摘 要：【目的】基于植被指数（Vegetation Indexes，VIs）与机器学习算法估算棉花地上部生物量（Aboveground Biomass，AGB），并评价其适用性和准确性，为丰富棉花生物量的遥感监测技术、提升生产的精准化管理水平提供科学依据。
【方法】设计施氮量与密度互作试验，同步采集主要生育时期的棉田实测AGB数据与无人机多光谱遥感影像数据，计算得到8种VIs，并引入其中与AGB相关系数最高的3种VIs，构建基于机器学习算法的支持向量回归（Support Vactor Regression， SVR）、偏最小二乘回归（Partial Least Squares Regression， PLSR）和深度神经网络（Deep Neural Network，DNN）等AGB估算模型，评估不同VIs和模型的适用性和估算精度。
【结果】8种VIs与AGB均呈显著相关，其中NGBDI、NDREI和EXG的相关系数绝对值r达到0.659～0.788，且与棉花生物量之间显著相关。三种回归模型中，SVR模型的估算效果最好，模型验证精度为R2=0.89，RMSE=2.30，rRMSE=0.20。
【结论】相较于PLSR和DNN估算模型，SVR模型更适合估算棉花生物量。
关键词：棉花；无人机；多光谱影像；生物量；估算
中图分类号：S562"" 文献标志码：A"" 文章编号：1001-4330（2024）06-1328-08
0 引 言
【研究意义】地上部生物量（Aboveground Biomass，AGB）是指作物组织在地面上部分累积物质的质量［1-2］，是反映植株生长发育动态的重要指标，对作物长势监测、产量评估、管理措施优化等有重要意义。低空无人机遥感监测技术具有机动性强、灵敏性高、覆盖性广、准确性高等诸多优势，可及时准确地估测作物生物量及预测作物长势信息和产量品质。生物量测定的方法主要有经验法和遥感反演法等［3］。经验法是在样本区选择植株个体，称重和记录作物各个器官的重量，将所得单株结果与研究区总株数相乘，计算标准作物样本的平均生物量，估算出整个研究区的群体生物量。该方法相对精确但存在主观因素影响且费时费力。遥感反演方法是利用植被冠层光谱反射率来估测作物生理生化信息，精确快速的获取作物生长参数［4-5］，满足植被定量观测和研究的需求。选择不同的算法对于估算作物AGB的影响较大，因此评价选择不同算法建立的估算模型具有重要意义。【前人研究进展】前人利用无人机搭载可见光相机［6-7］、高光谱［8］、多光谱［9］、激光雷达［10］等传感器对不同作物的生物量进行了估算，且均取得了较好的结果。尽管无人机遥感技术在监测作物生物量方面表现出较高的估算精度，但目前由于不同传感器、作物种类和所选植被指数（Vegetation Indexes， VIs）的差异，均对评估结果产生较大的影响。在基于多光谱影像构建的植被指数建立生物量估算模型是常用的研究方法，然而受植被指数对生物量的敏感性和环境因素的制约，通常估算模型的精度较低［11］。近年来，机器学习算法以其高效性和精确性已被广泛应用于农业领域，机器学习算法相较于传统的线性回归分析具有更高的精度［12］。已有研究使用支持向量机和偏最小二乘等机器学习算法构建生物量估算模型且取得了较好效果［13-14］。面对传统机器学习存在的过拟合和局部最优等情况，深度学习算法则是在机器学习算法的基础上设定了深层次结构实现对高维数据的模拟估算，比机器学习具有更高精度和稳健性。棉花生物量积累是产量形成的重要基础，当生物量处于适宜范围内有利于建立棉花高产群体［15-16］。合理的种植密度可以调节群体和个体的矛盾，提供适宜的群体生物量。适宜的施氮量可以充分保障棉花群体的养分需求，协调棉花营养生长和生殖生长之间的关系，为棉花高产奠定基础［17］。【本研究切入点】比较不同机器学习和深度学习算法，筛选敏感参数建立的估算模型，并不断提升和优化模型精度和性能等对棉花生物量的遥感反演应用极为重要。需利用无人机获取遥感影像及敏感性较高的参数，结合机器学习算法建立估算模型快速准确的估算棉花生物量。【拟解决的关键问题】采用多时期无人机多光谱影像为数据源，利用不同的机器学习算法，使用相关性较高的植被指数作为模型的输入参数构建估算模型，评价模型的估算精度，验证模型的准确性和稳定性，分析棉花AGB的最优估算模型。
1 材料与方法
1.1 材 料
