小麦是我国主要的粮食作物，其地上生物量是表现植被生命活动的重要指数，对小麦生长监测、产量预测具有重要意义。传统的生物量估算方法具体包括样方调查和收割统计等，这些方法虽然估测精度较高，但费时费力、破坏性大，且难以实现生物量的大范围监测。

近期，扬州大学智慧农业研究院团队孙成明教授课题组完成的题为“Research on the estimation of wheat AGB at the entire growth stage based on improved convolutional features” 的研究在Journal of Integrative Agriculture (JIA) 2025年4期正式发表。

该研究提出了一种利用低成本无人机获得的高分辨率图像准确估测小麦生物量的有效方法。该方法结合了遥感指数、结构特征以及通过深度学习算法ResNet50提取的卷积特征，构建了适用于小麦全生育期的生物量估算模型 (AUR-50)。与传统特征模型相比，该方法能更好地描述小麦群体结构变化，也为其他小麦品种或表型参数的估算研究提供了参考。

该研究通过单因子特征与AUR-50对比，利用RGB图像和多光谱图像估算了小麦五个关键生育期的生物量。单因子建模结果显示，遥感指数在生育前期的建模精度较高，越冬期R²为0.92，RMSE为0.29 t ha^-1；但生育后期的精度较低，孕穗期R²降至0.81，RMSE增至1.75 t ha^-1，开花期R²为0.75，RMSE为2.81 t ha^-1；结构特征的建模精度较遥感指数稍低，但其稳定性较高，五个生育期间的变异系数分别为7.8%（RGB）和3.5%（多光谱）。引入卷积特征后的AUR-50显著提高了建模精度，两种图像的平均R²提升了13.2%，且估算精度普遍提升了20%以上。同时，模型的稳定性也有所增强，AUR-50MS在不同生育期的估测精度稳定性相比引入卷积特征前提高了59.7%，相比AUR-50RGB提高了21.5%。

扬州大学智慧农业研究团队孙成明教授为该文章的通讯作者，刘涛副教授和王建亮博士为该文章共同第一作者。该研究得到了国家自然科学基金（32172110）等课题的资助。

论文链接：https://www.sciencedirect.com/science/article/pii/S2095311924002582

Cite the article:Tao Liu, Jianliang Wang, Jiayi Wang, Yuanyuan Zhao, Hui Wang, Weijun Zhang, Zhaosheng Yao, Shengping Liu, Xiaochun Zhong, Chengming Sun. 2025. Research on the estimation of wheat AGB at the entire growth stage based on improved convolutional features. Journal of Integrative Agriculture, 24(4): 1403-1423.

Journal of Integrative Agriculture (《农业科学学报》(英文), JIA) 由中华人民共和国农业农村部主管，中国农业科学院与中国农学会主办，中国农业科学院农业信息研究所承办。综合性英文学术期刊，月刊。创刊于2002年，现任主编为中国科学院院士陈化兰。JIA主要栏目有作物科学、园艺、植物保护、动物科学、动物医学、农业生态环境、食品科学、农业经济与管理等。刊稿类型有综述、研究论文、简报以及评述等。全部论文在Elsevier-ScienceDirect (SD) 平台OA出版。最新SCI影响因子4.6，位于SCI-JCR农业综合学科Q1区。中国科学院分区农林科学1区。2016年以来先后获得中国科协等部委 “提升计划”“登峰计划”“卓越计划”项目支持。

转载本文请联系原作者获取授权，同时请注明本文来自王宁科学网博客。

链接地址：https://wap.sciencenet.cn/blog-3618084-1485384.html?mobile=1

收藏

分享