摘 要：【目的】快速、准确地预测胡麻产量和生长参数，构建最佳预测模型，为胡麻育种和生产智能化管理提供一定的理论依据。【方法】本研究选取20份胡麻品种进行不同氮肥的梯度的大田实验，设置4个氮素水平（N1：0kgN·hm-2、N2：60kgN·hm-2、N3：120kgN·hm-2、N4：180kgN·hm-2），利用DJI Mavic3无人机搭载可见光传感器获取胡麻不同生育时期（现蕾期、开花期、灌浆期）冠层RGB高清影像，并提取各波段反射率；构建基于多元线性回归（MLR）、随机森林（RF）机器学习算法的产量、株高、叶绿素含量预测模型、精度验证，并筛选出最佳预测模型。【结果】产量和生长参数预测模型构建中，灌浆期为预测最佳生育时期，且RF算法在预测模型的精度方面要优于MLR算法。基于RF算法的产量预测模型中，以双植被指数SI&RGR为输入变量具有更高的准确性，训练集R2达0.86，验证集R2为0.82。基于RF算法的株高预测模型中，以双植被指数NGRDI&VARIg为输入变量具有更高的准确性，训练集R2达0.83，验证集R2为0.73。基于RF算法的叶绿素a+b含量预测模型中，以双植被指数NGRDI&EXR为输入变量具有更高的准确性，训练集R2为0.85，验证集R2为0.78。【结论】利用无人机为平台搭载可见光传感器对胡麻产量及生长参数预测具有可行性，为精准农业农田生产管理提供科学依据。
关键词：无人机；可见光；植被指数；机器学习算法；胡麻；产量预测；生长参数预测
胡麻（Linum usitatissimum L.），又名油用亚麻，以其丰富的营养价值与保健功能著称[1-2]，是我国西北地区优质的油料经济作物[3]。胡麻对干旱与低温胁迫具有较强的耐受性，同时具有耐瘠薄的能力[4-5]，在世界各地广泛种植[6]。我国主产区集中在甘肃、新疆、内蒙古、宁夏、河北、山西等省份[7-8]。其中甘肃省种植面积约为1.0×105hm2[9]。随着人民生活水平日益提高，胡麻需求逐渐扩大，进口量逐年增加[10-11]。然而胡麻种植面积逐年减少、产量不足等问题是限制胡麻产业发展的主要因素[12]。因此，在我国耕地资源不足以及产需缺口不断扩大的背景下，构建胡麻长势动态监测和产量预测模型对于胡麻田间管理的精准化以及提高生产效率具有重要意义。
叶绿素含量、株高是衡量作物生长状态和发育状况的关键指标。传统测量方法对植株具有破坏性，制约着农田精准管理效率。基于无人机遥感技术在获取作物冠层结构参数方面显示出其独特的优势。梁永检[13]等利用无人机搭载RGB遥感系统对甘蔗株高进行了估算研究，构建了甘蔗苗期至全生育期的高精度株高监测模型；孟沌超[14]等提出一种基于无人机可见光的玉米冠层SPAD（Soil and plant analyzer development）值估算的新方法，实现玉米冠层SPAD值最优估算；赵胜利[15]等使用多光谱版无人机对棉花株高、叶绿素相对含量和单株产量分别进行了估算，发现棉花在盛花期和成熟期具有最高的预测精度。快速准确地估测作物产量是提升农业生产效率的关键。传统测产方法不仅消耗了大量的人力物力，且效率不高。相较而言，无人机遥感技术作为一种新兴技术有效弥补了传统方式的不足。近年来，无人机遥感技术得到农业工作者的青睐，无人机凭借灵活轻便、易操作、时效性强[16-17]等优势可以快速无损地获取田间作物长势信息，使得以无人机为平台的作物遥感估产研究变得可行。杨楠[18]等通过获取小麦4个关键生育时期的RGB高清影像，构建出基于四种机器学习算法小麦LAI与产量估测模型；严海军[19]等利用无人机遥感实现了对苜蓿产量的精准估测。
