基于无人机遥感与深度学习的冬小麦物候监测双模框架：时间序列重建与噪声增强的BBCH估测新方法

《Artificial Intelligence in Agriculture》：Advancing UAV-based wheat phenology monitoring: A dual-mode framework integrating time-series reconstruction, noise augmentation, and deep learning for robust BBCH estimation

本研究针对无人机单时相小麦物候监测中存在的“同物异谱”难题，开发了一种融合时间序列重建与混合深度学习（CNN-GRU/CNN-LSTM）的双模框架。通过高斯/PCHIP/线性拟合重建日分辨率植被指数（VI）、颜色指数（CI）、纹理特征（TF1/TF2）及BBCH值，并引入高斯噪声（5–100?%相对强度）模拟田间变异。结果表明，时间序列模型在无噪声条件下精度最高（CNN-GRU: R2?=?0.98, RMSE?=?3.61?BBCH），而单时相模型在20?%噪声强度下实现最佳鲁棒性（R2?=?0.70）。研究还提出小麦物候发育速率（RPDW）指标，为精准农业与育种提供新工具。

　　

准确掌握作物的生长节奏，就像是读懂大自然的“语言”，对于农业生产至关重要。小麦作为全球主要粮食作物，其从播种到收获的每一个关键物候阶段，如拔节、抽穗、开花、灌浆和成熟，都直接决定着灌溉、施肥、病虫害防治等农事活动的时机与强度。传统的人工田间观测方法不仅费时费力，而且难以实现大范围的同步监测。近年来，无人机遥感技术凭借其灵活、高效的优势，为作物生长监测带来了革命性的变化。它能够快速获取田间的多光谱和可见光图像，从而提取反映作物长势的各类特征。

然而，当前的无人机物候监测仍面临两大挑战。首先是“单时相”监测的困境。由于天气、光照等环境因素的影响，单次飞行获取的图像数据往往存在噪声，导致监测结果不可靠。更棘手的是“同物异谱”现象：在同一物候期（例如BBCH值相同），由于不同田块的小麦长势差异，其植被指数（如NDVI）可能对应多个不同的值，这使得仅依靠单一植被指数难以准确判断物候期。第二个挑战是“时间序列”监测的高成本。虽然通过连续多次飞行获取时间序列数据，再经过平滑拟合可以有效地消除噪声、准确追踪物候进程，但这种高频次的数据采集对于广大的家庭农场或资源有限的用户而言，成本高昂，难以普及。

为了解决这些难题，河南农业大学的研究团队在《Artificial Intelligence in Agriculture》上发表了一项创新研究，提出了一个名为“Advancing UAV-based wheat phenology monitoring: A dual-mode framework integrating time-series reconstruction, noise augmentation, and deep learning for robust BBCH estimation”的双模监测框架。这项研究旨在开发一种既能满足高精度需求（适用于育种等科研场景），又兼顾实用性与经济性（适用于家庭农场生产管理）的智能化小麦物候监测方案。

为了构建这一框架，研究人员综合运用了几项关键技术。首先是大规模田间数据采集与多特征提取。他们在2023-2024年小麦生长季，利用大疆P4M多光谱无人机对三个试验区的333个样方进行了35次飞行，获取了高时序分辨率的遥感影像。从这些影像中，系统计算了41种植被指数、18种颜色指数以及基于灰度共生矩阵的64种纹理特征（分别来自多光谱影像的TF1和可见光影像的TF2），构建了包含123个初始特征的庞大数据库。其次是智能特征筛选与时间序列重建。研究采用竞争性自适应重加权采样（CARS）和方差膨胀因子（VIF）相结合的方法，从海量特征中筛选出与小麦BBCH最相关的关键变量，包括CI_{red_edge}、GNDVI、Gcc、650-MEA（均值）和R-HOM（同质性）等。对于筛选后的特征和BBCH值，根据其随时间的变化模式（如抛物线型、线性增长型或无规律型），分别采用高斯拟合、PCHIP插值和线性拟合方法，将稀疏的观测数据重建为日分辨率的时间序列数据集（Datasets 1-3），为模型训练提供了高质量的数据基础。第三是创新的噪声增强策略与深度学习模型构建。为了模拟田间数据的复杂性和不确定性，提升模型在真实单时相场景下的鲁棒性，研究团队向重建的时间序列数据中添加了不同强度（5%至100%相对强度）的高斯噪声。在此基础上，他们构建并比较了多种机器学习模型，包括传统的支持向量回归（SVR）、随机森林回归（RFR），以及深度学习的CNN、GRU、LSTM，并创新性地将CNN的局部特征提取能力与GRU/LSTM的时序信息处理能力相结合，构建了CNN-GRU和CNN-LSTM两种混合模型。最后是新颖的物候发育速率量化。研究不仅关注静态的BBCH值，还基于模型输出的高时间分辨率BBCH序列，提出了“小麦物候发育速率”（Rate of Phenological Development of Wheat, RPDW）这一新指标，通过计算BBCH随日序数（DOY）变化的线性斜率（k值），来量化小麦在关键生育阶段（如BBCH 31-69和BBCH 69-99）的发育速度，为品种选育和精准管理提供了更灵敏的动态指标。

