基于无人机多传感器数据与黄色指数（YCI）的油菜产量早期预测：YCPM-UAV网络平台开发与应用

《Smart Agricultural Technology》：DEVELOPMENT OF WEB-BASED YCPM-UAV INTERFACE FOR EARLY YIELD PREDICTION OF CANOLA CROP USING UAV MULTI-SENSOR DATA

为突破传统油菜产量估算方法耗时耗力、破坏性强且空间覆盖有限的瓶颈，本研究融合无人机多传感器（RGB、多光谱、热红外）数据，构建了新型黄色指数（YCI），在花期实现高精度产量预测（R2?=?0.88），并开发了用户友好的网络平台YCPM-UAV，为田间尺度精准农业决策提供了及时、可操作的技术支持。

　　

油菜（Brassica napus?L.）是全球重要的油料作物，其产量准确预估对保障食用油供给和市场稳定具有重要意义。然而，传统田间测产方法依赖人工采样，不仅效率低下、破坏作物，且难以在大尺度上反映田块内部的产量差异。更为特殊的是，油菜在花期会盛开大量黄花，其独特的光谱特征使得常规植被指数（如NDVI、EVI）在此阶段的解释力下降，给基于遥感的早期产量预测带来了巨大挑战。因此，开发一种能够克服花期光谱干扰、实现早期、无损、准确的产量预测技术，成为农业遥感领域一个亟待解决的难题。

为此，研究团队在2022年至2024年开展了一项为期两年的田间试验。他们在巴基斯坦伊斯兰堡和拉瓦尔品第地区的10个农户田块中，利用搭载RGB、多光谱和热红外传感器的无人机（UAV），在油菜七个关键生长阶段采集了高分辨率数据。通过对多传感器数据的处理，他们计算了多种植被指数（VI）、黄色指数（YI）和热指数，并与1200个采样点的实测产量数据进行了回归分析，旨在筛选出花期最佳预测指标，并最终构建一个便于农户和研究人员使用的网络化决策支持工具。

为达成上述目标，研究人员主要运用了以下几项关键技术方法：首先，使用多旋翼无人机平台（DJI?Matrice?M600?Pro和Phantom?4）搭载不同类型传感器进行系统性数据采集；其次，利用专业软件（Pix4D?Mapper,?ArcMAP）进行影像拼接、几何校正与正射镶嵌图生成；再者，基于RGB光谱特征，本研究创新性地提出了一个新型黄色指数（Yellow?Color?Index,?YCI），并利用Python编写脚本进行黄花像素的自动提取与分类；最后，采用多种回归分析（线性、多元、逐步回归）来建立光谱指数与产量的预测模型，并基于最优模型开发了名为YCPM-UAV的交互式网络界面。

研究结果

3.1. 作物生理参数描述性统计

对两年数据的分析显示，油菜产量在田间存在较大变异性（变异系数CV约39%），叶片面积变异性最高，这为利用遥感数据捕捉空间差异提供了依据。

3.2. 不同指数与产量的相关性

线性回归分析表明，在营养生长阶段，所有植被指数（NDVI,?EVI,?WDRVI）与产量均呈现强相关（R²?>?0.84）。然而，在关键的花期，新开发的黄色指数（YCI）表现最为突出，与产量的决定系数（R²）在第一年和第二年分别达到0.87和0.88，显著优于已有的归一化黄花指数（NDYI）和改良黄花指数（MYI）。

3.3. 回归模型开发

多元与逐步回归分析进一步验证了YCI的重要性。在花期，逐步回归模型最终保留了所有植被指数和YCI，模型的整体解释力高（R²?=?0.91），表明YCI是花期产量预测的一个关键且独立的贡献因子。

3.4. 模型评估

使用独立验证数据集（300个样本）对模型进行测试，预测产量与实际产量吻合良好（R²分别为0.85和0.89）。模型表现出轻微的系统性高估，但误差在可接受范围内，证明了模型的适用性。

3.5. 黄色指数与花数关系

YCI不仅与产量相关性强，与单位面积花数的相关性也最高（R²最高达0.87），显著优于其他黄花指数，这从生物学角度解释了YCI预测能力强的内在原因。

3.6. 黄色特征提取

基于Python的黄花提取脚本显示，YCI识别黄花像素的准确率超过91%，能够有效区分花期油菜田中的花朵与背景植被。

3.7. 网络平台

基于YCI模型，研究团队成功开发并部署了名为YCPM-UAV的网络平台。该平台允许用户上传无人机RGB影像，后台自动执行影像预处理、黄花检测、面积计算及产量预测等一系列流程，并以可视化方式呈现结果，测试准确率达88%。

结论与讨论

本研究的核心结论是，利用无人机多传感器数据，特别是在花期应用新型黄色指数（YCI），可以实现对油菜产量的早期、高精度预测。YCI通过结合红色与绿色波段反射率并以蓝色波段进行归一化，巧妙地放大了黄花的光谱信号，从而克服了传统植被指数在花期的局限性，成为花期产量预测的最优指标。

该研究最重要的贡献在于将复杂的遥感算法转化为一个易于访问的网络应用平台——YCPM-UAV。这有效地解决了农业技术从研究到应用“最后一公里”的难题，使得不具备专业知识的农民、农技推广人员和政策制定者也能受益于精准农业技术。平台具备自动化处理、空间分析和用户友好界面等特点，为田间尺度的作物管理提供了及时、可操作的决策支持。

研究也指出了当前模型的局限与未来方向。例如，模型仅在特定区域和品种上得到验证，未来需要纳入更多样的油菜品种、不同的农业气候区以及干旱等逆境条件的数据，以提升模型的普适性和稳健性。此外，结合深度学习算法和更多的田间管理数据（如土壤信息）有望进一步提高预测精度。

这项发表在《Smart Agricultural Technology》上的工作，不仅为油菜生产的精准管理提供了有力的技术工具，其“算法开发-模型验证-平台落地”的研究范式，也为其他作物基于无人机的表型研究和智慧农业应用提供了可借鉴的范例。通过实现收获前数周的产量预估，该技术有助于优化农业投入、规划物流并支持粮食安全政策制定，对推动农业可持续发展具有重要的现实意义。