issn.1009-1041.2022.05.14.

張科謙，程鋼，吳微，宋向陽，張子謙，姚順，吳帥.2023.融合主被動遙感影像的冬小麥種植面積提取研究［J］.河南農(nóng)業(yè)科學，52（6）：160-171.［Zhang K Q，Cheng G，Wu W，Song X Y，Zhang Z Q，Yao S，Wu S.2023.Extraction of winter wheat planting area based on fused active and pas-sive remote sensing images［J］.Journal of Henan Agricul-tural Sciences，52（6）：160-171.］doi：10.15933/j.cnki.1004-3268.2023.06.017.

張寧丹，任建強，吳尚蓉.2022.基于花后累積地上生物量比例的冬小麥動態(tài)收獲指數(shù)估算［J］.農(nóng)業(yè)工程學報，38（7）：189-199.［Zhang N D，Ren J Q，Wu S R.2022.Esti-mating the dynamic harvest index of winter wheat usingthe fraction of accumulated aboveground biomass afterflowering［J］.Transactions of the Chinese Society of Agri-cultural Engineering，38（7）：189-199.］doi：10.11975/j.issn.1002-6819.2022.07.021.

鄭陽，吳炳方，張淼.2017.Sentinel-2數(shù)據(jù)的冬小麥地上干生物量估算及評價［J］.遙感學報，21（2）：318-328.［Zheng Y，Wu B F，Zhang M.2017.Estimating the above ground biomass of winter wheat using the Sentinel-2 data［J］.Jour-nal of Remote Sensing，21（2）：318-328.］doi：10.11834/jrs.20176269.

周志華.2016.機器學習［M］.北京：清華大學出版社.［Zhou Z H.2016.Machine learning［M］.Beijing：Tsinghua Uni-versity Press.］

Adra S，Sternberg M，Paz-Kagan T，Henkin Z，Dovrat G，Zaady E，Argaman E.2022.Estimation of aboveground biomass production using an unmanned aerial vehicle（UAV）and VENμS satellite imagery in Mediterranean and semiarid rangelands［J］.Remote Sensing Applications：Society and Environment，26：100753.doi：10.1016/j.rsase.2022.100 753.

Bar-On Y M，Phillips R，Milo R.2018.The biomass distribu-tion on earth［J］.Proceedings of the National Academy ofSciences of the United States of America，1159（25）：6506-6511.doi：10.1073/pnas.1711842115.

Bendig J，Yu K，Aasen H，Bokten A，Bennerta S，Broscheit J，Gnyp M L，Bareth G.2015.Combining UAV-based plant height from crop surface models，visible，and near infrared vegetation indices for biomass monitoring in barley［J］.International Journal of Applied Earth Observation and Geoinformation，39：79-87.doi：10.1016/j.jag.2015.02.012.

Chang A J，Jung J H，Maeda M M，Landivar J.2017.Crop height monitoring with digital imagery from Unmanned Aerial System（UAS）［J］.Computers and Electronics in Agriculture，141：232-237.doi：10.1016/j.compag.2017.07.008.

Chang C W，Laird D A，Mausbach M J，Hurburgh C R.2001.Near-infrared reflectance spectroscopy-principal compo-nents regression analyses of soil properties［J］.Soil Science Society of America Journal，65（2）：480-490.doi：10.2136/sssaj2001.652480x.

Du B，Lund P D，Wang J，Kolhe M，Hu E.2021.Comparative study of modelling the thermal efficiency of a novel straight through evacuated tube collector with MLR，SVR，BP and RBF methods［J］.Sustainable Energy Technologies and Assessments，44：101029.doi：10.1016/j.seta.2021.10 1029.

Fu YY，Yang G J，Song X Y，Li Z H，Xu X G，F(xiàn)eng H K，Zhao C J.2021.Improved estimation of winter wheat aboveg-round biomass using multiscale textures extracted from UAV-based digital images and hyperspectral feature analy-sis［J］.Remote Sensing，13（4）：581.doi：10.3390/rs 1304 0581.