试验点位于新疆农业科学院阿瓦提棉花科研示范基地（40°27′N，80°21′E），为暖温带大陆性干旱气候，年均气温10.40℃，年均降水量46.70 mm，年均蒸发量1 890.70 mm，无霜期211.00 d，年均日照2 679.00 h。土壤质地为砂壤土，田间持水率质量分数为28.92%，土壤肥力属于中等，土壤pH值7.33。供试棉花品种为新陆中88号。采用1膜3管3行（76 cm）等行距机采棉种植模式，株距11 cm，磷肥（P2O5 150 kg/hm2）和钾肥（K2O 150 kg/hm2）全部作为基肥，整地前1次性施入，氮肥（N 300 kg/hm2）30%作为基肥，70%作为追肥（等量分10次随水滴入）。
1.2 方 法
1.2.1 试验设计
采用双因素裂区试验设计，以密度为主区，设置M1（13.5 ×104 株/hm2）、M2（18.0 ×104 株/hm2）和M3（22.5 ×104 株/hm2）3个水平；施氮量（纯氮）为副区，设置N1（0 kg/hm2）、N2（300 kg/hm2）和N3（600 kg/hm2）3个水平，即共有9个处理，每个处理重复3次。每3幅膜划定1个小区，长6.8 m，宽7 m。
1.2.2 测定指标
估算棉花AGB包括数据预处理、模型构建、精度评价3个部分。使用大疆无人机平台获取棉花多时相无人机多光谱影像数据并同步进行地面实测AGB；使用Pix4d Mapper软件对影像进行图像拼接、辐射校正等处理；使用ArcGIS map 对影像进行裁剪和放射率提取；使用Python对数据进行相关性分析和构建估算模型。
1.2.3 地面数据获取
每个小区样点范围内随机选择长势均匀的3株棉花，取其地上部分，用纸袋装好，采用烘箱设置105℃，杀青30 min，再将温度下调至75℃烘干至恒重，称量烘干后的样品质量，并记录数据。用样品质量均值计算单位面积AGB值（t/hm2）。
1.2.4 无人机影像的获取
获取田间AGB的同时，利用Matrice M210 RTK V2（Da Jiang Innovations， China）无人机搭载多光谱相机（MicaSence RedEdge，USA）提取棉田冠层图像。拍摄于13：00～15：00，太阳高度角与地面近乎垂直时进行，航线设计任务高度30 m，航向重叠率75%，旁向重叠率75%，航速2 m/s，采用等间隔拍照，拍照间隔为2 m。飞行前使用多光谱传感器拍摄辐射定标版，后期标定影像辐射。
多光谱相机共有5个通道，分别为蓝、绿、红、近红外、红边波段，对应波长分别为475、560、668、840和717 nm，半高宽（FWHM）分别为20、20、10、40和10 nm。
1.2.5 植被指数的选取
选取8种在AGB监测效果较好的VIs。表1
1.3 数据处理
选取相关性高于0.6的VIs，用于棉花AGB的估算模型构建。全生育时期共获得108个AGB数据样本，其中70%用作建模集，30%作为训练集构建回归估算模型。
1.3.1 偏最小二乘回归
PLSR（Partial Least Squares Regression）［25］通过依次选择正交因子增大因变量与自变量之间的协方差，并以交叉检验的方式确定模型中因子数等。设置主成分个数为5，其余参数按照默认使用。
1.3.2 支持向量机回归
SVR（Support Vactor Regression），是支持向量机的一个重要分支，是一种基于统计学习理论的机器学习方法［26］。SVR通过核函数将数据映射入高维空间提高样本数据的分离能力，依靠降低数据与超平面之间的残差提高模型的精度，预测分类数据。研究设置poly为内核函数、核系数为auto，其余参数按照默认使用。
1.3.3 深度神经网络
DNN（Deep Neural Network），神经网络是基于感知机的扩展，而DNN可以理解为有很多个隐藏层的神经网络。DNN内部的神经网络层可以分为3类：输入层、隐藏层和输出层，通过堆叠多个隐藏层来达到提取更高阶的特征信息。DNN模型现已成为解决各种分类和回归问题的方法［27］。设计的网络结构包含输入层、隐藏层和输出层，结构中层与层直接全连接，同层之间的神经元不连接。DNN共分为4层：1个输入层、2个隐藏层和1个输出层。将图像中提取的植被指数、纹理特征转化为与每个测量点实测值相对应的一维向量，以此作为输入层，输入层设置为3个神经元，隐藏层的每层神经元个数依次是6、4，输出层设置为1个神经元，并以最终输出结果来估算长势参数。在DNN模型中选取relu作为激活函数，使用均方根误差作为优化函数，选择均方误差作物损失函数，迭代100次。采用Python（3.7）基于keras（2.3.0）框架搭建此网络结构。
1.3.4 模型验证
选取决定系数（Coefficient of Determination， R2）、均方根误差（Root Mean Square Error，RMSE）等作为评价估算模型预验证模型的指标公式［28-30］。估算模型的R2越大，RMSE越小，模型的估算能力越好，验证模型的R2越大，RMSE越小，估算模型稳定性越好。
