近日，我院作物高产高效栽培与生态耕作创新团队博士后王光涛在Smart Agricultural Technology发表了题为“Integration of multi-source UAV remote sensing features and derived features for winter wheat aboveground biomass estimation”的研究论文。该研究针对冬小麦不同生育时期冠层变化给无人机地上生物量（AGB）预测带来的挑战，综合植被指数、纹理特征、激光雷达及衍生特征，结合4种机器学习算法开展冬小麦AGB估算。结果表明，纹理特征单源模型的预测表现优于其他单源特征集；多源特征与衍生特征融合进一步提高了估算精度，其中随机森林模型表现最佳（R²=0.923，RMSE=1.731 Mg ha⁻¹）。分时期评估模型中，孕穗期模型精度最高（R²=0.632，RMSE=1.425 Mg ha⁻¹）。特征贡献分析表明，冠层覆盖度和多个衍生特征是全特征融合模型的重要预测因子，且不同生育期的主导预测因子存在差异。研究为冬小麦AGB快速无损估算和精准农业管理提供了有效途径。

图1基于全特征数据融合的AGB估算性能

河南科技学院为第一完成单位，我院姚素梅教授和河南师范大学生命科学学院姜丽娜教授为通信作者。该研究得到河南省科技攻关项目（192102110144、262102110205）和河南省重点研发项目（26111113000）资助。

论文链接：https://doi.org/10.1016/j.atech.2026.102656

撰稿/王光涛 初审/王志伟 复审/朱启迪 终审/于江傲