遥感信息存在数据量大，数据繁杂等问题，而机器学习方法与遥感技术的结合，有效应对了这一难题，通过机器学习方法与遥感技术的融合应用，使得作物估产得以在大范围内实现高精度预测。近年来，机器学习算法被广泛应用于农业遥感领域，机器学习算法通过分析光谱信息与作物表型的联动性，在作物叶绿素含量、株高、叶面积指数等生理参数反演及产量预测中展现出显著优势，为精准农业监测提供决策依据。常见的机器学习算法有支持向量机法（Support vector machine,SVM）、多元线性回归（Multiple linear regression,MLR）、随机森林（Random forest,RF）等。多元线性回归（MLR）算法形式简单、计算高效且易于解释，适用于预测连续型目标变量[20]。随机森林（RF）算法对参数依赖性低、抗过拟合能力强、训练效率高且预测结果准确稳健[21]。多元线性回归（MLR）与随机森林（RF）算法在玉米、大豆等作物表型参数监测领域应用广泛[22,23]。然而，胡麻作为重要一种油料作物，其传统测量手段仍面临效率低、准确性不足。因此，将无人机遥感技术应用到胡麻估产领域具有重要意义。
综上所述，本研究旨在分析无人机可见光遥感在胡麻产量预测中的可行性和效果，为胡麻产量和生长参数预测提供宝贵经验。
1 材料与方法
1.1 试验地基本概况
试验于甘肃省张掖市甘州区甘肃省农业科学院张掖节水试验站进行，该试验站位于100°26'E，38°56'N，海拔1570m，属于冷温带干旱气候区，日照充足，干旱少雨，蒸发量大，温差显著，年降水量112.3～354.0mm，年蒸发量1648～2154mm，年平均气温4.1～8.3℃,年日照时数2789～3103h，无霜期140～174d。试验地土壤ph值为8.45；有机质含量13.51g?kg-1；有效磷含量17.77mg?kg-1、全氮含量0.87g?kg-1、速效钾含量79.32mg?kg-1、碱解氮含量60.44mg?kg-1。试验区位图与试验地概况如图1所示。
图1 试验区位图与试验地概况
1.2 试验设计
试验选用20份胡麻品种（表1）。试验设4个氮素处理（N1：0kgN·hm-2、N2：60kgN·hm-2、N3：120kgN·hm-2、N4：180kgN·hm-2），每个处理3次重复，采用人工条播方式，播深3cm，行距20cm，小区面积4m2，小区间隔设置为0.6m，四周保护行宽度为1m。试验于2023年3月29日播种，8月3日收获，其他管理方式与当地大田管理措施相同。
表1 胡麻品种及编号
表2 相机参数
1.3 数据的采集与处理
1.3.1 无人机遥感影像采集
试验飞行平台选用大疆御3（DJI mavic3）无人机，搭载4/3CMOS可见光相机（表2）。本试验分别在胡麻现蕾期、开花期、灌浆期进行飞行作业，采集数据时要求天气晴朗、无云、视野开阔、光照条件良好（北京时间12:00至14:00）。无人机起飞前使用App规划自动飞行航线，设置飞行高度15m，飞行速度2.5m/s，飞行时航向重叠度为80%，旁向重叠度为80%，拍照模式设置等时间间隔2s。可见光图像地面分辨率（Ground Sampling Distance,GSD）为0.4cm/像素，可见光数据保存格式为JPEG，采用自主航拍模式，拍照前使用灰板对传感器进行辐射校准。为提高地理定位精度，在胡麻播种前将6个地面控制点（Ground control point,GCPs）随机均匀分布于试验田间。可见光传感器获取包括Red（红）、Green（绿）、Blue（蓝）3个波段的可见光高清影像数据，波段信息如表3所示。
表3 RGB相机波段信息
1.3.2 地面数据获取
地面数据采集覆盖胡麻现蕾期、开花期、灌浆期三个生育时期，采集株高、叶绿素含量以及籽粒产量。株高定义为胡麻基部至冠层顶部的垂直距离；叶绿素含量通过乙醇浸提法提取叶片色素，采用U-5100型紫外分光光度计测量；成熟期对每个小区进行收获，脱粒后自然晾晒至恒定质量再称量（含水量≤12%），得到该小区胡麻产量后换算成单位面积产量（kg·hm-2）。
