2020年7月2日，农林气象领域TOP期刊Agricultural and Forest Meteorology刊发了我院岑海燕研究员课题组题为“Grain yield prediction of rice using multi-temporal UAV-based RGB and multispectral images and model transfer-a case study of small farmlands in the South of China”的研究论文。该研究首次构建了多源无人机图谱信息耦合模型传递策略改善不同年份间水稻产量预测模型精度的方法，并探讨了气象参数的变化对产量预测模型的影响。

田块尺度的作物长势动态监测与估产对提高种植业精细化生产管理、建设数字农田具有重要意义。无人机低空遥感主动高效、分辨率高、适应性广，已成为农田信息高精度获取的重要手段。本研究利用数字农业与农业物联网创新团队自主研发的无人机低空遥感平台获取水稻全生育期高分辨率冠层图谱和结构信息，从中提取了植被指数、株高以及冠层覆盖度参数用于水稻长势动态监测。通过与地面实测数据对比，验证了无人机遥感参数能够很好地反映水稻的生长变化，特别是normalized difference yellowness index (NDYI)在全生育期呈现出与叶绿素含量高度的负相关性。通过基于不同时期的无人机遥感参数构建产量预测模型表明，抽穗初期估产精度最高，且融合无人机多时空图谱和结构信息能够进一步改善估产精度。

无人机遥感图谱分析流程图

进一步研究了产量预测模型在不同年份间的普适性。结果显示将基于2017年数据构建的模型用于2018年水稻产量预测产生了较大的误差，这主要由于不同年份间气象参数的差异导致了水稻生长周期以及产量的变化。通过分析两年的气象参数（最高温度、降雨量以及光照时长）发现，2017年水稻拔节和孕穗期的最高温度高于2018年，并且出现了持续高温现象（>35oC），导致了水稻在2017年更早地进入生殖生长阶段, 冠层结构进一步发生变化，对冠层反射光谱产生了较大的影响。而研究提出的模型传递策略通过样本参数更新极大地改善了预测模型在不同年份之间的传递效果。该研究为田块尺度的数字农情监测与作物高精度估产提供了新方法。

2017和2018年的产量预测分布图以及田间实测产量分布图

该论文通讯作者为浙江大学生工食品学院岑海燕研究员，论文第一作者为在读博士研究生万亮。项目部分工作得到农业农村部光谱检测重点实验室、浙江大学现代光学仪器国家重点实验室、农业部作物高产创建示范区的支持。本研究受到国家重点研发计划和浙江省重点研发计划项目的资助。

原文链接：https://www.sciencedirect.com/science/article/pii/S0168192320301982?via%3Dihub