DB62/T 5209-2026 河西灌区无人机高光谱遥感玉米产量估算技术规程

ICS 65.020.20 CCS B 01

DB62

甘肃 省地 方标 准

DB62/T 5209—2026

河西灌区无人机高光谱遥感玉米产量估算技术规程

Technical specification for maize yield estimation using uav-based hyperspectral remote sensing in Hexi Irrigation district

2026-08-09实施

2026-05-09 发布

 

甘肃省市场监督管理局发 布

DB62/T 5209—2026

目次

前言 II

1 范围 1

2 规范性引用文件 1

3 术语和定义 1

4 技术流程 1

5 作业安全 2

6 无人机飞行作业与数据获取 2

6.1 无人机与高光谱传感器系统要求 2

6.2 无人机飞行作业与数据获取 2

6.3 辐射定标 3

7 地面数据采集 3

7.1 样地设置 3

7.2 数据采集 3

8 高光谱数据预处理 3

8.1 辐射校正 4

8.2 大气校正 4

8.3 几何 校正 4

8.4 正射图像合成 4

8.5 感兴趣区构建与光谱反射率提取 4

9 特征提取 4

10 随机森林模型构建 5

10.1 数据集划分 5

10.2 参数设定 5

10.3 建模软件环境 5

11 模型评价与验证 5

11.1 一般要求 5

11.2 决定系数(R²) 5

11.3 相对均方根误差(rRMSE) 6

12 产量制图 6

I

DB62/T 5209—2026

前言

本文件按照GB/T 1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由甘肃省农业农村厅提出并监督实施。

本文件由甘肃省粮食油料作物栽培标准化技术委员会归口。

本文件起草单位：甘肃省农业科学院蔬菜研究所、民勤县农业技术推广中心、临泽县农业技术推广中心、甘肃省农业科学院土壤肥料与节水农业研究所、甘肃省农业科学院农业经济与信息研究所。

本文件主要起草人：陈娟、段振佼、贾霄、杜少平、马忠明、唐超男、罗双龙、白玉龙、尤文军、 王晓兵。

本文件由甘肃省粮食油料作物栽培标准化技术委员会负责解释。

II

1 范围

本文件规定了玉米抽雄期利用无人机搭载高光谱传感器进行遥感监测，并应用随机森林机器学习算法进行产量估算的技术流程、指标体系、数据处理方法、模型构建及产量制图等关键步骤。

本文件适用于农业科研机构、农田管理部门及规模化种植户利用无人机高光谱遥感进行河西地区玉米产量估算。

2 规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件;不注日期的引用文件，其最新版本(包括所有的修改单)适用于本文件。

GB/T 36301 航天高光谱成像数据预处理产品分级

CH/Z 3001 无人机航摄安全作业基本要求

NY/T 1209 农作物品种试验与信息化技术规范玉米

NY/T 4151 农业遥感监测无人机影像预处理技术规范

NY/T 4380.1 农业遥感调查通用技术农作物估产监测技术规范

3 术语和定义

下列术语和定义适用于本文件。

3.1

遥感 Remote Sensing

不接触物体本身，利用传感器收集目标物的电磁波信息，经处理与分析后，识别目标物几何、物理特征及其相互关系的探测技术。

3.2

高光谱遥感 Hyperspectral Remote Sensing

利用成像光谱仪在可见光至短波红外等电磁波谱范围内，以纳米级的高光谱分辨率获取目标在数十至数百个连续窄波段上的辐射信息的技术。

3.3

随机森林 Random Forest

一种包含多个决策树的集成机器学习算法。通过构建多棵决策树，并基于各树的预测结果进行投票 (分类)或平均(回归)产生最终结果。

4 技术流程

1

本规程的技术流程应按照GB/T 36301、NY/T 4151与NY/T 4380.1相关规定执行。遵循“数据获取一数据预处理一特征提取一模型构建—产量制图”的逻辑闭环。具体流程如图1所示。

数据获取

数据预处 理

特征提取

模型构建

产量制图

无人机高光谱航拍作业地面辅助数据采集

严格控制飞行参数成熟期：实收测产

原始数据与地面真值

辐射校正几何校正大气校正

地表反射率影像

窄波段光谱指数提取

训练集/测试集划分随机森林回归模型构建模型精度评估

全区域数据反演产量分布图生成

图1 无人机高光谱遥感玉米产量估算技术流程图

5 作业安全

按照CH/Z 3001相关规定执行，无人机飞行需严格遵守民航局及当地空域管理规定，避开禁飞区。 操作人员应持证上岗，并在作业前检查设备电池及通信链路状态，确保飞行安全。