1.3.3 影像数据预处理
无人机可见光图像的拼接使用Agisoft photoscan软件对RGB影像进行预处理流程包括数据准备、影像对齐、点云生成、DSM和正射影像生成、质量检查及数据导出。具体流程如图2所示。
利用Arcgis10.2软件分析每小区冠层光谱反射率和冠层温度提取本试验所需植被指数。利用Spss24.0软件进行数据处理和统计分析，利用Origin2022对处理数据进行作图。
图2 数据预处理流程
1.4. 可见光植被指数的选取
可见光植被指数是基于红（R）、绿（G）、蓝（B）的光谱响应特性，通过特定波段的反射率进行运算而成的量化指标，是对地表植被简单有效的度量。本研究选用的可见光指数如表4所示。
表4 RGB植被指数计算公式
注:R、G、B分别表示红波段反射率、绿波段反射率、蓝波段反射率。
1.5 建模方法及评价指标
本研究采用两种机器学习算法：MLR与RF算法。每个生育时期获取240份样本数据，在模型构建过程中，训练集与验证集数据的比例分别为2/3、1/3。使用实测值和预测值的拟合R2（Coefficient of determination,决定系数）、RMSE（Root mean squared error,均方根误差）、nRMSE（Normalized root mean square error,归一化均方根误差）作为模型精度评价标准，如表5所示。其中R2值域为0到1，值越接近于1，说明模型拟合性越好；反之，值越接近于0，模型拟合性越差。RMSE和nRMSE的值越小，表明模型拟合效果越好，模型预测结果越准确。
表5 模型评价指标
注：xi为实测的胡麻籽粒产量，
为实测的胡麻籽粒产量平均值；yi为预测的胡麻籽粒产量；n为样本数。
2 结果与分析
2.1 叶绿素含量、株高、产量数据描述性分析
胡麻现蕾期、开花期、灌浆期的株高与叶绿素含量分布情况(表6、表7）显示，不同生育时期株高和叶绿素含量数据存在差异。胡麻株高随着生育时期的推进呈递增趋势；胡麻叶绿素含量在现蕾期均值最高。胡麻实测产量主要集中在1000至2000kg·hm-2范围内，且数据符合正态分布（图3）。
表6 胡麻株高描述性分析
表7 胡麻叶绿素含量描述性分析
图3 胡麻产量分布直方图
2.2 可见光植被指数与产量、株高、叶绿素含量相关性分析
通过分析不同生育时期的胡麻产量、株高、叶绿素含量实测值数据与RGB植被指数之间的相关性（图4)。结果显示：
在现蕾期，产量与植被指数CI、IO、NDYI等蓝光-黄光波段指数的相关系数绝对值在0.70以上，与CIVE、GLI、EXG、RGBVI等植被指数相关系数绝对值在0.50以上；株高与红光比类指数EXR、NRGDI、RGR、RI的相关系数绝对值在0.60以上，与植被指数EXR_EXG、EXG、GLI、SI、VARIg的相关系数绝对值在0.50以上；叶绿素含量与植被指数EXR_EXG、EXR、NRGDI、RGR、RI、SI、VARIg的相关系数绝对值在0.60以上。在开花期，产量与红光比类指数EXR、NRGDI、RGR、RI及饱和度指数SI、VARIg的相关系数绝对值在0.70以上；株高与绿光指数EXG、EXR_EXG及NRGDI、RI、GLI等植被指数的相关系数绝对值在0.60以上，叶绿素含量与植被指数EXR、NRGDI、RGR、RI、SI、VARIg的相关系数绝对值在0.60以上。在灌浆期，产量与植被指数EXG、EXR_EXG、EXR、GLI、NRGDI、RGBVI、RGR、RI、SI、VARIg的相关系数绝对值在0.70以上；株高与植被指数EXR、NRGDI、RGR、RI、SVARIg的相关系数绝对值在0.50以上；叶绿素含量与植被指数EXG、EXR_EXG、EXR、GLI、NRGDI、RGBVI、RGR、RI、SI、VARIg的相关系数绝对值在0.60以上。
