水稻地上生物量(AGB)对碳库和产量估算至关重要，传统上是通过劳动密集型人工采样来测量的。最近的进展是利用遥感，特别是无人驾驶飞行器(uav)，从植物与电磁波谱的相互作用中获得植被指数(VIs)。

　　然而，这些方法面临着挑战:非线性vi -生物量关系导致高生物量水平下的饱和，以及生长后期的敏感性损失。此外，不同水稻品种的不同效率和先进机器学习模型的计算需求增加了复杂性。

　　2023年5月，Plant Phenomics发表了一篇题为《基于光合积累模型的无人机图像估算水稻地上生物量》的研究论文，提出了一种整合无人机VI和冠层高度数据的新模型，可以更准确、更通用地估算整个水稻生长季节的生物量，解决了AGB监测方面存在的空白。

　　在本研究中，初步发现在整个生长季节VI与AGB之间的相关性较弱，并且高度模型的准确性有限。然而，结合NDVI和冠层高度的光合积累模型(PAM)显著提高了AGB估算值(R2=0.95, RMSE=136.81 g/m2)。此外，还建立了简化光合积累模型(SPAM)，该模型在保持R2大于0.8的同时，减少了观测量。

　　这些方法的验证表明，在使用一致的设备和飞行参数的三年中，冠层高度估计的准确性是一致的。遥感在捕获冠层高度方面被证明是有效的，与实际植物高度具有良好的相关性(R2=0.88, RMSE=0.05 m)。利用9个VIs对LAI估算进行了检验，揭示了R2和RMSE在不同年份和指数中的变化。

　　H × VI模型优于单个VI模型，降低了饱和和迟滞效应。在生物量估算中，PAM使用了两种不同的VIs，表明在一组六种VIs (NDVI、EVI2、WDRVI、NDRE、OSAVI和GNDVI)中任意两种都可以在两年内获得稳定的结果。在两年的实验中，PAM与AGB呈显著正相关，R2大于0.8。

　　SPAM的有效性略低于PAM，但仍然优于传统的VI和高度模型。它提高了估计精度，减少了所需的观测频率。利用2022年在不同地点收集的数据对模型的可转移性进行了测试，验证了PAM和SPAM的鲁棒性和泛化能力。这些模型在整个生长季节与不同水稻品种的AGB保持较好的线性关系。

　　综上所述，本研究提供了一种可靠、高效的基于无人机的水稻全生长季AGB估算方法。它为评价水稻生长提供了一种定量工具，并具有大规模田间管理和育种的潜力。未来的研究目标是通过多年试验和更广泛的水稻品种抽样来提高模型的通用性。