传统的作物生物量估算模型受小麦肥力过程的影响，往往产生较大的误差，限制了整个生育期作物生物量的准确监测。本研究利用ResNet-Wheat模型提取小麦物候信息，并利用该信息建立地上生物量(aboveground biomass，AGB)估算模型。利用无人机获取的光谱信息，对生物量估算模型的系数(k, b)进行倒置，构建新的小麦生物量估算模型(FIWheat-AGB)。ResNet-Wheat模型在不同物候阶段的总体识别准确率为94.4%，证明其是FIWheat-AGB模型可靠、准确的育期指数(fertility period index，FI)来源。将Lasso模型与6个与AGB相关性较强的植被指数(vegetation indexes，VIs)相结合，可以反演出5个物候期的生物量系数(k, b)， R2均在0.86以上。RMSE和MAE也保持稳定。FIWheat-AGB模型利用物候信息和VIs，预测AGB具有较高的精度，R2范围为0.84 ~ 0.91，RMSE保持在1.69 ~ 2.11 t/ha， MAE在几个时期内始终保持在1 t/ha以下。因此，与光谱直接监测的多期分割模型(R2范围为0.57 ~ 0.75)相比，该模型更适合小麦全物候期监测，且与常用的光谱生物量估算模型和作物模拟模型相比，该模型在估算全肥力生物量方面具有更高的精度。所提出的技术可以帮助估计其他作物在整个生育期的农艺参数。

图1  三测试中使用的设备和方法(A.时序图像采集原理图; B.利用无人机进行光谱数据采集; C.小麦不同生育期图像; D.获取AGB的流程图)。

图2  ResNet-Wheat模型和LeNet-5模型的架构。

图3  AGB估算方法的比较。

图4 模型训练精度和损失曲线(A.训练精度曲线;B.损耗曲线)。

图5 ResNet-Wheat模型分类的混淆矩阵。

图6 AGB与FI的关系(a)。15个处理的总生物量模型B.分别模拟5个实验处理的生物量)。

图7 小麦不同生育期AGB和光谱特征(A。不同生长阶段具有相似的光谱特征;B.不同生长阶段的光谱特征;C.不同生长阶段的AGB)。

图8 二维相关光谱结果。

图9 不同方法估算AGB结果(a . FIWHEAT-AGB模型估算AGB的1:1折线图;模型评价指标;C-G:估算各时期AGB的最佳模型和结果)。

图10 FIWheat-AGB模型与常规方法的比较。

图11 FIWheat-AGB模型估计了2020年和2021年的生物量结果。

图12 FIWheat-AGB模型在生产中的应用(A B.江苏省; C. FIWheat-AGB模型对不同处理的适用性; D.估计不同生育时期的AGB地图)。

图13 DASWheat-AGB模型估算AGB的结果。