综合分析表明，本研究选取的不同生育时期可见光植被指数与产量、各生长参数之间相关性均较为显著，对于构建胡麻产量及生长参数的预测模型具有一定可行性。
注：Y、H、C分别代表产量、株高、叶绿素含量。
图4 胡麻不同生育时期植被指数与产量、株高、叶绿素含量的相关性
2.3 不同生育时期预测模型对比分析
利用胡麻在不同生育时期筛选的RGB指数作为输入特征变量，构建基于MLR和RF的胡麻产量、株高、叶绿素含量预测模型，如表8所示。
比较胡麻三个生育时期预测模型发现，灌浆期基于多元线性回归（MLR）与随机森林（RF）两种算法的预测模型表现最优。其中基于多元线性回归（MLR）构建的预测模型中，产量、株高、叶绿素含量精度最优输入特征变量分别为双植被指数EXR&RGBVI（R²=0.79、RMSE=85.32、nRMSE=10.93%）、EXR&VARIg（R²=0.76、RMSE=7.92、nRMSE=8.84%）、NGRDI&RGR（R²=0.76、RMSE=0.13、nRMSE=7.01%）。基于随机森林（RF）构建的预测模型中，产量、株高、叶绿素含量精度最优输入特征变量分别为双植被指数SI&RGR（R²=0.86、RMSE=81.29、nRMSE=8.99%）、NGRDI&VARIg（R²=0.83、RMSE=6.99、nRMSE=7.82%）、NGRDI&EXR（R²=0.85、RMSE=0.10、nRMSE=5.76%）。作物生理特征在后期（灌浆期）趋于稳定，光谱响应更显著。
比较两种算法发现，基于随机森林（RF）构建的产量、株高、叶绿素含量预测模型精度整体优于多元线性回归（MLR），其中灌浆期基于随机森林（RF）构建的产量预测模型R2较多元线性回归（MLR）提升8.9%；基于随机森林（RF）构建的株高预测模型R2较多元线性回归（MLR）提升9.2%；基于随机森林（RF）构建的叶绿素预测模型R2较多元线性回归（MLR）提升11.8%。灌浆期非线性模型对复杂光谱的捕捉能力要更强。
综上比较胡麻三个生育时期内产量与生长参数的预测模型精度，发现基于RF构建的预测模型精度高于MLR模型，且模型在灌浆期预测精度最佳。
表8 基于不同建模方法的胡麻各项指标预测模型
注：Y、H、C分别代表产量、株高、叶绿素含量。
2.4 基于RF的胡麻产量、株高、叶绿素含量预测模型精度验证
利用可见光数据构建基于随机森林（RF）的胡麻产量及其生长参数验证模型精度如图5所示。发现基于随机森林（RF）构建的胡麻现蕾期、开花期、灌浆期产量验证模型R2分别为0.63、0.70、0.82，模型精度随生育进程显著提升；基于随机森林（RF）构建的胡麻现蕾期、开花期、灌浆期株高含量验证模型R2分别为0.59、0.65、0.73，冠层结构光谱响应在生长后期更稳定；基于随机森林（RF）构建的胡麻现蕾期、开花期、灌浆期叶绿素含量验证模型R2分别为0.58、0.66、0.78，灌浆期红边和绿光波段更容易捕捉到叶片的生理状态。综上表明预测模型结果准确性好，均可用于胡麻产量、株高、叶绿素含量的预测。
注：a代表现蕾期基于植被指数组合CI&NDYI的产量预测模型验证；b代表现蕾期基于植被指数组合EXR&RGR的株高预测模型验证；c代表现蕾期基于植被指数组合EXR&VARIg的叶绿素含量预测模型验证；d代表开花期基于植被指数组合CI&SI的产量预测模型验证；e代表开花期基于植被指数组合SI&GLI的株高预测模型验证；f代表开花期基于植被指数组合EXR&SI的叶绿素含量预测模型验证；g代表灌浆期基于植被指数组合SI&RGR的产量预测模型验证；h代表灌浆期基于植被指数组合NGRDI&VARIg的株高预测模型验证；i代表灌浆期基于植被指数组合NGRDI&EXR的叶绿素含量预测模型验证。