2 结果与分析
2.1 不同施氮量与密度对棉花生物量的影响
研究表明，棉花AGB随着生育期的推进呈递增的趋势。在蕾期，棉花AGB表现为在N1和N3处理下，AGB随着密度的降低而增加，在N处理下M3较M1、M2分别高出141.10%、70.64%，且差异显著（Plt;0.05）。在花期，N1和N3处理均表现为AGB随着密度的增加为增加，且M1和M3处理间差异极显著（Plt;0.01）。在N2处理下，AGB最高（9.55 t/hm2），N2M2比N2M1高出33.40%差异显著（Plt;0.05）。在铃期，相同施氮量条件下，AGB随着密度的增加而增加，且处理间均差异极显著（Plt;0.01）。相同密度条件下，AGB随着施氮量的增加而增加，其中N2M2和N2M3之间差异不显著，其余处理均差异显著（Plt;0.05）。在吐絮期，相同施氮量下，AGB变化趋势与花期相同，且N3和N1之间差异极显著（Plt;0.01）；相同密度条件下处理差异不显著。图1
2.2 植被指数和与棉花生物量的相关性
研究表明，全生育期VIs与AGB均呈现显著相关性（Plt;0.05），其中NGBDI、NDREI和EXG的相关系数绝对值r达到0.659～0.788。不同生育时期VIs与AGB的相关性中，蕾期相关性最高，NGBDI、EXGR、NDREI、EXG的相关系数绝对值r为0.32～0.34，EXG最高为0.34；花期、铃期和吐絮期时VIs与AGB的相关性较低，NDREI在3个时期中r均为最高，分别为0.20、0.41和0.24。图2
2.3 棉花生物量估算模型的构建
研究表明，PLSR模型具有较低的估算精度（验证集R2=0.81，RMSE=3.01，rRMSE=0.27），SVR模型具有较高的估算精度（验证集R2=0.89，RMSE=2.30，rRMSE=0.20），同时SVR模型建模集和验证集的R2、rRMSE均为0.89、0.20，SVR模型的稳定性最好。因此，SVR模型在棉花AGB预测方面表现最佳，其次是DNN模型。表2
3 讨 论
3.1
氮素在植物的生长发育中起着重要的作用［31］。随施氮水平的提高，棉花的AGB也有一定的提高。但过量施用的氮肥又会造成棉花植株过旺，造成养分平衡失调，制约了棉花的产量形成［32］。密度对棉株AGB产生不同程度的影响［33］。密度较小时，由于株距较大，光能利用率降低，棉花叶片光合速率下降［34］。但是密度过高时，植株间的竞争压力太大，造成植株生长缓慢，进而也会使棉花产量下降［35］。棉花种植密度和氮肥优化可调控AGB保持在适宜的范围内，有利于建立高产群体［36］。随着种植密度的增加棉花AGB呈先升高后降低的趋势；随着施氮量的增加，氮肥和密度联合调控下，随着施氮量越大，M1和M2密度下AGB呈不断增大的趋势；而在M3密度下AGB呈先增加后减小的趋势。
3.2
利用多光谱图像进行处理得到的VIs，可以评价植被的生长状况等［3］。在进行VIs与AGB的相关性分析时，选择相关性较高的波段反射率及植被指数可以有效提高反演模型精度。Sankaran［37］使用 GNDVI对大豆开花期及补荚期的AGB进行了估算，其相关性最大值可达0.73。Hunt等［38］使用NDVI和 GNDVI监测小麦的生长情况。研究采用多时期多光谱影像数据融合构建棉花AGB估算模型，结果表明NGBDI、NDRI1和EXG与AGB的相关性较高，同时相较于仅用单一生育时期进行AGB估算，使用全时期数据融合构建估算模型的更加科学合理。岳继博等［39］研究发现，使用随机森林算法构建的冬小麦AGB估算模型精度最高，R2=0.70；肖武等［40］对玉米AGB的反演研究中，使用BP神经网络的估算精度最高，R2=0.83。选择2种机器学习算法和1种深度学习算法构建棉花AGB的估算模型，研究结果表明3种模型的估算精度差异较小，其中SVR模型的估算精度最高，原因在于SVR使用核函数来将训练数据映射到高维特征空间，更好地捕捉数据之间的非线性关系，体现出较强的估算能力。
4 结 论
施氮量和密度均对棉花生物量AGB产生显著影响，增加施氮量或提高种植密度均能提高棉花AGB；VIs与AGB均呈现显著相关，其中NGBDI、NDREI和EXG的相关系数绝对值r达到0.659～0.788；3种回归模型中，SVR模型的估算效果最好，模型验证精度为R2=0.89，RMSE=2.30，rRMSE=0.20。
参考文献（References）
