通过融合点云体素化和基于无人机RGB图像的植被指数来估算油菜的地上生物量 白冰冰， 陈天慈， 莫艳曦， 吴玉山， 孙久月， 邹琼， 傅少洪， 李云， 史浩然， 龚万卓 + 另2位作者

《Remote Sensing》：Estimating Aboveground Biomass of Oilseed Rape by Fusing Point Cloud Voxelization and Vegetation Indices Derived from UAV RGB Imagery Bingyu Bai, Tianci Chen, Yanxi Mo, Yushan Wu, Jiuyue Sun, Qiong Zou, Shaohong Fu, Yun Li, Haoran Shi and Wanzhuo Gong + 2 authors

　　**亮点**
- **主要发现是什么？**
- 将点云体素化与植被指数相结合，能够准确估算油菜的地上生物量（AGB），在整个生长周期内，所有体素处理方法下的估算生物量与实际测量值之间的相关系数均超过0.80。
- 在测试的20个植被指数中，蓝绿比例指数（BGI）与立方回归模型结合使用（在45°相机角度和0.1米体素大小下）被确定为最佳组合，这种组合在估算性能和分析时间之间取得了良好的平衡。

**主要发现的意义是什么？**
- 提出的CVMVI框架提供了一种非破坏性、高效且低成本的田间作物生物量估算方法，有助于实现实时生长监测和精准农业。

**摘要**
- 为了支持低成本、非破坏性的作物生长监测，本研究系统地比较了不同的植被指数、体素大小和相机角度，采用点云体素化方法结合植被指数加权冠层体积指数（CVMVI）来评估冬油菜（Brassica napus L.）的地上生物量（AGB）。2021年至2024年，在成都农林科学院杨马实验基地进行了田间实验。使用无人机（UAV）在油菜的五个关键生长阶段（幼苗期、抽薹期、开花期、结荚期和成熟期）获取了红绿蓝（RGB）图像。收集到的图像被处理成点云，然后以四种分辨率（0.03米、0.05米、0.07米和0.1米）进行体素化。CVMVI是通过整合从RGB数据中提取的植被指数（VIs）和体素化冠层结构信息构建的。建立了CVMVI值与实地测量AGB之间的回归模型来估算生物量。通过决定系数（R2）、均方根误差（RMSE）和相对误差（RE）评估模型性能。在整个生长周期内，所有体素化处理方法下的估算生物量与实际测量值之间都有很强的相关性（r > 0.80）。在测试的20个植被指数中，基于蓝绿比例指数（BGI）、颜色强度指数、蓝红比例指数、植被指数和绿红比例指数的回归方法在连续三年中表现出优越的估算性能，表明它们适用于在不同农艺条件（不同品种、密度和播种日期）下估算油菜的AGB。立方回归模型CVMBGI在45°无人机相机角度下表现最佳，具有最高的R2和最低的RMSE及RE（2021–2022年：R2 = 0.864，RMSE = 2414.18公斤/公顷，RE = 14.8%；2022–2023年：R2 = 0.754，RMSE = 2550.53公斤/公顷，RE = 14.9%；2023–2024年：R2 = 0.863，RMSE = 1953.61公斤/公顷，RE = 22.9%）。由于不同体素大小之间的估算性能差异不大，且0.1米体素产生的数据量最小、分析时间最短，因此选择CVMBGI模型（使用0.1米体素）作为首选方法，实现了估算性能和处理需求之间的实际平衡。这些发现突出了点云体素化技术在作物生物量估算中的应用潜力。本研究提出了一种新的、非破坏性的、高效的框架，利用低成本的无人机RGB图像来估算田间作物AGB，促进了无人机技术在农业生产中的更广泛应用。