图5 基于RF的胡麻产量与生长参数预测模型精度验证
3 讨论
本研究利用无人机搭载可见光传感器，系统获取胡麻现蕾期、开花期、灌浆期冠层光谱信息，通过提取并筛选出与胡麻生长参数及产量相关性高的植被指数，构建基于MLR与RF算法两种机器学习算法的生长参数与产量预测模型，获得了良好的预测效果。研究结果发现，基于双植被指数SI&RGR的随机森林（RF）产量预测模型性能最优（R²=0.86，RMSE=81.29、nRMSE=8.99%），灌浆期是胡麻籽粒干物质积累的关键时期，此时营养生长停止，光合产物集中向籽粒转运，因此在双植被指数SI&RGR的协同效应下可以准确地预测产量。基于双植被指数NGRDI&RI的随机森林（RF）株高预测模型精度最高NGRDI&VARIg（R²=0.83、RMSE=6.99、nRMSE=7.82%），在灌浆期，胡麻株高完全定型，冠层垂直结构已趋于稳定，此时光谱信号反映的株高信息不再受生长动态干扰，
因此植被指数NGRDI&VARIg可以在“水平+垂直”两个方向协同锁定株高特征。以双植被指数NGRDI&EXR的随机森林（RF）叶绿素含量预测模型精度表现最佳NGRDI&EXR（R²=0.85、RMSE=0.10、nRMSE=5.76%），灌浆期胡麻叶绿素含量合成与降解达到动态平衡，叶片结构均质化，光谱信号信噪比最大化，同时植被指数NGRDI着反映叶片的绿色程度，EXR涉及红边区域，对叶绿素含量更敏感。因此NGRDI&EXR通过“绿光-红边”协同效应可以有效反演叶绿素含量特征。
基于随机森林（RF）的胡麻产量、生长参数预测模型预测效果更佳，其预测精度和稳定性均优于多元线性回归（MLR）。随机森林（RF）是一种集成分类器，它通过多棵树对实验数据样本进行训练并预测[25]，以决策树为基本单元，通过集成大量的决策树形成RF。RF具有多项优点，包括对参数不敏感、不易过拟合、训练速度快以及较高的准确性和稳健性[26-27]。牛庆林[28]等通过无人机搭载可见光和多光谱遥感设备，利用逐步回归与随机森林算法，成功构建了冬小麦SPAD值预测模型（R2=0.89）；张楠楠[29]等对比验证RF算法在棉花蕾期可见光影像分类中精度最优，总体精度与Kappa系数分别为99.25%、0.986以上。裴杰[30]等结合多源遥感数据，利用RF和地理加权RF模型对美国县级玉米产量进行建模，证明乳熟期前后能得到比较准确的预测效果。
胡麻在灌浆期营养生长已趋于稳定，同时干物质积累的关键时期，且冠层覆盖度高，受裸土、杂草等影响因素较少，对无人机拍照的影响较小；并且灌浆期冠层叶面积指数（LAI）达到最大，植被覆盖度高，土壤背景干扰最小化，可见光波段的反射差异能更准确反映群体水平生理状态。这些特性决定了灌浆期在产量和生长参数预测方面的精准性。丁凡[31]等基于逐步回归与随机森林两种算法的冬小麦产量预测模型中，灌浆期的预测效果最佳，
其最优模型精度达0.73。利用无人机遥感影像获取的RGB植被指数耦合双植被指数作为输入变量构建的胡麻产量、各生长参数预测模型能够有效提高模型的预测精度。常丹[32]研究认为，基于多植被指数组合的估产模型效果优于单植被指数构建的芸豆产量估算模型。
本研究基于可见光植被指数与随机森林（RF）算法的灌浆期预测模型，实现了田间实时无损监测，通过定期航拍动态追踪冠层株高（NGRDI&VARIg）、叶绿素含量（NGRDI&EXR）及产量（SI&RGR），可以替代传统的破坏性采样模式，降低人工成本，构建无损表型采集系统，为大规模育种材料的关键性状，如产量潜力、抗倒伏、光合效率等的筛选提供新的技术工具。