［1］刘杨， 孙干， 黄珏， 等. 无人机多光谱影像的马铃薯地上生物量估算［J］. 光谱学与光谱分析， 2021， 41（8）： 2549-2555.
LIU Yang， SUN Qian， HUANG Jue， et al. Estimation of potato above ground biomass based on UAV multispectral images［J］. Spectroscopy and Spectral Analysis， 2021， 41（8）： 2549-2555.
［2］ 樊鸿叶， 李姚姚， 卢宪菊， 等. 基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究［J］. 中国农业科技导报， 2021， 23（9）： 112-120.
FAN Hongye， LI Yaoyao， LU Xianju， et al. Comparative analysis of LAI and above-ground biomass estimation models based on UAV multispectral remote sensing［J］. Journal of Agricultural Science and Technology， 2021， 23（9）： 112-120.
［3］ 黄春燕， 王登伟， 曹连莆， 等. 棉花地上鲜生物量的高光谱估算模型研究［J］. 农业工程学报， 2007， 23（3）： 131-135.
HUANG Chunyan， WANG Dengwei， CAO Lianpu， et al. Models for estimating cotton aboveground fresh biomass using hyperspectral data［J］. Transactions of the Chinese Society of Agricultural Engineering， 2007， 23（3）： 131-135.
［4］ 李岚涛， 郭宇龙， 韩鹏， 等. 基于高光谱的冬小麦不同生育时期地上部生物量监测［J］. 麦类作物学报， 2021， 41（7）： 904-913.
LI Lantao， GUO Yulong， HAN Peng， et al. Estimation of shoot biomass at different growth stages of winter wheat based on hyperspectral reflectance［J］. Journal of Triticeae Crops， 2021， 41（7）： 904-913.
［5］ 卜灵心， 来全， 刘心怡. 不同机器学习算法在草原草地生物量估算上的适应性研究［J］. 草地学报， 2022， 30（11）： 3156-3164.
BU Lingxin， LAI Quan， LIU Xinyi. Adaptation of different machine learning algorithms for grassland biomass estimation［J］. Acta Agrestia Sinica， 2022， 30（11）： 3156-3164.
［6］ Ballesteros R， Ortega J F， Hernandez D， et al. Onion biomass monitoring using UAV-based RGB imaging［J］. Precision Agriculture， 2018， 19（5）： 840-857.
［7］ 张正健， 李爱农， 边金虎， 等. 基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究［J］. 遥感技术与应用， 2016， 31（1）： 51-62.
ZHANG Zhengjian， LI Ainong， BIAN Jinhu， et al. Estimating aboveground biomass of grassland in zoige by visible vegetation index derived from unmanned aerial vehicle image［J］. Remote Sensing Technology and Application， "2016， 31（1）： 51-62.
［8］ 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（1）： 41-50.
