文献调研-无人机多光谱遥感测果园产量

无人机遥感+多光谱技术测苹果产量研究进展

一、He 等 - 2022 - Fruit yield prediction and estimation in orchards（综述类文献）

1. 对2010 ~ 2021年12年来我国果园产量预测与估测的研究工作进行了回顾和分析，大致分为间接（基于影响特征的数学预测模型） 和 直接（检测和计数） 两种方法。

（1）间接预测方法主要利用环境和植物本身的特征，如气象参数、灌溉、施肥、植被指数、冠层结构、花量等，来预测果园产量，建立数学模型包括线性回归、机器学习、深度学习等。
（2）直接估计方法是通过使用现代智能设备，如相机、激光雷达、热成像仪等，直接检测和计数树上的果实，然后估计果园产量。这种方法需要解决复杂的图像处理和目标识别问题，如颜色阈值分割、模板匹配、卷积神经网络、区域卷积神经网络等。（如Journal of Field Robotics - 2019 - H ni - A comparative study of fruit detection and counting methods for yield mapping in apple orchards）
2.多光谱遥感技术属于间接（基于影响特征）预测产量的方法
下图为作者调研的众多间接预测方法的文献中，使用植物特征和环境特征来建模的频率

常用植物特征：
Vegetation Index（VI）植被指数
normalized difference vegetation index（NDVI）归一化植被指数
Canopy Volume冠层体积
Flowering volume开花量
Canopy thickness冠层厚度
Tree high树高

水果种类	输入的特征	所用模型	模型效果	参考文献
葡萄	NDVI（归一化植被指数）, 冠层厚度，冠层体积	Gaussian process regression	准确率=85.95%，R2 = 0.80	Matese & Di Gennaro (2021)
	植被覆盖度, NDVI	ANN	RMSE = 0.5 kg/vine ，RE = 12.1%	Ballesteros et al. (2020)
	VI（植被指数）	ELM	RMSE = 6% ，R2 = 0.545	Maimaitiyiming et al. (2019)
	GNDVI（绿色归一化植被指数）	LR	R2 = 0.33 ，RMSE = 5382 kg/ha	Anastasiou et al. (2018)
	NDVI	LR	RE = 5.9 ~ 14.8%	Sun et al. (2017)
	NDVI	LR	ME = 15%	Carrillo et al. (2016)
苹果	NDVI	RF	R2 = 0.71 ，RMSE = 19.90 kg/tree	Bai et al. (2021)
	VI，果实的颜色、质地、形态	BPANN	RAD = 8.05% ~9.76% ，RMSE = 6.90 ~ 7.93 kg ，R2 = 0.83 ~ 0.87	Sun et al. (2020)
	Canopy structure树冠结构	SVM	RMSE = 2.45 kg ，MAPE = 13%	Cheng et al. (2015)
	Canopy structure树冠结构	BPNN	RMSE = 2.03 ~ 2.95 kg ，MAPE = 8.46% ~13.52%	Cheng et al. (2015)
	开花量	LR	ME = 18.12%	Aggelopoulou et al. (2011)
芒果	NDVI	LR	R2 = 0.66 ，RMSE = 56.1 fruit/tree	Anderson et al. (2019)
	冠层面积和体积，果载指数，种类，树高	二次多项式回归	RMSE = 19.67% ~28.83% ，R2 = 0.77 ~ 0.87	Sarron et al. (2018)
	VI，树冠面积	ANN	Error = -7% ~+1%	Rahman et al. (2018)
橄榄	NDVI，平均坡度，树冠体积	MLR	RMSE = 8.21 kg/tree，ME = 0.27 kg/tree ，R2 = 0.6	Stateras & Kalivas (2020)

二、Combining Spectral and Textural Information from UAV RGB Images for Leaf Area Index Monitoring in Kiwifruit Orchard. Remote Sens. 2022, 14, 1063. 结合无人机RGB图像的光谱和纹理信息监测猕猴桃果园的叶面积指数（LAI）

LAI是反映植被生长的重要参数，对于猕猴桃的生长、产量估计和田间管理有重要意义。作者利用无人机搭载的数字相机获取高分辨率的RGB图像，提取颜色和纹理特征，建立LAI的估计模型。
1.研究方法：选取了中国陕西省杨凌农业高新技术示范区的一个猕猴桃果园作为研究区域，使用CI-110仪器对80个样点的LAI进行了非破坏性测量。同时，使用DJI Phantom 4 PRO无人机在2021年5月至7月分别获取了三个生长阶段（初花期、幼果期和果实膨大期）的RGB图像，并使用Agisoft PhotoScan软件进行了正射校正和拼接。根据RGB图像的三个波段（红、绿、蓝），提取了17个光谱指数和24个纹理特征，并与LAI进行了相关性分析。然后，使用单因子回归模型、逐步回归模型和随机森林回归模型分别建立了LAI的估计模型，并使用R2、RMSE和nRMSE等指标评价了模型的精度。
2.研究结果：结果表明，单因子回归模型中，二次多项式函数的拟合效果最好，但预测能力一般。逐步回归模型和随机森林回归模型中，结合纹理特征的模型比仅基于光谱指数的模型具有更高的精度，其中随机森林回归模型表现最佳，R2达到0.972，RMSE为0.035，nRMSE为5.80%。
研究证明了无人机RGB图像结合纹理特征可以有效地估计猕猴桃果园的LAI，为猕猴桃的生长过程监测提供了一种有效的方法。这对于利用低成本的无人机遥感技术实现猕猴桃生长的大面积和高质量监测，提供了科学指导和实用方法，为猕猴桃生长调查提供了理论依据。

三、Beyond the traditional NDVI index as a key factor to mainstream the use of UAV in precision viticulture（2021，超越传统NDVI指数作为关键因素，将无人机应用于精准葡萄栽培）

用无人机搭载的多光谱相机，获取葡萄园的光谱和几何信息，从而评估葡萄生长和产量。
• 无人机数据：使用Agisoft Metashape Professional软件对无人机拍摄的图像进行预处理和辐射定标，然后使用Matlab软件计算了植被指数（NDVI）、冠层厚度和体积等参数。
• 机器学习预测模型：使用Matlab的Regression Learner应用，训练了多种回归模型，包括线性回归、决策树、高斯过程回归、支持向量机和随机森林等，来预测葡萄的产量、可溶性固形物含量和修剪重量等参数。
• 实验结果：在意大利的三个葡萄园进行了为期三年的实验，分析不同生长季节的气候特征和葡萄生理响应，比较不同回归模型的预测性能。
（1）基于无人机数据的预测方法优于传统的地面观测方法，且几何参数比光谱参数更稳定和准确。
（2）比较传统的回归方法和机器学习方法在预测葡萄参数方面的差异，发现机器学习方法能够提高预测精度和稳定性，尤其是在考虑了多年的气候变化和不同的田间条件的时候。作者认为，机器学习方法能够更好地捕捉数据中的非线性关系和复杂特征。
（3）基于几何数据的随机森林模型在所有葡萄园中都表现出较高的相关性和较低的误差，而基于光谱数据的线性回归模型则表现出较低的相关性和较高的误差。因为几何数据能够更好地反映葡萄生长和产量的空间变异性，而光谱数据则受到多种因素的影响，如光照条件、叶片状态和土壤背景等。