6 无人机飞行作业与数据获取

6.1 无人机与高光谱传感器系统要求

6.1.1 无人机要求

续航不小于30 min, 载荷不低于1kg, 支持实时动态差分技术( RTK), 平面精度不大于2cm, 宜选用多旋翼或固定翼无人机。

6.1.2 高光谱传感器要求

推扫式成像光谱仪，波长范围400 nm～1000 nm, 光谱分辨率不小于5nm, 波段数量不少于100个， 数据采集速率不低于30 fps, 信噪比(SNR) 不小于500:1,数据输出格式宜为通用高光谱数据格式(BSQ, BIL, BIP 存储格式)。

6.2 无人机飞行作业与数据获取

6.2.1 采集时期

玉米抽雄期。

6.2.2 飞行航向与高度

无人机飞行方向垂直于种植行方向，飞行高度要求不超过100m。

6.2.3 重叠 度

航向重叠度至少达到85%,旁向重叠度至少达到80%。

6.2.4 飞行速度

飞行速度宜为3m/s～6m/s。

6.2.5 采集时间

采集时间宜为北京时间10:00～14:00。

6.2.6 天气条件

选择晴朗少云或光照稳定的天气，作业时风速不大于4m/s, 太阳高度角不低于50°。

6.2.7 地面控制点

采用带有明显标识的靶标作为地面控制点，布设密度不少于5个/亩，均匀分布于测产区域边缘及内部关键拐点，避免集中在同一区域。使用RTK设备记录靶标中心的精确地理位置，定位精度不低于2cm。

6.3 辐射定标

6.3.1 定标板布设

在测区内选择地势平坦、无遮挡的区域，布设反射率分别约为5%(黑板)、20%(灰板)和60%(白板)的标准漫反射板，反射率偏差不超过±2%。铺设时需确保板面水平、紧贴地面并可靠固定，避免褶皱或倾斜，同时应使用GPS设备记录每块定标板中心的精确地理位置。

6.3.2 地面光谱同步测量

在无人机飞行前30 min内与飞行后30min内，使用经校准的地物光谱仪对各定标板进行垂直测量。 测量时传感器探头垂直于定标板表面，距离板面10cm～20cm, 避免阴影干扰。每块定标板测量次数不少于10次，计算平均值作为该定标板的标准反射率。

7 地面数据采集

7.1 样地设置

应选择具有代表性的玉米种植地块，其土壤类型、肥力水平、玉米品种及种植管理方式应保持一致， 样本总数不少于30个，每个样点面积不小于20m², 样地之间的直线距离不小于50m, 并记录每个小区的中心GPS坐标。

7.2 数据采集

在玉米成熟期，对每个样地进行破坏性采样测产，按照NY/T 1209规定执行。

8 高光谱数据预处理

3

8.1 辐射校正

在ENVI5.6 软件中，应用“Radiometric Correction>Empirical Line Compute Factors”工具，利用5%、 20%、60%定标板的ROI均值与标准反射率数据，采用线性拟合法 ( Linear Fit) 解算辐射定标系数;随后通过“Apply Gain and Offset” 工具将原始像元亮度值( DN) 转换为大气上界辐射亮度，校正后的反射率偏差不大于5%。

8.2 大气校正

在ENVI5.6 软件中，启动FLAASH大气校正模块，导入经辐射定标预处理后的高光谱辐射亮度影像， 精准适配该影像对应的传感器参数(含波段范围、成像几何等);结合河西灌区夏季大气特征，将大气模型设定为Mid-Latitude Summer,气溶胶模型选择Rural, 指定940nm波段作为水汽反演波段，采用Auto 模式计算水汽含量，设置输出地表反射率数据取值范围为0～1后执行校正操作;校正完成后，提取植被像元光谱曲线，通过检验940 nm波段处水汽吸收谷的去除效果，确认地表真实反射率。

8.3 几何校正

将获取的地面控制点数据整理并保存为.txt 格式，文件字段包含ID ( 控制点编号)、X ( 地图X坐标)、 Y ( 地图Y坐标)、Row ( 影像行号)、Col ( 影像列号),在ENVI5.6 软件中，打开“Geometric Correction >P olynomial Correction” 模块，导入待校正影像及控制点文件，设置多项式次数为2次并确认。软件通过自动拟合模型并计算控制点残差，剔除RMSE异常点进行重算。总体均方根误差( RMSE) 不大于0.5 像素，选择重采样方法为“Bilinear”, 输出几何校正后影像，完成几何校正。