**1. 引言**
- 油菜（Brassica napus L.）是中国最大的油料作物。2024年，中国的油菜播种面积为7.99×10^6公顷，产油量达到1.69×10^7吨，分别占中国油料作物总播种面积和产量的55.93%和42.40%[1]。作为食用油和饲料蛋白的重要来源，油菜是中国最重要的油料作物，是促进国内食用油原料供应的关键战略资源[2]。
- 作物地上生物量（AGB）定义为单位面积内的总有机物质，是光合作用的产物，与最终产量密切相关[3]。因此，准确高效地估算作物AGB对于作物生长监测和产量预测非常重要。传统的作物AGB测量方法依赖于破坏性手段，如人工采样，这些方法效率低下、耗时且滞后，限制了实时监测和精准管理的程度[4,5]。
- 最近，配备高分辨率数码相机的无人机（UAV）由于其低成本、高灵活性和高空间分辨率的优势被广泛用于收集作物表型信息[3,6]。这项技术减少了对作物的干扰和损害，为快速、非破坏性的作物生长监测提供了途径。目前基于UAV的AGB估算方法大致可以分为两类。第一类方法是将光谱植被指数（VIs）与简单的结构参数（如从作物表面模型中提取的植物高度）相结合。例如，Tao等人[7]证明，在含有无人机获取的植物高度的回归模型中加入可见光VIs可以显著提高冬小麦生物量的估算精度（决定系数（R2）= 0.8191，均方根误差（RMSE）= 0.1106公斤/平方米，标准化均方根误差（NRMSE）= 21.15%）。同样，Yue等人[8]利用无人机红绿蓝（RGB）和高光谱数据，发现将VIs与作物高度结合在随机森林回归模型中可以提高冬小麦AGB估算的准确性（R2 = 0.96，RMSE = 0.57吨/公顷）。第二类更复杂的方法专注于构建3D冠层体积模型，以捕捉作物的复杂空间结构。Zhang等人[3]使用基于无人机冠层覆盖和植物高度的作物体积模型预测了油菜的干物质重量，证实了这种方法的可行性（验证集：相关系数（r）= 0.752，RMSE = 139.1克/平方米，相对误差（RE）= 15.3%）。此外，Maimaitijiang等人[9]提出了基于植被指数的加权冠层体积模型（CVMVI）用于大豆。该模型利用光谱信息捕捉作物生理状态、物种和基因型的差异，从而补充了仅基于冠层体积的生物量估算。他们的方法取得了优异的预测结果（R2 = 0.893，相对RMSE（RRMSE）= 16.3%）。虽然这些方法取得了进展，但许多方法依赖于密集的高分辨率点云，这在数据量和计算速度方面带来了挑战[10]。大多数消费级计算机硬件无法处理整个田地的此类数据。
- 因此，基于UAV的生物量估算的一个关键问题是如何在减少数据量的同时保持精度。点云体素化提供了一个有希望的解决方案。体素化通过将点聚合为体积单位（体素）来简化3D空间，从而显著降低数据复杂性。林业研究已经探索了这种技术。例如，Lecigne等人[11]发现，虽然较小的体素能够捕捉更细致的建筑细节，但较大的体素在处理遮挡和减少计算时间方面具有优势。同样，Deng等人[12]证明，0.1米的层厚和0.05米的体素大小有效提高了利用地面激光扫描数据对马尾松（Pinus massoniana）叶片面积的估算精度。在干旱生态系统研究中，Rodríguez-Lozano等人[13]报告称，5厘米体素模型提供了最佳的地上生物量估算效果（R2 = 0.858，RMSE = 927.3克）。然而，专门将点云体素化应用于作物生物量估算的研究仍然有限。为解决这一空白，本研究专注于冬油菜。我们在油菜的关键生长阶段获取了无人机RGB图像，进行了四种分辨率（0.03米、0.05米、0.07米和0.1米）的点云体素化，并通过整合VIs构建了CVMVI。然后建立回归模型与实地测量的AGB进行对比，以估算地块级别的生物量。通过比较不同体素大小和VIs组合的性能，本研究旨在确定适合油菜AGB评估的植被指数、体素分辨率和相机角度，从而为使用低成本无人机RGB技术进行实时生长监测和精准管理提供实用的参考。

