利用植被指数或纹理特征可以很好地预测含水量，但预测精度不能达到预期的精度。为此，本研究以UAV遥感影像与多植被指数融合为例，以上述7种植被指数及12种影像纹理特征进行综合分析，综合运用上述7种植被指数及12种图像纹理特征进行预测，实现植被指数与纹理的融合。从图6可以看出，融合植被指数和纹理特征可以获得更高的预测精度(R2=0.86,RMSEP=0.026,rRMSE=3.51%)。通过对比多种植被指标和纹理特征，预测误差RMSEP分别降低了16.13%和18.75%。图7显示了不同特征在预测模型中的重要性，可以看出这些特征对模型的重要性是不同的，其中B_EN和R_EN具有最重要的意义，这就说明了基于随机森林回归的多特征融合方法有可能改变单个图像特征与含水量之间的关系。此外，3种多光谱指标也显示出相当高的重要性。这说明融合图像纹理特征及植被指数对提高水稻水分预报精度具有重要意义。最后，在最佳含水率预测模型基础上，得出水稻全生长期水分分布图。

结果表明，随着生长期，稻米含水率逐渐降低，灌浆后期达到最小。在分蘖前期至孕穗期，水稻水分含量变化不明显，且各地块无显著差异。自抽穗期以来，各地块水分含量逐渐表现出显著差异。结果与图2(c)中所测得的水分变化基本相同。这也说明无人机遥感平台可以为作物生长提供多时空的田间处方图，有利于精确农业应用和田间管理决策。

5结论

本文主要是利用多旋翼无人机遥感平台，携带RGB相机和多光谱相机，来完成水稻生长全程监测，并对含水率进行评估。

(1)利用无人机图像中的植被指数、纹理特征以及地面测量的含水率可以进行水稻生长监测，它们能够反映整个生长周期的动态交替变化，而且这些参数也具有相似的动态变化趋势。

(2)植被指数和结构特征在预测水稻水分含量方面具有较大潜力。利用单一图像特征，对NDSI771,611和NDSI784,611植被指数具有较高的预测精度。同时，多种植被指数或多纹理特征的融合可以大大提高单一图像特征的预测精度，RMSEP预测误差分别减少20.51%和40.74%。

(3)植被指数与纹理特征相结合可以进一步提高水稻水分含量预测效果，预测误差RMSEP分别降低16.13%和18.75%。

在此基础上，本研究重点探讨了不同图像特征对作物生长参数的预测差异，发现多个图像特征融合能提高作物生长参数的预测精度，与以往的研究结果基本吻合。今后的研究内容包括探讨多个图像特征融合对其它作物生长参数评价精度的影响，以及该模型对其它作物品种的适应性，提高模型的鲁棒性等。