Guo Y H，Xiao Y，Li M W，Hao F H，Zhang X，Sun H Y，de Beurs K，F(xiàn)u Y S，He Y H.2022a.Identifying crop pheno-logy using maize height constructed from multi-sources images［J］.International Journal of Applied Earth Observa-tion and Geoinformation，115：103121.doi：10.1016/j.jag.2022.103121.

Guo Y，He J，Huang J Y，Jing Y H，Xu S B，Wang L G，Li S M，Zheng G Q.2022b.Effects of the spatial resolution of UAV images on the prediction and transferability of nitro-gen content model for winter wheat［J］.Drones，6（10）：299.doi：10.3390/drones6100299.

Guo Y，Jing Y H，He J，Rong Y S，Wang L G，F(xiàn)eng W，Cheng Y Z，Liu T，Zheng G Q.2022c.Estimation of the height and above-ground biomass of winter wheat based on DOM and DSM of UAV images［J］.International Conference on Optics and Machine Vision，12173：198-205.doi：10.1117/12.2634386.

Imran A B，Khan K，Ali N，Ahmad N，Ali A，Shan K.2020.Narrow band based and broadband derived vegetation indi-ces using Sentinel-2 imagery to estimate vegetation bio-mass［J］.Global Journal of Environmental Science andManagement，6（1）：97-108.doi：10.22034/GJESM.2020.01.08.

Lan W Q，Yang X，Gong T S，Xie J.2023.Predicting the shelf life of Trachinotus ovatus during frozen storage using a back propagation（BP）neural network model［J］.Aqua-culture and Fisheries，8（5）：544-550.doi：10.1016/j.aaf.2021.12.016.

Luo S J，Jiang X Q，He Y B，Li J P，Jiao W H，Zhang S L，Xu F，Han Z C，Sun J，Yang J P，Wang X Y，Ma X T，Lin Z R.2022.Multi-dimensional variables and feature parameter selection for aboveground biomass estimation of potato based on UAV multispectral imagery［J］.Frontiers in Plant Science，13：948249.doi：10.3389/fpls.2022.948249.

Niu Y X，Zhang L Y，Zhang H H，Han W T，Peng X S.2019.Estimating above-ground biomass of maize using features derived from UAV-based RGB imagery［J］.Remote Sen-sing，11（11）：1261.doi：10.3390/rs 11111261.

Piao S L，F(xiàn)ang J Y，Ciais P，Petlin P，Huang Y，Sitch S，Wang T.2009.The carbon balance of terrestrial ecosystems in China［J］.Nature，458：1009-1013.doi：10.1038/nature 07944.

Qiu R C，Zhang M，He Y.2022.Field estimation of maize plant height at jointing stage using an RGB-D camera［J］.The Crop Journal，10（5）：1274-1283.doi：10.1016/j.cj.2022.07.010.

Steduto P，Albrizio R.2005.Resource use efficiency of field-grown sunflower，sorghum，wheat and chickpea：II.Water use efficiency and comparison with radiation use efficiency［J］.Agricultural and Forest Meteorology，130（3-4）：269-281.doi：10.1016/J.agrformet.2005.04.003.

Wang F L，Yang M，Ma L F，Zhang T，Qin W L，Li W，Zhang Y H，Sun Z C，Wang Z M，Li F，Yu K.2022.Estimation of above-ground biomass of winter wheat based on consumer-grade multi-spectral UAV［J］.Remote Sensing，14（5）：1251.doi：10.3390/rs 14051251.

Xie T J，Li J J，Yang C H，Jiang Z，Chen Y H，Guo L，Zhang J.2021.Crop height estimation based on UAV images：Me-thods，errors，and strategies［J］.Computers and Electronics in Agriculture，185：106155.doi：10.1016/j.compag.2021.106155.

Xu W K，Zhao L G，Li J，Shang X P，Ding X P，Wang T W.2022.Detection and classification of tea buds based on deep learning［J］.Computers and Electronics in Agricul-ture，192：106547.doi：10.1016/j.compag.2021.106547.

Zhu W B，Braun B，Chiang L H，Romagnoil J A.2021.Investi-gation of transfer learning for image classification and impact on training sample size［J］.Chemometrics and In-telligent Laboratory Systems，211：104269.doi：10.1016/j.chemolab.2021.104269.

（責任編輯：蘭宗寶）