一种适用于滴灌条件下保护性农业的免耕玉米播种技术

《Computers and Electronics in Agriculture》：A no-till maize seeding technique for conservation agriculture in drip irrigation environments

本研究提出基于无人机多光谱影像和深度学习的作物产量估算框架，通过SPARC网络融合时空物候特征与冠层结构分析，结合U-Net小麦穗分割技术，实现18个时间点的精细化监测，在小麦全生育期中取得R2=0.89的估算精度，显著优于传统光谱指数方法。

　　本文探讨了利用无人机（UAV）多光谱影像和深度神经网络进行作物产量估算的新方法。随着全球人口增长和气候变化的加剧，农业生产力对于粮食安全变得至关重要。传统的产量估算方法往往依赖于统计模型或最终阶段的评估，但这些方法在适应当前气候条件和实时监测方面存在局限性。因此，开发一种能够实现动态决策、提高预测精度的作物产量估算框架成为研究重点。

在作物生长过程中，不同阶段对产量的贡献各不相同。例如，开花和灌浆阶段对干旱和病害尤为敏感，这些阶段的准确监测能够帮助农民及时采取防治措施。此外，作物的生长状态直接影响其对水分、养分和病虫害的响应。通过精确地跟踪这些生长阶段，农业管理者可以优化灌溉、施肥和收获时间，从而提高整体产量。然而，传统的生长阶段估算方法依赖于人工观察，不仅耗时费力，而且容易出错，难以覆盖大面积农田。

近年来，无人机技术的出现为农业监测提供了新的可能性。无人机能够提供高分辨率的时空数据，使得对作物生长状态的监测更加精准。与卫星遥感相比，无人机采集的数据在空间和时间分辨率上更具优势，可以用于单株和小地块级别的作物分析。多光谱影像技术能够获取植被指数（VIs）等关键数据，如归一化植被指数（NDVI）、简化冠层叶绿素含量指数（SCCCI）和增强植被指数（EVI），这些数据有助于实时监测作物健康状况和生长阶段的变化。

本文提出了一种基于无人机多光谱影像和深度神经网络的作物产量估算框架。该框架结合了自定义的Spatial Phenology Attention and Feature Cross（SPARC）网络，用于自动识别作物的生长阶段，以及基于U-Net模型的半自动小麦穗分割，以提高产量估算的准确性。通过收集18个时间点的无人机影像数据，生成反射率图、植被指数、冠层高度模型和覆盖度图，可以提取出地块级别的生长和形态特征，并用于训练多种回归模型进行产量预测。实验结果显示，结合时间序列的生长特征与结构特征，能够显著提高产量估算的准确性，其中梯度提升回归模型的R2值达到0.89。

在作物产量预测的研究中，传统的统计模型往往难以适应当前的气候条件，而基于最终阶段的评估方法则只能在收获后提供相关信息。因此，开发一种能够在生长过程中进行动态预测的框架具有重要意义。这种框架不仅能够帮助农民在收获前做出更精准的产量预测，还能够优化资源使用，减少浪费和成本。此外，政府、出口商和农业企业可以利用这些预测结果，进行更有效的贸易和仓储决策。

本文的研究成果表明，将生长阶段与形态特征相结合，能够显著提高作物产量估算的准确性。SPARC网络的性能进一步证明了空间注意力机制在捕捉生长阶段之间的细微差异方面的价值。这与近期无人机作物生长研究的结果一致，即时间一致性是检测细微生长变化的关键因素。通过结合高分辨率的时空数据、植被指数、冠层高度模型和半自动的作物穗分割，本文提出的框架能够有效解决传统方法在时空分辨率和结构信息方面的不足。

此外，本文还探讨了基于无人机多光谱影像和深度神经网络的作物产量估算方法的实施过程。该方法包括无人机数据采集、数据处理、特征提取、生长阶段分析以及产量预测等关键步骤。通过使用SAM 2生成的掩膜和微调的U-Net模型，实现了对小麦穗的半自动分割，从而提高了产量估算的准确性。实验结果表明，这种方法不仅能够提高产量估算的精度，还能够实现大规模、非破坏性的作物监测，为农民和育种者提供实用的信息。

本文的研究为农业监测和产量预测提供了新的思路和方法。通过引入基于无人机的多光谱影像技术和深度神经网络，能够实现对作物生长状态的精确监测，以及对产量的动态预测。这种方法不仅提高了预测的准确性，还增强了系统的可扩展性和非破坏性，为农业可持续发展提供了支持。未来的研究可以进一步探索如何将这些技术应用于其他作物，以提高农业生产的效率和可持续性。