2026年1月，美国罗切斯特理工大学的Mohammad S. Saif等人在ISPRSJournal of Photogrammetry and Remote Sensing期刊上发表了题为Advancing table beet root yield estimation via unmanned aerial systems(UAS) multi-modal sensing的文章。该文章提出了一种不依赖作物生长阶段和收获时间的统一高斯过程回归模型(GPR)，结合无人机多光谱、高光谱及LiDAR多模态遥感数据，并融入气象信息，实现了食用甜菜根产量的精准预测。

研究的主要目的：

1.构建一种不依赖于作物生长阶段、飞行时间与收获时间限制的作物产量预测模型。

2.评估该模型在不同生长季节及生长阶段的适用性。

3.系统比较多光谱、高光谱、LiDAR等无人机成像系统在作物产量估算中的性能差异。

图1.无人机多模态传感器载荷实物照片

该研究于康奈尔大学农业技术中心进行，利用无人机同步采集多光谱、高光谱与LiDAR点云数据，提取冠层体积、植被指数及气象信息，构建高斯过程回归模型。该模型仅需单次飞行数据，即可消除对作物特定生育期与收获时间的依赖，具备较强的泛化能力与可解释性，能够有效实现根茎类作物的生长阶段无关的产量预测，这为实际应用提供了实际优势。

图2.基于无人机多模态数据与气象信息的统一产量预测流程图

研究评估了不同传感器组合的性能，包括多光谱+运动恢复结构(SfM)、多光谱+LiDAR、高光谱+LiDAR以及高光谱+SfM。结果表明，多光谱影像结合SfM导出的冠层体积获得了最佳的测试精度(R²=0.81，MAPE=15.7%)，其次是高光谱与LiDAR的组合(R²=0.79，MAPE=17.4%)。在早期植株生长阶段及甜菜等此类低矮冠层作物，多光谱SfM可能比LiDAR提供更具成本效益和准确度的结构数据。通过引入少量跨年度样本，模型能够有效适应新的生长季，验证了其跨季节迁移能力。

图3.穗密度估算与手工测量的对比分析图

基于SHAP值的特征重要性分析表明，冠层体积是预测根产量的最重要特征，并且与产量呈稳定的正相关。模型在55至85天种植后的窗口期表现最佳，但在40至95天范围内仍能保持较高精度。气象因子的依赖分析显示，模型对天气条件变化不敏感，表现出良好的稳定性。该研究证实了冠层结构参数作为块根产量的替代指标的有效性，并为地下根类作物的遥感估产提供了可推广的技术框架。

图4.基于多视角重叠影像的 SfM 点云重建原理示意图

该研究基于无人机多模态遥感与高斯过程回归模型，实现了生育期通用、跨季可迁移的食用甜菜块根产量精准预测；冠层结构为核心预测因子，气象数据可显著提升模型稳定性；多光谱结合SfM的低成本方案可替代高光谱与 LiDAR系统，为块根类作物轻量、规模化产量估算提供了实用技术支撑。