本研究探讨了如何利用基于无人机（UAV）的多光谱成像、地块检测模型和机器学习（ML）算法，在田块尺度上预测小麦籽粒产量。使用MicaSense RedEdge-P相机在几周内收集多光谱数据。利用便携式表型测定仪器收集植被指数的地面真实数据，并手动收集农艺数据。采用YOLOv8检测模型进行田块尺度小麦地块检测。四种机器学习算法——决策树（DT）、随机森林（RF）、梯度提升（GB）和极端梯度提升（XGBoost）——被用于评估利用归一化差异植被指数（NDVI）、归一化差异红边指数（NDRE）和绿色NDVI（G-NDVI）数据预测小麦籽粒产量的效果。结果表明，RF算法在所有生长期内表现出预测能力，对于NDVI数据，均方根误差（RMSE）为每地块43 g/p，决定系数（R²）值为0.90。对于NDRE数据，DT优于其他模型，RMSE为43 g/p，R²为0.88。GB在G-NDVI数据上表现出最高的预测准确性，RMSE为42 g/p，R²值为0.89。该研究结合了同质同源的面包小麦姐妹系和不同产量、谷物蛋白质含量及其他农艺性状的品种，以便识别高产表现者。结果表明，利用无人机搭载的多光谱成像技术，结合检测模型和机器学习，在多种精准农业应用中具有潜在用途，包括小麦育种、农艺研究和更广泛的农业实践。

图1 该图展示了研究地点在加拿大萨斯喀彻温省的地理环境和具体位置，重点是印第安头农业研究基金会。(a) 提供了萨斯喀彻温省在加拿大地图上的概览，突出其区域位置。(b) 对萨斯喀彻温省的印第安头研究农场进行了更详细的检查，提供了研究区域的更详细视图。最后，(c) 展示了实验田的马赛克图，提供了研究地形和景观的可视化表示，并进一步说明了无人机成像进行的区域。

图2 此图展示了小麦产量预测模型的概念框架，该模型包括来自NDVI、NDRE和G-NDVI的数据。模型的结构利用深度学习专门进行小麦地块检测，同时采用机器学习技术进行产量预测。该模型整合了这些多样的数据来源和分析方法，旨在提高产量预测的准确性和稳健性，展示了一种有效的方法，将深度学习和机器学习方法的能力应用于农业预测中。

图3 此图描述了使用YOLOv8检测模型通过无人机拍摄的RGB图像进行小麦地块检测。YOLOv8被用于自主识别和划定航拍图像中的单个小麦地块。使用基于无人机的RGB图像提供了高分辨率的空间信息，从而实现对小麦地块的准确检测。

图4 此图展示了一幅NDVI图像及其对应的二值掩膜图。NDVI图像源自多光谱数据，捕捉了植被健康的归一化差异，能够直观地表示观察区域内的植被密度和健康状况。该NDVI图像用于生成相应的二值掩膜图，该掩膜图将像素分类为二值类别（如植被和非植被）。此二值掩膜图是一个分割工具，有助于在NDVI图像中划分和识别特定特征或感兴趣区域。

图5 此图展示了将YOLOv8模型检测到的小麦地块坐标映射到同一图像生成的二值掩膜图上的过程。进行此映射的具体目的是在图像中隔离和划定检测到的小麦地块。这样做的原因是为了在识别出的地块范围内进行精确的植被指数（VI）计算，排除地块外的区域。这种目标明确的方法确保了准确且集中的分析，使得在检测到的小麦地块内进行更细致的植被健康评估和产量估算。

图6 此图展示了在捕获图像中对每个识别出的小麦地块进行植被指数（VIs）计算。目标是在检测到的地块内计算VIs，为后续的产量预测分析奠定基础。该方法允许对植被参数进行有针对性和地块特定的评估，从而基于所得的VIs构建一个更细致和准确的作物产量预测模型。

图7此图展示了使用线性回归（LR）模型分析三种植被指数（VIs）：NDVI、NDRE和G-NDVI。该分析将基于无人机计算的VIs与从手持设备获得的地面真实VIs数据进行比较。图中的每个子图代表一个植被指数，并展示了应用于建模计算VIs与相应地面真实数据之间关系的LR模型结果。这些LR模型旨在捕捉和量化计算VIs与地面真实VIs之间的关系，提供两者相关程度的见解。

图8 此图展示了最佳模型在NDVI、NDRE和G-NDVI数据子集上的性能趋势，使用R²和RMSE指标进行评估。折线图描绘了各模型在捕捉和预测NDVI、NDRE和G-NDVI数据变化方面的相对效能。

图9 该图呈现了两个子图：一个显示所有品种的平均产量，另一个展示包括NDVI、NDRE和G-NDVI在内的平均VIs数值。