地上生物量（AGB）和叶面积指数（LAI）等作物表型特征指标为评估作物生长状况、指导农场管理、特别是预测粮食产量提供了坚实的基础。传统的AGB和LAI测定方法耗时长、效率低，限制了优良高产种质的发现。最近，无人机（UAV）凭借高分辨率、实时图像采集的优势，已被广泛用于监测农作物生长并估算 LAI 和 AGB。鲜少有研究定量分析用正射图像或未失真图像估计的作物性状之间的差异。数据增强是机器学习中使用的一种技术，然而通过用从不同方位角和天顶角捕获的图像代替传统的数据增强方法来预测不同生长阶段的生物量和 LAI 的研究较少。植物表型资讯介绍如下。

针对这一问题，本研究基于无人机采集的玉米影像提取5个生育期的不同遥感参数，首先比较太阳天顶角0°处正射影像和未畸变影像处理的LAI和AGB估计模型的精度；然后堆叠不同方位角和天顶角的未失真图像用于数据增强方法构建，并评估数据增强模型在估计玉米自交系LAI 和 AGB 方面的性能；最后验证不同集成学习框架、不同生长阶段及不同衍生的特征组合对LAI和AGB估计模型的稳健性估计的贡献。

图1研究区概况

结果表明，(1)RGB传感器获得的正射马赛克图像降低了图像质量，导致LAI和AGB的估计精度降低。在单一太阳天顶角为0°时，正射马赛克图像的AGB和LAI的平均估计精度分别比未失真图像低16.9%和7.0%。与利用不同方位角和天顶角的未失真图像的模型性能相比，利用正射马赛克图像进行 AGB 和 LAI 估计的平均模型性能分别降低了 31.2% 和 18.2%。(2)未失真图像数据集比正射图像数据集增大了 9∼15 倍，可以用作与原始数据相似但有所变化的新训练数据。利用从不同方位角和天顶角提取的未失真图像来模仿常见的数据增强方法，由于训练数据的多样性和数量的增加，从而提高了模型的准确性和通用性。(3)在 LAI 和 AGB 估计中评估了不同 RGB 传感器衍生特征组合的贡献。从无人机图像中收集的冠层结构是 LAI 和 AGB 估计的可靠指示。与冠层结构特征相比，光谱特征的表现稍差。包含冠层纹理特征略微提高了估计精度，rRMSE 仅降低了 1.2% 和 3.2%。综上所述，基于各种方位角和天顶角图像的数据增强的数据处理框架可以提高作物生长估计的性能，可以更有效、更准确地估计作物生长信息，为田间条件下的精准农业提供技术支持。

图2 不同生长时期玉米三维重建与性状提取结果图

图3 点云未失真图像的逆投影变换示意图

图4 正射影像（a 和 e）以及对应的未失真不同方位角图像（b、c、d、f、g 和 h）。立方体代表无人机三维空间，箭头代表空中视角。

表1分别基于正射影像和未失真图像、不同生长阶段、不同集成学习框架及不同衍生的特征组合的估计性能比较。