**2. 材料与方法**
- **2.1. 实验地点描述**
- 实验于2021年10月至2024年5月在成都农林科学院的崇州杨马基地（中国四川省）进行。实验地块平坦，土壤肥力中等到高，前茬作物和土地质量均匀，四周阳光充足，灌溉和排水条件良好，无积水问题，便于访问。前茬作物为水稻。地块面积为15平方米（2米×7.5米）。实验设计见表1。三年实验设计旨在生成不同生长阶段的广泛生物量水平和冠层结构，以验证CVMVI模型在各种田间条件下的通用性和稳健性。
- **2.2. 数据采集**
- **2.2.1. UAV图像采集与预处理**
- 使用的UAV是DJI消费级四旋翼无人机（Phantom 4 Pro V2.0，深圳大江创新科技有限公司，中国深圳），配备RGB高清数码相机。相机镜头视角为84°，8.8毫米/24毫米（35毫米格式等效），光圈f/2.8–f/11，自动对焦（焦距1米至无限远），有效像素数为2000万，云台角度控制精度为±0.02°。
- 飞行在晴朗无云且风小的日子里，时间在10:00至15:00之间。配备高清数码相机的四旋翼无人机以83%的沿轨道重叠率和83%的侧向重叠率飞行，从45°和90°的相机角度获取每个地块的高清RGB图像，涵盖了油菜的五个关键生长阶段：幼苗期、抽薹期、开花期、结荚期和成熟期。
- 使用Agisoft Metashape专业软件（版本2.1.0，Agisoft LLC，俄罗斯圣彼得堡）对采集的无人机图像进行拼接，生成数字正射影像图（DOMs）和数字表面模型（DSMs）。使用软件中的Structure from Motion（SFM）算法生成稀疏点云，该算法自动检测并匹配重叠图像上的特征点。根据图像的位置和方向系统数据以及10个地面控制点（GCPs）生成稀疏点云，进行几何校正以构建密集点云。分别生成45°和90°飞行角度的DOMs和DSMs。使用QGIS软件（版本3.40.5，开源地理空间基金会项目：http://qgis.org）划定实验地块，每个地块面积为1.5米×6米。表2总结了每次采集日期和相机角度下的每个地块的点云数量。
- **2.2.2. 地面数据测量**
- AGB在无人机图像采集当天进行测量。在每个地块中选择五个代表性植株样本，用水清洗干净并去除根部。样本放入105°C的烤箱中30分钟以使酶失活，然后在80°C下干燥至恒定重量。测量干物质重量，五个样本的平均值近似为该地块的生物量。根据地块的种植密度将地块生物量转换为每公顷生物量（公斤/公顷）。
- **2.3. 植被指数选择**
- 反映植被生长条件的植被指数（VIs）被广泛用于监测植被的生理活动。它们是通过结合反映植被生理和生化变化的相关光谱带计算得出的[14]。本研究计算了20个VIs来估算油菜的AGB。相关VI的计算公式见表3。
- **2.4. 基于体素化的油菜生物量估算模型的构建**
- 在对点云数据进行不同程度体素化并将其转换为立方体后，提取了每个体素的高度和RGB数据。具体来说，每个体素的RGB值是 Falling within that voxel ?? 所有原始点的RGB值平均值。生物质估算模型CVMVI是通过将实验地块中每个体素的高度、表面积（分辨率的平方）和VI的乘积相加得到的。模型公式如下：（1）其中n是实验地块中油菜体素的总数；Ai表示体素i的表面积（m2）；Hi表示体素i的高度，定义为从体素中心到地面的垂直距离（即该位置的冠层高度）（m）；VIi表示体素i的VI值（无量纲）。因此，Ai × Hi的乘积表示体素的体积，CVMVI是一个基于颜色的体积指标。需要注意的是，CVMVI是一个经验模型，而不是精确的物理表示。该模型假设在给定的生长阶段和均匀的冠层结构下，体素的地上生物量与其基于颜色的体积大致成正比。这种简化假设遵循了Maimaitijiang等人[9]的方法，并已被广泛应用于基于无人机的作物生物质估算研究中。本研究中观察到的CVMVI与实地测量的AGB之间的强相关性支持了这种经验关系的有效性。

2.5. CVMVI与体素尺寸组合的比较
为了估算油菜的生物量，本研究建立了在不同VI和体素尺寸下CVMVI与测量生物量之间的回归模型。回归方程包括线性和非线性函数（多项式、指数、幂函数和对数函数）。模型估算性能使用R2、RMSE和RE进行评估。较高的R2表示关联更强，而较低的RMSE和RE表示估算生物量与测量生物量之间的偏差较小。实验工作流程如图1所示。评估指标可以表示如下：（2）（3）（4）其中yi是测量的生物量值；是测量生物量值的平均值；是估算的生物量值；n是样本数量。

3. 结果
3.1. 测量油菜地上生物量的描述
油菜地上生物量的结果显示，由于实验设置的不同，不同年份的生物量存在差异（表4）。从幼苗期到成熟期，生物量呈现出单调递增的趋势，油菜的地上生物量随着生长期的进展遵循“S”形生长曲线。

