Multitemporal UAV-Based Estimation of Kenaf (Hibiscus cannabinus L.) Plant Height Under Nitrogen and Compost Treatments

方法

五期多光谱无人机影像，对象分割提取植被，ΔDSMt结合NDVI等建多元线性回归。

发现

UAV-MLR模型拟合优度达0.9858，RMSE比地面模型降低62.3%。

机会点

可推广至其他纤维/能源作物，并融合机器学习与多源遥感提升跨生育期泛化能力。

本研究旨在评估在氮肥和堆肥处理下洋麻（Hibiscus cannabinus L.）的生长响应，并构建基于无人机（UAV）的株高估测模型。在收获期（播种后110天，DAS），地面实测株高差异不显著，凸显了多时相监测的必要性。在5个生长阶段（20–110 DAS）获取了多光谱无人机影像。采用基于对象的图像分割提取纯植被区域，并利用数字表面模型差值（ΔDSMt）以降低微地形效应。利用ΔDSMt、NDVI、GNDVI和NGRDI构建了基于无人机的多元线性回归（UAV-MLR）模型，以整合互补的结构与光谱信息。在标定数据集上评估，UAV-MLR模型表现出较高的拟合性能（调整R² = 0.9858，RMSE = 14.95 cm，MAE = 11.31 cm），优于基于茎粗的地面简单线性回归（G-SLR）模型（调整R² = 0.9615，RMSE = 39.68 cm，MAE = 29.16 cm）。通过整合结构与光谱信息，所提方法将RMSE降低了62.3%，为作物监测和精准农业提供了一种高精度、非破坏性工具。