地上生物量是表征作物生长状况的重要指标，也是农业生态系统的重要理化参数。地上生物量是制定施肥、灌溉等管理措施的重要依据。本研究选取了河南省开封市附近的四块灌溉麦田。该地区地形起伏不定，具有空间差异。利用配备多光谱相机、热红外相机和RGB相机的低空无人机遥感平台，同时获取小麦关键生育期的不同遥感参数。基于提取的光谱反射率、热红外温度和数字高程信息，计算了不同地形特征下遥感参数和生长指数的空间变异性。分析了植被指数、温度参数、结构地形参数与地上生物量的相关性。采用多元线性回归法(multiple linear regression method，MLR)、偏最小二乘回归法(partial least squares regression method，PLSR)和随机森林回归法(random forest regression method，RFR)三种机器学习方法。我们比较了单模态数据与多模态数据融合框架的地上生物量(aboveground biomass，AGB)估算能力。结果表明，坡度是影响作物生长和地上生物量的重要因素。因此，我们对三种不同坡度尺度的遥感参数进行了分析。土壤含水量、植株含水量和地上生物量在4个生育期均存在显著差异。基于与地上生物量的相关性，选择7个植被指数(NDVI、GNDVI、NDRE、MSR、OSAVI、SAVI和MCARI)、4个冠层结构参数(CH、VF、CVM、SLOPE)和2个温度参数(NRCT、CTD)作为模型的最终输入变量。在不同的生长阶段，模型的准确性存在一定的差异。各模型的平均精度为开花期>孕穗期>灌浆期>拔节期。在单模态数据框架下，基于植被指数构建的模型优于基于温度或结构参数构建的地上生物量模型，且基于花期植被指数构建的RFR模型精度最高(R2=0.713)。对于双模态数据融合方法，利用RFR模型的结构参数与植被指数相结合(R2=0.842)，在花期获得最佳精度。基于花期植被指数、温度参数和结构参数的RFR模型的多模态数据融合方法获得了更高的精度(R2=0.897)。通过引入地形因素并将其与RFR算法相结合，对多模态数据进行有效整合，充分发挥不同遥感信息源之间的互补和协同效应。有效提高了地上生物量估算模型的准确性和稳定性，探索了一种高通量表型获取方法，为实时监测作物生长、解码基因型与表型的相关性提供了参考和依据。

图1 研究区域的位置和实验设计。

图2 地面控制点布置和风速测量。

图3 数据处理、特征提取、模型建立的工作流程图和结果。

图4 研究地的地形特征及三维模型。

图5 不同边坡生长参数的变化(S1:拔节阶段;S2:抽穗阶段;S3:花期;S4:灌浆阶段;坡度刻度:0-4º、4-6º、6-8º)

图6 不同坡度遥感指标的变化(S1:拔节阶段;S2:抽穗阶段;S3:花期;S4:灌浆阶段)。

图7 模型估计精度。

图8 基于不同无人机特征类型的小麦开花期地上生物量测量和预测的独立验证散点图由于RFR模型优于PLSR和MLR模型，因此每次独立验证均使用RFR模型。红色虚线表示1:1的关系。黑色虚线圆圈表示AGB超过1.4 kg m-2和低于0.9 kg m-2的样品。)

图9 最佳模型预测AGB与不同坡度、不同阶段实测AGB的小提琴图。