3.2. 基于植被指数的CVMVI模型与测量AGB之间的相关性分析
为了确定最有前途的植被指数用于AGB估算，我们计算了CVMVI与实地测量的AGB之间的皮尔逊相关系数，涵盖了四种体素尺寸（0.03、0.05、0.07、0.1 m）和两个相机角度（45°和90°），使用了三个连续生长季节（2021–2022、2022–2023和2023–2024）的数据（图2）。在所有三年中，CVMBGI模型和CVMINT模型无论体素尺寸或相机角度如何，始终表现出最强和最稳定的相关性。具体来说，基于BGI构建的CVMBGI模型与测量生物量的相关性最强（r > 0.80）。基于INT的CVMINT模型也表现出强相关性，相关系数大于0.75。

3.3. 使用不同相机角度和体素尺寸估算油菜地上生物量的结果比较
比较两个相机角度下的相关性强度（图3）显示，在相同体素处理下，45°角度下估算的生物量与测量的生物量之间的相关系数通常高于垂直（90°）角度。为了统计验证这一观察结果，我们对所有体素处理和生长阶段的相关系数进行了显著性分析。结果显示两个相机角度之间存在显著差异（p < 0.01）（图4a），证实45°倾斜角度在油菜生物量估算方面具有可靠的优势。主要原因是，从45°角度拍摄的RGB图像重建的点云比从90°角度重建的点云更具三维性，捕获了更多的侧向形态信息，并获得了更符合油菜实际生长状态的生物量信息。

3.4. 不同生长阶段油菜地上生物量的估算性能
如图3所示，发芽阶段的估算生物量与测量生物量之间的相关系数大于同年其他阶段的相关系数，且随着生长期的进展，这些系数逐渐减小。原因是油菜在幼苗期生长均匀，没有相互遮挡。随着生长，油菜植株的密度逐渐增加。叶片和豆荚的重叠导致在无人机图像后期处理过程中部分点云丢失，从而降低了相关强度。由于生殖生长阶段的部分倒伏，无人机捕捉到的冠层高度显著低于自然植物高度，因此基于体素高度的生物量估算模型CVMVI也产生了较低的数值。整个生长期的估算生物量与测量值之间存在强相关性，相关系数大于0.80，这适用于所有体素化处理。主要原因是一个阶段的数据量相对较小，使得相关系数容易受到采样误差的影响。整个生长期间数据量的增加减少了这种采样误差。

3.5. 基于CVMVI估算油菜地上生物量的回归方法选择
通过结合点云体素化处理和VI，本研究基于45°相机角度数据构建了5个回归模型：CVMBGI、CVMINT、CVMGRRI、CVMBRRI和CVMVEG，包括线性、幂函数、指数和对数回归。图5、图6和图7列出了油菜地上生物量的最佳回归模型。基于BGI的三次回归模型CVMBGI是本研究中的最佳估算模型（2021–2022：R2 = 0.864，RMSE = 2414.18 kg/ha，RE = 14.8%；2022–2023：R2 = 0.754，RMSE = 2550.53 kg/ha，RE = 14.9%；2023–2024：R2 = 0.863，RMSE = 1953.61 kg/ha，RE = 22.9%）（附录A，表A1、表A2和表A3）。基于VI BGI、INT、BRRI、VEG和GRRI的模型在三年中都表现出良好的生物量估算性能，证明了这五个指数估算油菜地上生物量的有效性。在具有相同体素尺寸和VI的回归模型中，三次回归的表现优于其他回归模型。这可能是因为油菜在营养生长阶段生长迅速，但在后期阶段生长减缓。因此，三次方程更适合描述整个生长阶段的生长过程。

