基于无人机遥感的冬小麦长势监测与产量预测

裴银宝¹   陈昆²    温秀娟³

1.身份证号码：410225198912063751

2.身份证号码：41148119910625151X

3.身份证号码：410225198510046684

摘要：为实现大田冬小麦长势定量评估与产量快速预估，助力农田数字化管理，本文以冬小麦为研究对象，采用无人机多光谱遥感开展多生育期监测试验。通过影像采集与预处理，提取植被指数、冠层特征等长势参量，解析田间小麦生长的时空分异特征，结合实地测产数据构建产量预测模型并开展精度验证。结果表明，无人机遥感可有效表征冬小麦田间生长状况，构建的预测模型具备良好稳定性与估算精度，能够完成田块尺度长势监测与产量估测。研究形成的技术方案可为冬小麦水肥管理、产量预判提供参考，推动精准农业在粮食生产中的实践应用。

关键词：无人机遥感；冬小麦；长势监测；特征提取；产量预测

引言

冬小麦是北方主要粮食作物，开展长势监测与产量预判对保障粮食安全、落实精准管控意义重大。传统监测依赖人工巡检，覆盖有限、数据滞后，难以实现大田连续动态评估。无人机低空遥感作业灵活、时效性强、分辨率高，可快速采集冠层信息，弥补卫星重访周期长、地面采样不足局限。本文利用无人机获取多生育期数据，提取长势特征，解析生长差异并构建产量预测模型，为水肥调控、灾变应对和产量预判提供支撑，推动粮食生产数字化转型。

1 冬小麦无人机遥感数据采集与预处理

1.1 田间试验区域概况与试验方案布设

本次研究选取华北平原典型冬小麦集中种植片区作为试验区域，片区整体地势平缓开阔，地形起伏幅度较小，区域成土母质相对统一，土壤理化性质保持稳定，可为作物生长提供均匀稳定的基底环境。区域属温带季风气候，年内光热资源分配与降水节律适配冬小麦生长发育周期，整体种植规模化程度较高，田间耕作制度与水肥管理模式趋于统一，能够有效降低人为管护差异对试验数据的干扰。为保障研究样本的客观性与代表性，试验前期结合地块分布格局采用均匀布区方式划定监测单元，依据冬小麦生育进程划分关键观测时段，明确各阶段遥感监测的时间节点与作业范围。同步整理区域长期气象资料、耕地基础属性以及播种栽培参数，构建完整的试验背景数据库，为后续遥感特征解析与产量关联分析奠定严谨可靠的试验基础。

1.2 多生育期遥感影像实地采集作业

结合冬小麦生长发育时序特征，在作物返青拔节灌浆等核心生育阶段开展常态化无人机遥感采集工作，实现小麦生长全过程动态信息记录。采集作业严格筛选气象条件稳定的日间时段，规避多云大风及强光折射等不利环境因素，最大程度降低外部环境对成像质量的干扰。作业前对无人机飞行平台与多光谱载荷设备进行系统性校准调试，统一设定飞行航高航速及影像重叠参数，保证多批次影像空间分辨率与成像角度保持一致。按照预设航线完成全覆盖自动化航拍作业，完整获取试验区小麦冠层纹理形态与光谱反射信息，全程规范留存作业参数与田间实况记录，保证多期遥感数据具备时序可比性与空间完整性，为后续特征提取提供高质量原始数据支撑^[1]。

1.3 遥感原始影像降噪与校正优化处理

无人机野外航拍获取的原始影像易受大气散射飞行姿态偏移及田间杂余因素影响，存在几何偏差辐射失真及点状噪声等问题，难以直接用于定量特征分析。本研究依托专业遥感处理平台开展系统化影像优化处理，依次完成辐射定标与大气校正操作，消除光照差异与大气环境造成的光谱信息偏差，还原作物冠层真实反射率特征。通过几何精校正匹配影像空间坐标与实地地块信息，修正飞行姿态波动引发的图像形变问题。基于拼接裁剪技术剔除道路裸地及阴影等无效区域，整合形成完整连续的试验区遥感影像。辅以精细化滤波处理去除影像随机噪声，在保留作物冠层有效纹理与光谱特征的前提下提升影像整体质量，为后续长势参量提取与时空特征分析提供标准化高精度数据载体。

