摘要：[目的]收获前获取水稻育种小区的产量信息是高通量表型监测的重要组成部分，也是水稻高产育种的迫切需求。当前，水稻产量预测方法大多基于少数品种，且由线性回归、机器学习等方法建模，因此估产模型一般都存在迁移性较差、精度不高等问题。本研究旨在利用无人机影像和深度学习网络构建适用于多水稻品种的产量预测模型。[方法]利用无人机获取了水稻育种试验的多时相RGB和多光谱影像，系统比较了线性回归、机器学习、深度学习算法在产量预测上的表现；同时，提出了一种基于注意力机制和卷积神经网络的水稻产量预测方法，并对比分析了ResNet50，MobileNetV3，ShuffleNetV2三种网络的表现。[结果]线性回归和机器学习算法在水稻育种小区产量预测上表现较差(R2<0.3)。MobileNet模型的收敛速度和预测精度是最高的，测试结果为R2、RMSE、RRMSE分别为0.55、1.06 t·hm-2、12.62%。引入注意力机制的MobileNet模型的收敛速度和预测精度得到了一定的提高，测试结果为R2、RMSE、RRMSE分别为0.58、1.03·hm-2、12.26%。利用时域卷积网络(Temporal Convolutional Network)构建的时间序列模型对水稻产量预测精度有一定提升，R2、RMSE、RRMSE分别达到了0.64、0.96 t·hm-2、11.4%。[结论]卷积神经网络为水稻育种材料产量预测提供了可靠方法，为基于无人机平台的水稻高通量表型研究提供较好的技术支撑。
文章目录
1 材料与方法
1.1 试验设计
1.2 数据获取
1.2.1 无人机影像获取
1.2.2 产量获取
1.3 数据处理
1.3.1 无人机影像预处理
1.3.2 植被指数计算
1.3.3 数据集划分
1.4 模型评价精度
1.5 深度学习平台
2 产量预测模型构建
2.1 基于RGB图像的模型结构
2.1.1特征提取层
2.1.2回归预测层
2.2 RGB和多光谱双分支融合后的模型结构
2.2.1 注意力特征融合机制
2.2.2 全连接层
2.3 基于时序无人机影像的水稻产量预测模型构建
2.3.1CNN模型
2.3.2TCN模型
2.3.3QKVAttention（自注意力机制）
3 结果与分析
3.1 产量数据的变异性分析
3.2 植被指数与水稻籽粒产量相关性分析
3.3 基于机器学习的产量预测模型构建
3.4 基于深度学习的产量预测
3.4.1 基于不同时期RGB影像和CNN模型的产量预测
3.4.2 基于不同时期多源影像和CNN模型的产量预测
3.4.3 基于时间序列影像和TCN神经网络的产量预测
4 讨论
4.1 植被指数和机器学习算法在育种小区产量预测上的弊端
4.2 深度学习在作物产量预测上的优势
4.3 无人机遥感技术在作物估产上的应用与展望
5 结论