4结论
（1）研究发现，可见光植被指数与产量、株高、叶绿素含量均具有较强的相关性，在灌浆期构建的基于随机森林（RF）的产量、株高、叶绿素含量预测模型精度均大于0.80；
（2）相较于其他生育时期，灌浆期是产量、株高和叶绿素含量预测的最佳时期。其中，基于双植被指数SI&RGR的随机森林（RF）产量预测模型性能最高，建模集R2值为0.86，验证集R2为0.82；基于双植被指数NGRDI&VARIg的随机森林（RF）株高预测模型精度最高，建模集R2值为0.83，验证集R2为0.73；基于双植被指数NGRDI&EXR的随机森林（RF）叶绿素含量预测模型精度最高，建模集R2值为0.85，验证集R2为0.78。最终确定灌浆期为构建胡麻产量与生长参数预测模型的最佳生育时期，且RF预测模型相较于MLR预测模型，在本研究中展现出更优的预测精度。
参考文献
[1]Kaur P,Waghmare R,Kumar V,et al.Recent advances in utilization of flax seed as potential source for value addition[J].Oil seeds Fats Crop Lipids,2018,25,A304.
[2]Xie Y P,Niu JY,Gan Y T,et al.Optimizing phosphorus fertilization promotes dry matter accumulation and Premobilization in oilseed flax[J].Crop Science,2014,54:1729–1736.
[3]Zuk M,Richter D,Matua J,et al.Linseed,the multipurpose plant[J].Industrial Crops and products,2015,75:165–177.
[4]曹彦，刘金善，张存霞，等.施肥深度对胡麻生长性状及产量的影响[J].中国麻业科学，2023,45(05):215-223+260.
[5]Dai F,Zhao W Y,Shi R J,et al.Analysis on the research progress of key technology and equipment for mechanized harvesting of jute[J].Chinese Journal of Oil Crops,2022,44(06).1148-1158.
[6]Xie Y P,Li Y,Qi Y N,et al.Effects of Phosphorus Supply on Seed Yield and Quality in Flax[J].Agronomy,2022,12,3225.
[7]赵利，侯静静，王斌，等.胡麻籽粒发育过程中重要性状的动态变化[J].中国农业科技导报，2024,26(09):25-33.
[8]Krzysztof H,Qiu C H,Guan F Z,et al.A comparative study between Europe and China in crop management of two types of flax.linseed and fibre flax[J].Industrial Crops & Products,2015,68:24-31.
[9]张建平.加快布局科技创新链助推甘肃省油料产业高质量发展[J].寒旱农业科学，2023,2(06):491-494.
[10]谢亚萍，王利民，齐燕妮，等.磷对胡麻籽粒蛋白质和钾、钙、钠、镁含量的影响[J].中国油料作物学报，2023,45(05):1034-1041.