2 冬小麦长势特征解析与产量预测模型构建

2.1 关键生育期长势参量提取与分析

依托预处理完成的标准化无人机遥感影像，开展冬小麦关键生育期长势参量的精细化提取工作，结合小麦返青至灌浆阶段的生长发育特性，筛选能够表征作物光合效能与生长活力的核心遥感指标。研究重点提取区域植被覆盖度、归一化植被指数及叶面积指数等核心参数，依托影像像素分割与光谱信息解译技术，实现全域长势参量的定量化反演，规避传统人工采样数据覆盖面有限的弊端。通过对不同生育阶段参量数据的批量统计整理，形成时序化长势数据体系，精准捕捉小麦植株冠层生长的动态变化状态。基于提取的多期长势参量数据，开展冬小麦生长规律的系统性分析研究。结合农作物生长生理学机理，探究各类遥感参量在不同生育阶段的数值演变特征，明确作物繁茂程度与光合生长状态的对应关系。通过对比不同监测单元的参量差异，区分田间长势优劣区间，筛选出与小麦生物量及产量形成高度关联的核心特征指标。剔除稳定性较差、相关性较弱的冗余数据，精简模型输入变量，为后续产量预测模型的构建提供精准有效的特征数据支撑，保障数据分析的科学性与有效性^[2]。

2.2 小麦生长态势差异化时空特征挖掘

结合多时序遥感数据，从时间维度挖掘冬小麦全生育期生长动态特征。追踪不同生育阶段长势参量演变趋势，梳理营养生长到生殖生长的发育节奏，明确关键活跃阶段。通过长期时序对比，掌握标准化生长规律，精准识别生长放缓、长势滞后等异常状态，实现动态化、定量化研判。依托空间维度数据，分析田间长势异质性特征，探究土壤水肥、微气候等隐性因素对生长的影响，明确长势不均形成机理。通过可视化呈现全域长势空间分布，区分优产区域与薄弱区域，精准定位生长短板。时空双维特征挖掘，全面揭示小麦生长整体规律与局部差异，为精准管控与产量评估提供数据依据。

2.3 融合遥感特征的产量预测模型搭建

基于高精度遥感长势特征数据集，构建冬小麦产量预测模型。整合关键生育期长势特征与实测产量样本，开展数据清洗、归一化等预处理，统一量纲，消除数值差异干扰。按科学比例划分训练与验证样本，构建适配区域种植环境的建模数据集，保障训练稳定性。结合产量形成复杂关联性，搭建遥感特征融合预测模型，完成参数初始化与迭代优化。依托长势遥感参量与最终产能的内在关联，建立定量映射关系，持续调整参数弱化预测误差。利用验证样本检验模型精度、泛化能力与稳定性，优化模型结构，最终形成高精度产量预测模型，实现依托遥感数据快速精准预估大田小麦产量的目标^[3]。

3 结语

本文以大田冬小麦为研究对象，基于无人机低空遥感技术开展作物长势监测与产量预测研究，构建从影像采集、数据处理到产量建模的完整技术流程。研究规范获取冬小麦关键生育期遥感影像，通过校正降噪完成数据预处理，提取核心植被指数与冠层长势参数，系统分析小麦田间生长时空差异规律。结合实地测产数据构建产量预测模型并完成精度验证，实现冬小麦长势定量评估与产量快速预估，有效证实无人机遥感应用于大田粮食作物动态监测的可行性与实用性。本研究存在试验区域覆盖有限、未融合土壤气象多源数据等不足，模型跨场景泛化能力有待提升。后续将扩大试验范围，引入多维环境数据优化模型结构，降低预测误差，提升模型普适性，为小麦精细化数字化生产管理提供技术参考。

参考文献

[1] 裴浩杰,冯海宽,李长春,金秀良,李振海,杨贵军.基于综合指标的冬小麦长势无人机遥感监测[J].农业工程学报,2017,33(20):74-82.

[2] 刘枰宏,张孟庆,张瑶,牛方鹏,高庭耀,仝方慧,张漫,李民赞.基于PROSAIL与迁移学习的冬小麦分蘖密度无人机遥感监测方法[J].农业工程学报,2026,42(7):171-181.

[3] 樊杰杰,樊意广,马彦鹏,边明博,冯海宽.基于无人机多源遥感信息融合的冬小麦叶片氮素含量监测方法[J].农业机械学报,2026,57(11):314-324.

...