8.4 正射图像合成

基于几何校正后的影像，利用ENVI5.6 软件中的Drone Orthorectification模块进行正射纠正，导入几何校正后的影像、无人机RTK飞行日志、地面控制点数据，采用平均海拔常数高程模型 ( Constant Elevation DEM) 作为高程基准，按照原始空间分辨率进行重采样输出，点击“OK” 生成正射影像。叠加地面靶标坐标，靶标中心与影像对应像素的平面偏差不大于1像素，完成正射图像合成。

8.5 感兴趣区构建与光谱反射率提取

在ENVI 5.软件中载入预处理后的正射影像，结合定标板、实验样区及典型背景物的空间分布，采用多边形矢量工具 ( Polygon ROI) 构建分类分析单元。为确保提取波谱的代表性，绘图过程中严格遵循像元纯度控制原则，通过向内收缩边界的策略主动剔除边缘混合像元、光照阴影及边缘噪声。感兴趣区构建完成后，调用Extract Spectra from ROI模块，将矢量边界与高光谱数据立方体进行空间关联，设定统计逻辑为像元算术平均值( Mean), 批量计算并提取各样区的平均光谱反射率曲线。最终数据导出为标准光谱库文件 ( sli) 或文本格式(.txt), 为后续植被指数计算提供核心输入源。

9 特征提取

提取各采样点感兴趣区光谱反射率，计算植被指数，具体指数及计算公式如表1所示。

4

表1 植被指数名称及计算公式

植被指数

计算公式

归一化差异植被指数(NDVI)

(R800—R₆70)/(R800+R₆70)

增强型植被指数(EVI)

2.5×(R8o—R₆70)/(R8o+6×R₆70—7.5×R475+1)

红边归一化差值植被指数(NDRE)

(R790—R720)/(R790+R720)

光化学植被指数(PRI)

(R531—R570)/(Rs31+R570)

红边位置(REP)

700+40×[(R670+R780)/2—R7oo]/(R₇40-R70o)

转换型叶绿素吸收反射率指数(TCARI)

3×[(R700—R₆70)—0.2×(R70o—Rs50)×(R7o √R₆70)]

优化土壤调整植被指数(OSAVI)

1.16×(Ro0—R₆7o)/(R8o+R₆o+0.16)

绿色归一化差值植被指数(GNDVI)

(R80—Rs5o)/(R800+R50)

比值植被指数(RVI)

Rsoo/R670

改良叶绿素吸收反射率指数(MCARI)

[(R700—R₆70)一0.2×(R700—Rs50)]×(R70oR₆70)

归一化水分指数(NDWI)

(R860—R1240)/(R86o+R1240)

水分指数(WI)

Ro/R970

注：Ra表示波长为λnm处的反射率。

10 随机森林模型构建

10.1 数据集划分

将全样本集(特征与产量),随机按7:3的比例划分为训练集和验证集。

10.2 参数设定

采用网格搜索结合交叉验证进行参数寻优。决策树数量为100～500,最大特征数为总特征数的1/3~

1,最小叶子节点样本数为1～10。

10.3 建模软件环境

采用Python(基于Scikit-learn机器学习库)或 MATLAB ( 利用Statistics and MachineLearning Toolbox) 等专业统计软件进行模型构建与实现。

11 模型评价与验证

11.1 一般要求

为确保产量估算结果的可靠性，必须对模型进行严格的统计学评价。使用预留的测试集对模型进行验证，计算核心指标。

11.2 决定系数 (R²)

表征模型对产量变异的解释能力，R² 不小于0.7,具体计算见公式(1)。

5

式中：

R² ——系数;

y;—— 第i 块样地的实测产量;

9 ——第i 块样地的预测产量;

y ——所有样地实测产量的平均产量;

N ——所为样本总数。

11.3 相对均方根误差 (rRMSE)

衡量模型预测精度的标准化指标，rRMSE 不大于20%,具体计算见公式(2)。

6

……

………

…(2)

rRMSE——相对均方根误差;

y; ——第i 块样地的实测产量;

——第i 块样地的预测产量;

y ——所有样地实测产量的平均产量;

N ——所为样本总数。

12 产量制图

将预处理后的高光谱影像特征输入至已构建的随机森林回归模型中，执行逐像元特征映射与产量预测，生成高空间分辨率的玉米产量分布栅格数据。随后，利用地理信息系统(GIS) 平台进行空间可视化表达：采用分级设色法(Graduated Colors) 对产量数据进行渲染，结合自然断点法( Jenks) 或等间距法划分产量等级，以清晰反映测区内的空间变异规律。制图过程中，需严格遵循地图制图标准，配置完整的地图要素(图名、图例、比例尺、指北针及数据源说明),最终输出规范的玉米产量空间分布专题图。

DB62/T 5209-2026