4. 讨论
4.1. 选择无人机相机角度和体素尺寸估算油菜地上生物量
本研究使用两种无人机相机角度（45°和90°）构建了油菜地上生物量的估算模型。45°倾斜角度的表现明显优于90°垂直角度（p < 0.01），可能是因为倾斜视角捕获了更多的冠层侧向形态信息，从而更好地反映了植物高度和层分布，这对生物量估算至关重要。相比之下，垂直视角仅限于冠层顶部信息，在密集冠层中更容易出现饱和现象。这一发现与最近关于多角度无人机遥感的研究一致。例如，Sun等人[30]系统地比较了青藏高原上不同草地的五种相机角度（30°、45°、60°、90°和180°全景图像），发现45°倾斜图像与地上生物量的相关性最强，这与我们的最佳角度相符。同样，Lu等人[31]报告称，对于冬小麦，倾斜角度（特别是?60°和?40°）显著提高了叶片氮浓度的估算精度，突出了捕获侧向信息的重要性。然而，Khun等人[32]发现，对于早期阶段的玉米，30°倾斜角度的生物量估算效果略优于45°角度，可能是因为早期阶段的玉米植株叶片更直立，30°角度足以捕捉大部分垂直结构而不引入过多阴影。在我们的研究中，油菜在幼苗期和抽薹期的冠层相对开放，叶片呈水平方向，这可能解释了为什么45°较陡的倾斜角度表现最好。因此，我们的工作为倾斜摄影在作物生物量估算中的优越性提供了更强的统计证据。未来的研究应探索更广泛的倾斜角度，系统评估它们在不同生长阶段和作物类型中的适用性，并确定最佳的无人机相机角度用于生物量估算。
在点云体素化方面，本研究比较了以下四种体素分辨率：0.03、0.05、0.07和0.10 m。结果显示不同体素尺寸之间的相关强度没有显著差异，这与预期相反，即较小的体素应该产生更强的相关性。这一发现与之前的几项研究结果不同。例如，在葡萄藤冠层的研究中，Ferreira等人[33]报告指出，基于轮廓的方法（凸包、alpha形状）对点密度变化的敏感性高于基于体素的多边形网格，并且最佳体素大小随着飞行高度的增加而增加（30米高度时为0.15米，60米高度时为0.20米，100米高度时为0.25米），这表明体素大小应该根据点云密度和冠层结构进行调整。同样，在灌木研究中，Wu等人[34]提出了一个灌木结构指数，并确定0.04米的体素边缘长度结合100米的采样网格大小可以提供最低的估计误差，但他们指出最佳参数取决于点云密度和冠层复杂性。在我们的油菜研究中，体素大小的不敏感性可能归因于相对均匀的冠层颜色、整个生长季节内一致的植物高度和结构，以及闭合后的密集、均匀的冠层结构。在这种条件下，从不同体素分辨率提取的RGB信息保持相似，从而减弱了体素大小对估计性能的影响。尽管如此，与原始的密集点云数据相比，体素化数据显著减少了数据量，大大提高了处理效率，并保持了相关性。例如，使用0.1米的体素使处理时间比原始点云减少了50%以上。这种计算成本的降低与Lecigne等人的研究结果一致[11]，他们指出更大的体素在处理遮挡和减少计算时间方面具有优势。我们的研究表明，对于油菜来说，可以使用高达0.1米的体素大小而不会牺牲估计性能，这对于需要高效计算的?u?no??计算的大规模、多时相作物监测特别有益。虽然Ferreira等人[33]强调了根据点密度调整体素大小的必要性，但我们的结果显示，对于像油菜这样相对均匀的作物冠层，可以在不同生长阶段应用统一的较大体素大小（0.1米），而不会显著影响性能，大大简化了实际应用。因此，点云体素化被认为是一种可行且实用的作物生物量估计方法。在实际应用中，可以选择较大的体素大小来加快处理速度，同时不降低估计性能，满足大规模、多时相作物监测的需求。

4.2. 分析利用点云体素化和植被指数构建的模型估算油菜生物量的有效性
三年的田间实验数据一致显示，在整个生长期间，使用点云体素化结合植被指数估算的生物量（AGB）与实测生物量之间存在强烈相关性，证实了这种方法在不同年份和农艺处理（品种、密度、播种日期）下的稳定性和适用性。CVMVI方法表现良好，CVMBGI在线性和非线性回归中均获得了最高的R2值和最低的RMSE和RE值。我们的结果与类似研究中的报告相当或更优。例如，Maimaitijiang等人[9]使用类似的CVMVI框架和RGB图像实现了大豆AGB估算的R2值为0.893，但他们没有采用体素化方法，因此需要处理密集的点云，这在计算上非常耗时。相比之下，我们的方法使用0.1米的体素化将数据量减少了50%以上，同时保持了可比的准确性。同样，Zhang等人[3]报告了使用未加权植被指数的作物体积模型得到的油菜生物量验证相关系数为0.752，而我们的CVMBGI方法获得了更高的准确性，这突显了结合光谱信息的重要性。Yue等人[8]结合RGB和高光谱数据与随机森林回归，报告了冬小麦AGB的高准确性（R2 = 0.96，RMSE = 0.57吨/公顷），但他们的方法需要昂贵的高光谱传感器，并且缺乏体素化带来的效率提升。因此，我们的方法在成本、计算需求和估计性能之间提供了一个有利的平衡。这些结果表明，将点云体素化与加权植被指数结合起来是一种有前景的低成本、非破坏性的生物量评估方法，有可能替代人工破坏性采样，减少劳动和时间成本，并支持油菜的实时生长监测和精确田间管理。

