蚕豆是豆科植物的重要成员，具有丰富的蛋白质含量和巨大的开发潜力。产量是作物重要的表型性状，早期产量估算可以为田间投入提供参考。为了快速准确地估算蚕豆产量，利用无人机(unmanned aerial vehicle，UAV)的双传感器(RGB和多光谱)数据进行了采集和分析。为此，使用支持向量机(support vector machine，SVM)、岭回归(ridge regression，RR)、偏最小二乘回归(partial least squares regression，PLS)和k近邻(k-nearest neighbor，KNN)进行产量估计。此外，首次将基于无人机的不同生育期数据融合用于蚕豆产量估算，获得了较好的估算精度。结果表明:对于单生长期，S2(2019年7月12日)的估计模型精度最高。对于多生长期的融合数据，S2 + S3(2019年8月12日)获得了最好的估计结果。此外，RF的决定系数(R2)值高于其他机器学习算法，其次是PLS，并且双传感器融合数据的估计效果明显优于单传感器。综上所述，基于双传感器数据和不同生育期数据融合估算蚕豆产量是可行的。

 图1 2019年蚕豆生长季节气象变量剖面图，注:(a)温度，包括播种后最高温度(Tmax)和平均温度(Tmean); (b)降水，显示播种后降水的增量、减量和累积; (c)日照强度(包括总日照强度(total)、净日照强度(net)和直接正常辐照度(DNI)); (d)日照时间。

图2 实验设计(白色椭圆为地面控制点(GCPs)，红色圆圈为校准地毯)。

图3 无人机系统和图像的相应传感器。注:(a)无人机配置;(b) 2019年7月12日的RGB图像;(c) 2019年7月12日的MS图像。

 图4 无人机数据处理。(a)原始RGB照片;(b) MS原始照片;(c)正交像;DSM (d);DTM (e);CSM (f);(g,h)光谱信息提取;(i,j)纹理信息提取

图5 模型构建与评估。 (a)产量估算模型;(b)五折交叉验证

 图6 单生长期模型的精度分析。注:平方表示平均值，标准差(SD) = 1.5。

图7 比较了不同传感器及其组合模型的估计精度

 图8 基于不同生长期组合的模型估计精度比较

图9 不同机器学习算法的估计精度比较

 图10 估算产量与实测产量的比较

 图11 5个蚕豆品种CC和R2的差异。柱状图表示冠层盖度的CC值，点线图表示产量估计值与实测值线性拟合程度的R2值。