作物叶片叶绿素（LCC）和植被覆盖度（FVC）是衡量作物健康状态、生长发育状态和成熟度的重要标志。开展在育种田内众多育种材料的FVC和LCC监测有利于掌握作物生长状态，并评估育种材料成熟度。相较于传统的人工采集作物性状参数监测方式，无人机遥感的方法能够提高工作效率，降低人员成本和人为偏见。更重要的是，无人机技术可以快速提供农田育种材料LCC和FVC图，进而有助于快速开展育种材料成熟信息判断和提取。本研究旨在研究以下问题：（1）基于预训练深度学习网络的图像特征和集成学习是否能够增强遥感LCC和FVC的估算；（2）基于所提出的自适应正态成熟检测算法（ANMD）和LCC和FVC图能否有效监测玉米成熟度。
本研究开展了以下工作：（1）使用无人机收集了七期（大喇叭口期-成熟期）玉米冠层正射影像图以及相应的LCC和六期FVC的地面实测数据。（2）本研究测试了植被指数（VI）、纹理特征（TX）和深层纹理特征（DTF）三种特征开展LCC和FVC估算。同时，本研究测试了四种单一机器学习模型和三种集成模型开展LCC和FVC估算的潜力。（3）本研究采用估算的LCC和FVC结合所提出的ANMD来监测玉米的成熟度。
本研究的结果表明：（1）基于预训练深度学习网络的图像特征更能够准确描述作物冠层结构信息，有效消除饱和效应，提升对LCC和FVC的估算精度。（2）相比于单一机器学习模型，集成模型在估算LCC和FVC时表现更为出色，提供了更高的精度。其中，在估算LCC时，Stacking+ DTF策略达到最佳性能（R²：0.930，RMSE：3.974，MAE：3.096）；在估算FVC时，同样采用Stacking+DTF策略获得最佳性能(R²：0.716，RMSE：0.057，MAE：0.044)。（3）所提出的ANMD算法和LCC和FVC图能有效监测玉米成熟度。基于腊熟期（P5）获得LCC对应的成熟阈值，并将该阈值成功应用于腊熟-成熟期（P5-P7），实现了较高的监测精度（OA:0.9625-0.9875;UA: 0.9583-0.9933;PA: 0.9634-1）；基于FVC使用ANMD算法也实现了腊熟-凹陷期(P5-P6)较高的监测精度（OA:0.9125-0.9750;UA: 0.878-0.9778;PA: 0.9362-0.9634）。本研究为未来农业生产和育种提供了有力的支持，并为进一步探索农作物监测技术和方法提供了有益的参考。

叶片叶绿素含量,植被覆盖度,成熟