4.3. 限制与未来研究方向
然而，这项研究也发现了后期生长阶段的局限性。从结荚阶段到成熟期，叶片重叠和植株倒伏等问题使冠层结构变得复杂，降低了点云反映真实冠层体积的能力，导致估算生物量与实测生物量之间的相关性减弱。因此，本研究使用的估算模型在植株倒伏条件下不适用。未来的研究应通过探索使用多时相点云数据动态校正冠层体积或引入倒伏检测算法来识别和排除倒伏区域等策略，从而在复杂的生长条件下提高模型的稳健性。另一个限制是，本研究仅采用了基于RGB图像的传统统计回归模型（线性、多项式、指数、幂函数和对数）。传统回归模型简单易懂，可以清晰描述CVMVI与AGB之间的关系，这对于理解生理机制特别有价值。此外，它们不需要复杂的参数调整，并且计算效率高。在当前实验条件下，回归模型已经实现了高准确性，证明了所提出方法的可行性。尽管如此，仍需承认机器学习方法（如随机森林和支持向量回归）的优势。这些方法可以自然捕捉复杂的非线性关系和高阶依赖性，无需预先指定模型形式，并且在训练大型、异构数据集时通常具有更好的泛化能力。此外，多光谱或高光谱传感器可以获取对植被生理状态更敏感的近红外和红边波段，如叶绿素含量、氮状态和水分胁迫——这些因素对于生物量积累至关重要，但仅靠RGB波段无法完全捕获。此外，基于RGB的植被指数对光照条件敏感。尽管所有图像都是在晴朗无云的10:00到15:00之间获取的，以尽量减少光照变化，但未进行辐射校正。在这个时间窗口内不同的采集时间仍可能引入太阳高度和反射率的微妙变化，从而影响植被指数的稳定性及相关性。为了实际的可扩展性，建议进行辐射校准，以确保光谱指数的可比性。或者，使用通常内置辐射校正功能且受光照变化影响较小的多光谱或高光谱传感器可以缓解这一限制，同时提供更丰富的光谱信息。因此，将机器学习算法与丰富的多光谱或高光谱特征相结合，对于进一步提高生物量相关性和稳健性具有巨大潜力。未来的研究应考虑在多种生长条件和地点收集更大、更多样化的数据集，并系统地使用多光谱或高光谱无人机平台评估机器学习模型。这种方法将有助于构建能够更好反映油菜在不同生长阶段和环境条件下的生长状态的估算模型，同时解决当前与光谱饱和度和冠层复杂性相关的问题。

关于体素化，尽管当前结果未显示体素大小对经验关系强度有显著影响，但这一结论是否适用于其他作物、其他生长条件或其他传感器数据仍有待验证。需要进一步研究来探索不同作物类型和环境中的更细粒度体素分辨率在生物量估算中的性能，寻求关系强度和分析时间之间的最佳平衡。

5. 结论
为了开发一种低成本、非破坏性的油菜生物量评估方法，本研究利用了无人机RGB图像，提取了20个植被指数，并构建了结合点云体素化的CVMVI模型。通过相关性分析与不同生长阶段的实测生物量进行了对比，并使用R2、RMSE和RE评估了估算性能。结果如下：
(1) 在相同处理条件下，45°的拍摄角度比90°角度提供了更强的相关性，使其成为油菜生物量评估的首选角度。
(2) 在整个生长期间，所有体素化处理下的估算生物量与实测生物量之间的相关系数均超过0.80，证实了该方法的一致性。在幼苗阶段，估算生物量与实测生物量之间的相关性优于同一年其他阶段，主要是由于冠层重叠和倒伏增加所致。
(3) 五个植被指数（BGI、INT、BRRI、VEG和GRRI）在不同农艺条件下表现出良好的适用性，能够将CVMVI与AGB联系起来。在45°拍摄角度下，CVMBGI结合0.1米体素大小并通过立方回归分析，提供了估算性能与分析时间之间最实用的平衡，因此被推荐使用。在相同体素大小和植被指数的情况下，立方回归获得了估算生物量与实测生物量之间最强的一致性。
所提出的方法仅使用消费级的无人机和标准RGB相机，价格实惠且易于操作。它消除了对昂贵多光谱或激光雷达设备的需要，大幅降低了与传统破坏性采样相关的劳动和时间成本。通过提供快速的、非破坏性的田间生物量估算，该方法使农民能够实时监测作物生长情况并做出明智的管理决策，最终提高产量和资源利用效率。