LU Guozheng， YANG Guijun， ZHAO Xiaoqing， et al. Inversion of soybean fresh biomass based on multi-payload unmanned aerial vehicles （UAVs）［J］. Soybean Science， 2017， 36（1）： 41-50.
［9］ 孙世泽， 汪传建， 尹小君， 等. 无人机多光谱影像的天然草地生物量估算［J］. 遥感学报， 2018， 22（5）： 848-856.
SUN Shize， WANG Chuanjian， YIN Xiaojun， et al. Estimating aboveground biomass of natural grassland based on multispectral images of Unmanned Aerial Vehicles［J］. Journal of Remote Sensing， 2018， 22（5）： 848-856.
［10］ Wang D L， Xin X P， Shao Q Q， et al. Modeling aboveground biomass in Hulunber grassland ecosystem by using unmanned aerial vehicle discrete lidar［J］. Sensors， 2017， 17（12）： 180.
［11］ 张雨欣， 黄健熙， 金云翔， 等. 草地地上生物量估算模型研究进展［J］. 草地学报， 2022， 30（4）： 850-858.
ZHANG Yuxin， HUANG Jianxi， JIN Yunxiang， et al. Estimation of grasslands aboveground biomass： a review［J］. Acta Agrestia Sinica， 2022， 30（4）： 850-858.
［12］ Deo R C，瘙塁ahin M. Forecasting long-term global solar radiation with an ANN algorithm coupled with satellite-derived （MODIS） land surface temperature （LST） for regional locations in Queensland［J］. Renewable and Sustainable Energy Reviews， "2017， 72： 828-848.
［13］ Safari A， Sohrabi H， Powell S， et al. A comparative assessment of multi-temporal Landsat 8 and machine learning algorithms for estimating aboveground carbon stock in coppice oak forests［J］. International Journal of Remote Sensing， 2017， 38（22）： 6407-6432.
［14］ 王玉娜， 李粉玲， 王伟东， 等. 基于连续投影算法和光谱变换的冬小麦生物量高光谱遥感估算［J］. 麦类作物学报， 2020， 40（11）： 1389-1398.
WANG Yuna， LI Fenling， WANG Weidong， et al. Hyper-spectral remote sensing stimation of shoot biomass of winter wheat based on SPA and transformation spectra［J］. Journal of Triticeae Crops， 2020， 40（11）： 1389-1398.
［15］ 纪伟帅. 基于无人机多光谱的棉花冠层叶片叶绿素相对含量、叶面积指数反演［D］. 泰安： 山东农业大学， 2021： 56.
JI Weishuai. Inversion of SPAD and LAI in Cotton Canopy Leaves Based on UAV Multispectral［D］. Taian： Shandong Agricultural University， 2021： 56.
［16］ 王士红. 增密减氮对棉花产量品质的影响及氮高效生理基础研究［D］. 泰安： 山东农业大学， 2019： 124.
WANG Shihong. Effects of Increasing Plant Density and Decreasing Nitrogen Rate on Yield and Quality of Cotton， and Physiological Mechanisms of Nitrogen Efficient Utilization［D］. Taian： Shandong Agricultural University， 2019： 124.
［17］ 李春艳. 密度与氮肥对机采棉产量及氮肥利用影响的研究［D］. 乌鲁木齐： 新疆农业大学， 2018： 61.
LI Chunyan. Effects of Density and Nitrogen Fertilizer on Cotton Production and Nitrogen Utilization［D］. Urumqi： Xinjiang Agricultural University， 2018： 61.
［18］ 夏天， 周清波， 陈仲新， 等. 基于HJ-1卫星的冬小麦叶片SPAD遥感监测研究［J］. 中国农业资源与区划， 2012， 33（6）： 38-44.
XIA Tian， ZHOU Qingbo， CHEN Zhongxin， et al. Monitoring winter wheat spad based on hj-1 ccd［J］. Chinese Journal of Agricultural Resources and Regional Planning， "2012， 33（6）： 38-44.
［19］ Lelong C， Burger P， Jubelin G， et al. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots［J］. Sensors， 2008， 8（5）： 3557-3585.
［20］ Shao G M， Han W T， Zhang H H， et al. Estimation of transpiration coefficient and aboveground biomass in maize using time-series UAV multispectral imagery［J］. The Crop Journal， 2022， 10（5）： 1376-1385.