[11]孟桂元，涂洲溢，詹兴国，等.我国植物油料油脂生产、消费需求分析及发展对策[J].中国油脂,2020,45(10):1-4+27.
[12]乔海明，张雯丽，张丽丽.我国胡麻市场与产业调查分析报告[J].农产品市场，2021,(14):49-51.
[13]梁永检，吴文志，施泽升，等.基于无人机RGB遥感的甘蔗株高估测[J].作物杂志，2023,(01):226-232.
[14]孟沌超，赵静，兰玉彬，等.基于无人机可见光影像的玉米冠层SPAD反演模型研究[J].农业机械学报，2020,51(S2):366-374.
[15]赵胜利，王国宾，胡连槟，等.基于无人机多光谱遥感的棉花生长参数和产量估算[J].中国农机化学报，2024,45(02):227-234.
[16]郭发旭.基于无人机高光谱遥感的马铃薯冠层水氮参数估测研究[D].甘肃农业大学,2024.
[17]李瑞鑫，张宝林，潘丽杰，等.不同无人机飞行高度下玉米叶片叶绿素相对含量的无人机遥感反演及其指示叶位的识别[J].江苏农业学报，2024,40(07):1234-1244.
[18]杨楠，周萌，陈欢，等.基于无人机RGB影像的小麦叶面积指数与产量估算研究[J].麦类作物学报，2023,43(07):920-932.
[19]严海军，卓越，李茂娜，等.基于机器学习和无人机多光谱遥感的苜蓿产量预测[J].农业工程学报，2022,38(11):64-71.
[20]魏青，张宝忠，魏征，等.基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究[J].麦类作物学报，2020,40(3):366.
[21]王俊，吴振伟，姜海，等.基于随机森林及遥感植被指数的无人农场水稻产量预测研究[J/OL].智能化农业装备学报(中英文)，1-8.
[22]陆国政，杨贵军，赵晓庆，等.基于多载荷无人机遥感的大豆地上鲜生物量反演[J].大豆科学，2017,36(01):41-50.
[23]王丹，赵朋，孙家波，等.基于无人机多光谱的夏玉米叶绿素含量反演研究[J].山东农业科学，2021,53(06):121-126+132.
[24]张斌斌，魏峭嵘，尹燕斌，等.基于无人机遥感影像的马铃薯产量估算[J].中国马铃薯，2023,37(06):498-513+535.
[25]Breiman L.Random Forests[J].Machine Learning,2001,45(1):5-32.
[26]姚园，毋亭，李一凡，等.基于水稻物候参数及面向对象算法的稻田识别[J].农业工程学报，2024,40(11):150-158.
[27]Wang S,Fu Z Y,Chen H S et al.Simulation calculation of evapotranspiration of reference crops based on random forest algorithm[J].Journal of Agricultural Machinery,2017,48(03):302-309.
[28]牛庆林，冯海宽，周新国，等.冬小麦SPAD值无人机可见光和多光谱植被指数结合估算[J].农业机械学报，2021,52(08):183-194.
[29]张楠楠，张晓，白铁成，等.基于无人机可见光影像的新疆棉田田间尺度地物识别[J].农业机械学报，2023,54(S2):199-205.
[30]裴杰，谭绍锋，郭韩，等.结合GWRFR和作物物候信息的玉米产量早期预测[J/OL].农业工程学报，2024，40(1):153-161
[31]丁凡，陈震，李长春，等.不同施氮处理下无人机光谱感知冬小麦产量[J].灌溉排水学报，2023，42(01):24-30.
[32]常丹.基于无人机遥感影像的芸豆产量估算研究[D].东北农业大学，2022.
文章摘自：周阳晨，谢亚萍，李玲玲，张建平，王兴荣，王利民，张彦军，赵玮，李闻娟，党照，王兴珍．基于无人机可见光遥感的胡麻产量与生长参数预测[J/OL] ．甘肃农业大学学报.https://link.cnki.net/urlid/62.1055.S.20260107.1417.010
