基于无人机多光谱热成像与指数分割技术提升被忽视作物芋头等效水厚度估算研究

《Remote Sensing Applications: Society and Environment》：Enhancing the Estimation of Equivalent Water Thickness in Neglected and Underutilized Taro Crops using UAV acquired Multispectral Thermal Image data and Index-Based Image Segmentation

本文创新性地结合无人机多光谱热成像与深度学习技术，通过ExGR指数分割消除土壤背景干扰，显著提升小农户芋头冠层等效水厚度（EWT）估算精度（R2=0.92），为气候智慧型作物水分精准监测提供新技术范式。

　　

Highlight

本研究亮点在于首次将热红外波段与ExGR指数分割结合应用于芋头作物水分监测，证实热波段对EWT估算具有显著提升作用（P<0.05），为边缘化作物精准水分管理开辟新途径。

Descriptive Statistics of In-situ EWT_canopy of taro crops

芋头冠层原位等效水厚度测量数据显示（表2），在植被生长旺盛期采集的100个样本中，EWT_canopy均值达60.90 g/m2，变异范围8.72–220.77 g/m2，显著的空间变异性凸显了小农农田中作物水分含量的高度异质性，为标准误差（SEM=4.45 g/m2）的模型优化提供了数据基础。

Discussion

本研究表明，融合热红外波段的无人机遥感能有效捕捉芋头冠层温度与水分状态的协同变化规律。ExGR指数分割技术通过增强植被与土壤的光谱对比度，使EWT_canopy预测模型R2提升至0.92，较传统方法降低相对均方根误差（rRMSE）1.33%。深度学习算法成功解码了多光谱与热特征间的非线性关系，为解决小尺度农田作物水分精准监测难题提供了技术支撑。

Conclusion

研究证实：1）热波段缺失会导致芋头EWT_canopy预测精度显著下降；2）ExGR指数分割在消除土壤背景噪声方面优于ExG/ExR单一指数；3）无人机多光谱热成像技术可为被忽视作物的水分适应性研究提供空间显性解决方案。