作物生长监测是精准农业中的关键环节，对于优化产量预测和资源分配至关重要。传统的作物生长监测方法费时费力且易出错。本研究提出了一种利用多日期航空图像和正射影像进行自动分割的流程，用于监测花椰菜（Brassica Oleracea var. Botrytis）的生长。该方法采用YOLOv8、Grounding、DINO和Segment Anything Model（SAM）进行自动标注和分割。YOLOv8模型使用初始数据集进行训练，随后为Grounded SAM框架的训练提供了基础。这一方法生成了自动标注和分割掩码，用于对作物行进行时间监测和生长估计。研究结果突显了这一自动化系统在提供准确作物生长分析方面的高效性，促进了作物管理和可持续农业实践中的知情决策。结果表明，航空图像和正射影像之间的生长模式一致且可比，存在显著的快速扩展期和轻微的波动。先进技术的整合展示了通过减少劳动强度和提高作物生长监测准确性来增强精准农业的潜力。

图1 研究区域位置。

图2 2020年10月21日航拍图像绘制的正射影像图。

图3 COCO JSON格式的标注元数据。

图4 (a) 2020年10月8日的训练图表，(b) 2020年10月21日的训练图表和(c) 2020年10月29日的训练图表。

图5 多日期航空图像中的相对作物生长速率。

图6 多日期正射图像中的相对作物生长百分比。

图7 多日期航空图像的时间序列分析。

图8 多日期正射图像的时间序列分析。

图9 多日期航空图像和正射图像之间的皮尔逊相关分析 (a) 农作物行1 (b) 农作物行2 (c) 农作物行3 (d) 农作物行4 (e) 农作物行5 (f) 农作物行6 (g) 农作物行7。