由于棉花的种植工序较为繁琐,生长周期较长,加之机械化程度低,田间管理大多依赖人工,部分黄河流域植棉大省棉花种植面积出现较大下滑。随着遥感、卫星定位系统和地理信息系统的快速发展,无人机遥感技术得到了广泛应用。低空无人机遥感系统凭借其质量轻、速度快、图像分辨率高和周期短等优点,为中小尺度的农业遥感监测提供了技术支持。利用御2pro无人机获取棉花初蕾期、盛蕾期、花期和铃期的可见光图像,并基于可见光图像提取植被指数、纹理特征、植被覆盖度和株高参数,利用上述参数建立了棉花产量的反演预测模型,研究结果为田间棉花的日常管理提供参考。(1)以山东棉花研究中心自主培育的11个品种的棉花作为研究对象,通过御2pro无人机获取棉花裸地、初蕾期、盛蕾期、花期和铃期的可见光图像,并利用Agisoft Photo Scan Professiona软件对无人机获取的试验田可见光图像进行拼接,生成试验田的正射影像和数字表面模型。(2)通过分析试验区域中棉花盛蕾期生长阶段的植被、土壤和阴影部分的可见光波段的光谱差异,构建了蓝绿特征植被指数(TBVI)、红绿特征植被指数(TRVI)。利用TBVI、TRVI、过绿指数(EXG)、差异植被指数(VDVI)、归一化绿蓝差异指数(NGBDI)和红绿指数(GRVI)六种可见光波段植被指数,分别结合植被指数阈值法、经验模型法和最大熵阈值法提取了棉花初蕾期、盛蕾期、花期和铃期的植被覆盖度信息。将支持向量机分类结果作为真值,R~2、RMSE和n RMSE作为评价指标对上述三种方法提取的棉花植被覆盖度精度进行验证。结果表明,与最大熵阈值法和经验模型法相比,植被指数阈值法的提取效果最好;在植被指数阈值法提取棉花四个时期的植被覆盖度过程中,TRVI植被覆盖度提取效果最好(初蕾期:R~2=0.8484,RMS E=2.0716,n RMSE=3.9648%,盛蕾期:R~2=0.8088,RMSE=2.5966,n RMSE=3.6329%,花期:R~2=0.9942,RMSE=0.5113,n RMSE=0.5903%,铃期:R~2=0.9775,RMSE=0.7792,n RMSE=0.8504%)。根据植被覆盖度提取精度评价结果,选取TRVI结合植被指数阈值法对棉花四个时期的植被覆盖度进行提取,棉花四个时期的植被覆盖度分别为29.05%、55.96%、78.70%和91.74%。(3)将棉花裸地的DSM作为基准,通过DSM差值法获取棉花初蕾期、盛蕾期和花期的株高参数。利用株高灰度图和株高统计直方图判断棉花株高提取效果,在棉花D SM差值图像上统计样本区域的株高信息,用田间棉花实测株高对DSM差值法提取的结果进行验证。结果表明:DSM差值法提取的棉花初蕾期、盛蕾期和花期的株高效果较好(初蕾期:R~2=0.781,RMSE=1.770,n RMSE=4.722%,盛蕾期:R~2=0.79,R MSE=2.994,n RMSE=4.449%,花期:R~2=0.8373,RMSE=4.0179,n RMSE=4.7101%)。将TRVI结合植被指数阈值法提取的棉花初蕾期、盛蕾期和花期的棉花植被的矢量文件应用于DSM差值法获取的棉花初蕾期、盛蕾期和花期株高参数中进行裁剪,生成棉花初蕾期、盛蕾期花期的株高等级分布图。棉花株高等级分布图可以方便田间管理者了解棉花的生长状况,为后续的管理提供指导。(4)将R~2、RMSE作为棉花产量反演因子的选择标准,对可见光波段植被指数、株高、纹理特征和植被覆盖度进行筛选。选取棉花花期生长阶段可见光图像中7×7窗口红色波段的相异性和13×13窗口下红色波段的信息熵、TRVI植被指数、植被覆盖度和株高特征作为棉花产量模型的反演因子。将实测的棉花产量分为建模集和验证集,结合逐步回归、偏最小二乘法和BP神经网络法分别构建了棉花产量的反演预测模型,利用棉花产量的验证集对上述建立的棉花产量预测模型进行验证。结果表明:基于B P神经网络模型构建的棉花产量反演模型精度较高(R~2=0.8533,RMSE=6.8826,n RM SE=8.4906%)。