准确、及时的油菜产量预测是精准农业和田间遥感的关键。本文探索了利用配备RGB和多光谱相机的无人机平台预测油菜产量的可行性和潜力。采用遗传算法-偏最小二乘法对有效波长（effective wavelength，EW）和植被指数（vegetation index，VI）的选择进行了评价。此外，本文还对多元线性回归（multiple linear regression，MLR）、偏最小二乘回归（partial least squares regression，PLSR）、最小二乘支持向量机（least squares support vector machine，LS-SVM）、反向传播神经网络（back propagation neural network，BPNN）、极限学习机（extreme learning machine，ELM）和径向基函数神经网络（radial basis function neural network，RBFNN）等不同的机器学习算法进行了开发和比较。结合植被指数（彩色和窄带VIs）对多源数据进行融合，建立了油菜产量的鲁棒预测模型。使用多光谱相机的多波段VIs （RBFNN: Rpre = 0.8143, RMSEP = 171.9 kg/hm2）组合预测模型的效果优于仅使用窄带VIs （BPNN: Rpre = 0.7655, RMSEP = 188.3 kg/hm2）的预测模型。利用最优EWs和ELM （Rpre = 0.8118, RMSEP = 170.9 kg/hm2）构建的BP神经网络（Rpre = 0.8114, RMSEP = 172.6 kg/hm2）的最佳产量预测模型表明，基于无人机的RGB和多光谱图像在油菜产量的实时、无创预测方面具有潜力。该研究还强调，配备双图像帧快照相机的轻型无人机有望成为精准农业领域内高通量植物表型和先进育种计划的宝贵工具。

图1  浙江大学油菜田实验场地的大致位置和无人机遥感平台获得的图像概述。

图2  研究技术流程图。

图3  无人机平台和集成传感器：(a) POS系统；(b) RGB和多光谱成像传感器；(c)地面控制系统；(d)无人机系统的飞行。

图4  Agisoft Photoscan对889 nm多光谱图像进行拼接灰度图像。

图5  基于无人机多光谱成像系统的油菜冠层在“0 kg/hm2”、“75 kg/hm2”、“150 kg/hm2”和“225 kg/hm2”不同氮肥处理下的平均反射光谱和标准差（SD）。

图6  基于无人机多光谱成像系统，利用λ1和λ2 nm两个波段的全面结合绘制了产量与窄带植被指数的相关系数等高线图。

图7  根据选择的平滑频率，采用遗传算法-偏最小二乘选择有效特征：(a)波长；(b)植被指数。

图8  预测产率值与实测值的散点图：多光谱相机中全波长(a)和选定EWs (c)的最佳模型；所有植被指数(b)和双相机选择的VIs (d)的最优模型。