［21］ Liu S B， Jin X L， Nie C W， et al. Estimating leaf area index using unmanned aerial vehicle data： shallow vs. deep machine learning algorithms［J］. Plant Physiology， 2021， 187（3）： 1551-1576.
［22］ Liu Y， Feng H K， Yue J B， et al. Remote-sensing estimation of potato above-ground biomass based on spectral and spatial features extracted from high-definition digital camera images［J］. Computers and Electronics in Agriculture， 2022， 198： 107089.
［23］ Fu Y Y， Yang G J， Li Z H， et al. Winter wheat nitrogen status estimation using UAV-based RGB imagery and Gaussian processes regression［J］. Remote Sensing， 2020， 12（22）： 3778.
［24］ Sulik J J， Long D S. Spectral considerations for modeling yield of canola［J］. Remote Sensing of Environment， 2016， 184： 161-174.
［25］ 贾学勤， 冯美臣， 杨武德， 等. 基于多植被指数组合的冬小麦地上干生物量高光谱估测［J］. 生态学杂志， 2018， 37（2）： 424-429.
JIA Xueqin， FENG Meichen， YANG Wude， et al. Hyperspectral estimation of aboveground dry biomass of winter wheat based on the combination of vegetation indices［J］. Chinese Journal of Ecology， 2018， 37（2）： 424-429.
［26］ 尚珂. 基于支持向量机回归的草地地上生物量遥感估测研究［D］. 昆明： 西南林业大学， 2015： 67.
SHANG Ke. The Study of Grassland above Ground Biomass Inversion Based on Support Vector Machine Regression［D］. Kunming： Southwest Forestry University， 2015： 67.
［27］ 兰仕浩， 李映雪， 吴芳， 等. 基于卫星光谱尺度反射率的冬小麦生物量估算［J］. 农业工程学报， 2022， 38（24）： 118-128.
LAN Shihao， LI Yingxue， WU Fang， et al. Winter wheat biomass estimation based on satellite spectral-scale reflectance［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（24）： 118-128.
［28］ 张子慧， 吴世新， 赵子飞， 等. 基于机器学习算法的草地地上生物量估测——以祁连山草地为例［J］. 生态学报， 2022， 42（22）： 8953-8963.
ZHANG Zihui， WU Shixin， ZHAO Zifei， et al. Estimation of grassland biomass using machine learning methods： a case study of grassland in Qilian Mountains［J］. Acta Ecologica Sinica， 2022， 42（22）： 8953-8963.
［29］ 孙全. 基于无人机可见光-近红外图像的小麦关键生长指标监测研究［D］. 扬州： 扬州大学， 2021： 92.
SUN Quan. Key Wheat Growth Indicators Monitoring Based on UAV Visible-NIR Imagery［D］. Yangzhou： Yangzhou University， 2021： 92.
［30］ 吴芳， 李映雪， 张缘园， 等. 基于机器学习算法的冬小麦不同生育时期生物量高光谱估算［J］. 麦类作物学报， 2019， 39（2）： 217-224.
WU Fang， LI Yingxue， ZHANG Yuanyuan， et al. Hyperspectral estimation of biomass of winter wheat at different growth stages based on machine learning algorithms［J］. Journal of Triticeae Crops， 2019， 39（2）： 217-224.
［31］ 李鹏程， 董合林， 刘爱忠， 等. 施氮量对棉花功能叶片生理特性、氮素利用效率及产量的影响［J］. 植物营养与肥料学报， 2015， 21（1）： 81-91.
LI Pengcheng， DONG Helin， LIU Aizhong， et al. Effects of nitrogen application rates on physiological characteristics of functional leaves， nitrogen use efficiency and yield of cotton［J］. Journal of Plant Nutrition and Fertilizer， 2015， 21（1）： 81-91.
［32］ 李飞， 郭莉莉， 赵瑞元， 等. 氮肥减量深施对油后直播棉花干物质与氮素积累、分配及产量的影响［J］. 棉花学报， 2022， 34（3）： 198-214.
LI Fei， GUO Lili， ZHAO Ruiyuan， et al. Effects of increasing application depth and decreasing nitrogen rate on dry matter， nitrogen accumulation and distribution， and yield of direct seeding cotton after rape harvest［J］. Cotton Science， 2022， 34（3）： 198-214.
［33］ 辛明华， 王占彪， 李小飞， 等. 南疆棉区机采种植模式下棉花种植密度研究［J］. 山东农业科学， 2020， 52（1）： 46-52.
