基于无人机多光谱影像与机器学习的大豆叶面积指数及生物量估算模型研究

本研究针对传统大豆叶面积指数(LAI)和生物量测量方法破坏性强、效率低的问题，利用无人机(UAV)多光谱影像和机器学习(ML)技术，构建了大豆生殖生长期关键参数的估算模型。研究发现随机森林(RF)模型在R6阶段对LAI(R2=0.68)、R3阶段对生物量(R2=0.64)的估算效果最优，为作物生长监测提供了可靠的遥感技术方案，对精准农业管理具有重要意义。

　　

在现代农业领域，准确监测作物生长状况是实现精准农业的关键。叶面积指数(Leaf Area Index, LAI)和生物量(biomass)作为衡量作物生长的两个重要生物物理参数，传统上需要通过破坏性取样和繁琐的田间测量获得，不仅效率低下，而且难以实现大范围监测。随着遥感技术的发展，特别是无人机(Unmanned Aerial Vehicle, UAV)技术的成熟，为作物生长监测提供了新的解决方案。然而，如何利用无人机遥感数据准确估算作物关键生长参数，尤其是在生殖生长期——这个决定作物产量形成的关键阶段，仍然是农业遥感领域面临的重要挑战。

在这项发表于《Phyton-International Journal of Experimental Botany》的研究中，由美国农业部农业研究局的Sadia Alam Shammi和Yanbo Huang领导的研究团队，开展了一项创新性研究，通过结合无人机多光谱影像和机器学习算法，建立了大豆生殖生长期LAI和生物量的估算模型，为大豆生长监测提供了有效的技术手段。

研究团队采用了多项关键技术方法：利用大疆DJI Phantom 4无人机搭载多光谱相机获取高分辨率影像数据；基于14种植被指数(Vegetation Indices, VIs)进行特征提取；应用线性回归(Linear Regression, LR)、随机森林(Random Forest, RF)和支持向量回归(Support Vector Regression, SVR)三种机器学习算法建立估算模型；采用留一法交叉验证(Leave-One-Out Cross Validation, LOO-CV)评估模型性能。实验在美国密西西比州立大学农业与林业实验站(Pontotoc Ridge-Flatwoods Branch Experiment Station)进行，采用随机区组设计，包含5种覆盖作物和3种施肥处理的全因子组合。

研究结果方面，通过系统的实验设计和数据分析，获得了以下重要发现：

在数据探索与分析方面，研究人员详细测量了大豆不同生殖生长期的LAI和生物量范围。LAI在R3、R5、R6和R7阶段的范围分别为0.5–3.1 m²/m²、0.1–4.9 m²/m²、1–4 m²/m²和0.8–3.2 m²/m²，其中R5阶段观测到最大LAI值。生物量在R3、R5和R6阶段的范围分别为5–65 g/5株、50–175 g/5株和10–110 g/5株，R5阶段同样观测到最大生物量值。同时，研究人员对14种VIs在不同生殖阶段的归一化值进行了详细分析，为后续建模提供了数据基础。

在LAI估算机器学习建模方面，研究发现在不同生殖阶段，各种VIs表现出不同的估算能力。在R3阶段，冠层覆盖度(Canopy Cover, CC)、归一化植被指数(Normalized Difference Vegetation Index, NDVI)、增强植被指数2(Enhanced Vegetation Index 2, EVI2)、抗大气植被指数(Atmospherically Resistant Vegetation Index, ARVI)、绿红比植被指数(Green Red Ratio Vegetation Index, GRRI)、叶绿素吸收比指数(Chlorophyll Absorption Ratio Index, CARI)、归一化面积植被指数(Normalized Area Vegetation Index, NAVI)、简化冠层叶绿素含量指数(Simplified Canopy Chlorophyll Content Index, SCCCI)和红边叶绿素指数(Chlorophyll Index Red Edge, CIRE)在所有机器学习模型中表现出较好的估算能力，R²约为0.6–0.8，RMSE在0.2–0.4 m²/m²之间。R6阶段的表现最为优异，CC、NDVI、EVI2、ARVI、GRRI、CARI、NAVI和CIRE的R²达到0.8或以上，RMSE在0.3–0.4 m²/m²之间。综合所有生殖阶段，RF模型表现出最佳的估算能力，R²为0.5–0.68，RMSE为0.52–0.60 m²/m²。

在生物量估算机器学习建模方面，研究结果显示在R3阶段，CC、EVI2、ARVI、GRRI、CARI和SCCCI在所有机器学习模型中表现出较好的估算能力，R²约为0.6–0.7，RMSE在6–8 g/5株之间，其中RF模型表现最佳。综合所有生殖阶段，RF模型的估算能力最优，R²为0.44–0.63，RMSE为20–26 g/5株。

在交叉验证的LAI估算建模方面，采用留一法交叉验证进一步评估了模型的稳健性。在R3阶段，CC、NDVI和EVI2表现出较好的估算能力，R²约为0.6–0.8，RMSE在0.2–0.4 m²/m²之间。R6阶段再次表现出最佳性能，CC、NDVI、绿带归一化植被指数(Green Normalized Difference Vegetation Index, GNDVI)、EVI2、ARVI、GRRI、CARI、NAVI和CIRE的R²约为0.7–0.8，RMSE在0.4–0.5 m²/m²之间。综合所有生殖阶段，RF模型的R²为0.25–0.44，RMSE为0.65–0.85 m²/m²。

在交叉验证的生物量估算建模方面，R3阶段中，CC、NDVI、GNDVI、EVI2、ARVI、GRRI、SCCCI和CIRE表现出较好的估算能力，R²约为0.35–0.60，RMSE在7–8 g/5株之间。综合所有生殖阶段，交叉验证的RF模型表现最佳，R²约为0.1–0.31，RMSE为28–35 g/5株。

研究结论与讨论部分指出，随着现代农业系统的发展，无人机技术已广泛应用于精准农业中的作物生长监测、生物物理条件评估和产量预测。大豆作为美国的主要作物，对农业总生产力有重要贡献。无人机技术在大豆种植管理中的应用可以降低成本和劳动力需求，从而为国家经济做出贡献。

研究表明，基于遥感的LAI估算在作物生殖期由于冠层封闭会产生较大误差。本研究通过精确监测大豆生殖阶段，利用无人机多光谱遥感的VIs建立了LAI和生物量的机器学习估算模型。研究发现RF模型在处理LAI和生物量这类复杂非线性光谱数据关系时表现最优，因其能够集成多个决策树，减少方差和过拟合，特别是在处理噪声较多的遥感数据时表现稳健。

研究还发现，对于大豆作物，LAI在R6阶段（种子完全发育期）的估算效果最佳，而生物量在R3阶段（荚果初始发育期）的估算效果最好。这一发现与先前研究认为LAI在种子填充期（R5-R6）比荚果发育期（R3-R4）更容易估算的观点一致。这种敏感性差异可能源于光谱反射率因叶片叶绿素含量、叶片含水量和表面粗糙度等因素的变化，以及冠层结构差异、背景影响、传感器类型和气候因素等多种因素的共同作用。

总体而言，该研究为监测大豆生殖阶段的生长状况提供了重要技术手段，这个阶段对获得最高产量至关重要。研究成果将为全国作物管理提供必要的信息支持，推动无人机遥感技术在精准农业中的广泛应用。

这项研究不仅展示了无人机多光谱影像与机器学习算法相结合在作物参数估算中的巨大潜力，更重要的是为大田作物的无损监测提供了可靠的技术方案，对实现精准农业管理和提高农业生产效率具有重要意义。