XIN Minghua， WANG Zhanbiao， LI Xiaofei， et al. Study on suitable planting density of cotton under machine-picked planting mode in South Xinjiang［J］. Shandong Agricultural Sciences， 2020， 52（1）： 46-52.
［34］ 支晓宇， 韩迎春， 王国平， 等. 不同密度下棉花群体光辐射空间分布及生物量和纤维品质的变化［J］. 棉花学报， 2017， 29（4）： 365-373.
ZHI Xiaoyu， HAN Yingchun， WANG Guoping， et al. Changes to the PAR spatial distribution， biomass， and fiber quality in response to plant densities［J］. Cotton Science， 2017， 29（4）： 365-373.
［35］ 牛玉萍， 陈宗奎， 杨林川， 等. 干旱区滴灌模式和种植密度对棉花生长和产量性能的影响［J］. 作物学报， 2016， 42（10）： 1506-1515.
NIU Yuping， CHEN Zongkui， YANG Linchuan， et al. Effect of drip irrigation pattern and planting density on growth and yield performance of cotton in arid area［J］. Acta Agronomica Sinica， 2016， 42（10）： 1506-1515.
［36］ 王士红， 杨中旭， 史加亮， 等. 增密减氮对棉花干物质和氮素积累分配及产量的影响［J］. 作物学报， 2020， 46（3）： 395-407.
WANG Shihong， YANG Zhongxu， SHI Jialiang， et al. Effects of increasing planting density and decreasing nitrogen rate on dry matter， nitrogen accumulation and distribution， and yield of cotton［J］. Acta Agronomica Sinica， 2020， 46（3）： 395-407.
［37］ Sankaran S， Zhou J F， Khot L R， et al. High-throughput field phenotyping in dry bean using small unmanned aerial vehicle based multispectral imagery［J］. Computers and Electronics in Agriculture， 2018， 151： 84-92.
［38］ Hunt E R Jr， Hively W D， Fujikawa S， et al. Acquisition of NIR-green-blue digital photographs from unmanned aircraft for crop monitoring［J］. Remote Sensing， 2010， 2（1）： 290-305.
［39］ 岳继博， 杨贵军， 冯海宽. 基于随机森林算法的冬小麦生物量遥感估算模型对比［J］. 农业工程学报， 2016， 32（18）： 175-182.
YUE Jibo， YANG Guijun， FENG Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm［J］. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（18）： 175-182.
［40］ 肖武， 陈佳乐， 笪宏志， 等. 基于无人机影像的采煤沉陷区玉米生物量反演与分析［J］. 农业机械学报， 2018， 49（8）： 169-180.
XIAO Wu， CHEN Jiale， DA Hongzhi， et al. Inversion and analysis of maize biomass in coal mining subsidence area based on UAV images［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（8）： 169-180.
Study on cotton biomass estimation based on multi-spectral imaging features of unmanned aerial vehicle
Abstract：【Objective】 To explore the applicability and accuracy of cotton biomass estimation model based on Vegetation Indexes （VIs） and machine learning algorithm.
【Methods】 On the interaction between nitrogen application and density at the experimental and collected AGB data and UAV multispectral remote sensing images of cotton fields at the main fertility periods simultaneously to calculate eight VIs and introduce three VIs with the highest AGB correlation coefficients.Vactor Regression （SVR）， Partial Least Squares Regression （PLSR）， and Deep Neural Network （DNN）， and evaluated the applicability and estimation accuracy of different VIs and models.
【Results】 "All eight VIs showed significant correlations with AGB， among which the absolute values of the correlation coefficients r of NGBDI， NDREI and EXG reached 0.659-0.788， and there was a significant correlation between them and cotton biomass.（3） Among the three regression models， the SVR model had the best estimation effect， with the model validation accuracy of R2=0.89， RMSE=2.30， and rRMSE=0.20.
【Conclusion】 "Compared with the PLSR and DNN estimation models， the SVR model is more suitable for estimating cotton biomass， and the study is important for enriching the remote sensing monitoring technology of cotton biomass and improving the accurate management of production.The study is important to enrich the remote sensing monitoring technology of cotton biomass and improve the accurate management of production.
Key words：cotton; unmanned aerial vehicle（UAV）;multispectral image;biomass;estimate