研究结果揭示了不同监测模式下的最优策略和模型性能。在多特征与BBCH的动态关联分析中，研究发现植被指数（VI）、颜色指数（CI）和来自多光谱的纹理特征（TF1）与小麦BBCH的整体关联性较强，而来自可见光影像的纹理特征（TF2）关联性极弱。例如，GNDVI、Gcc和650-MEA与BBCH的相关系数分别达到-0.64、-0.64和0.66，而R-HOM的相关系数仅为-0.14。时间序列数据的特征变化呈现出明显的规律性，如GNDVI和Gcc呈抛物线型变化，而BBCH则呈单调递增的S型曲线，这为时间序列重建提供了依据。在噪声对数据分布和模型性能的影响方面，随着高斯噪声强度的增加，特征值的分布范围显著扩大。例如，GNDVI的值域在100%噪声强度下扩大了约7.94倍。对于重建的时间序列数据集（Datasets 1-3），所有模型的估测精度均随着噪声强度的增加而下降，表明平滑后的数据本身已能提供高质量信息，额外噪声反而引入干扰。相反，对于实际测量的单时相数据集（Datasets 4-6），大多数模型（尤其是CNN-GRU、CNN-LSTM和GRU）的精度随着噪声强度增加先升后降，并在20%的噪声水平下达到峰值。这表明适度的噪声增强能有效模拟田间变异，提升模型对真实单时相数据的泛化能力。在深度学习模型性能比较中，双阶段混合神经网络（CNN-GRU和CNN-LSTM）的整体性能显著优于单阶段神经网络（CNN、GRU、LSTM）和传统机器学习模型（SVR、RFR）。其中，CNN-GRU模型表现最为优异。在无噪声的时间序列测试中，CNN-GRU对Dataset 1的估测精度达到R² = 0.98，RMSE = 3.61 BBCH单位，NRMSE为5.54%。在添加20%噪声后用于单时相测试时，其对Dataset 4的估测精度为R² = 0.70，RMSE = 16.01 BBCH单位，NRMSE为22.92%，显著优于其他模型。研究还进行了留一站点交叉验证（LOSO-CV）以评估模型的泛化能力。结果显示，基于包含更多品种和处理、数据分布更稳定的试验（如Exp. 3）所构建的模型，在其他试验区的泛化性能更好。而当测试集数据（如Dataset 6）存在极端情况（如严重倒伏）且训练集中未包含类似样本时，模型性能会显著下降（R²降至0.56），这提示了未来通过数据增强（如生成对抗网络GAN）或迁移学习来提升模型对特殊场景适应性的必要性。在物候发育速率（RPDW）的应用验证中，研究成功利用CNN-GRU模型输出的时间序列BBCH数据计算了RPDW。分析发现，RPDW能有效区分不同氮肥处理下小麦的发育动态。例如，在拔节至开花阶段（BBCH 31-69），缺氮处理（N0）小区的RPDW（k值范围0.16-0.83）显著低于充足氮肥处理（N240）小区（k值范围0.40-1.05）。而在灌浆至成熟阶段（BBCH 69-99），缺氮处理小区的RPDW有加快趋势，这可能与缺氮导致植株早衰、灌浆期缩短有关。这表明RPDW是一个比静态BBCH值更敏感的指标，能够动态反映环境胁迫和栽培措施对小麦生长发育的影响。

综上所述，这项研究成功开发并验证了一种集成了时间序列重建、噪声增强和混合深度学习的小麦物候智能监测双模框架。该框架的创新性在于它提供了两种可选的应用模式：高精度的“时间序列模式”适用于育种、科研等对精度要求极高的场景，通过对重建的平滑时间序列数据进行建模，可实现R² > 0.9的精准估测；而高性价比的“单时相模式”则适用于家庭农场等需要快速、低成本监测的场景，通过向训练数据中添加20%的高斯噪声来增强模型鲁棒性，在保证一定精度的前提下大大降低了对数据采集频率的要求。研究中表现最优的CNN-GRU混合模型，充分发挥了卷积神经网络在特征抽象和门控循环单元在时序建模上的优势，为复杂农业遥感数据的解析提供了强大的工具。此外，所提出的“小麦物候发育速率”（RPDW）指标，将物候监测从静态的“阶段识别”推向动态的“进程量化”，为理解基因型-环境-管理措施的互作、筛选适宜品种、优化田间管理提供了全新的视角和量化依据。这项研究成果不仅在小麦物候监测方法学上取得了重要突破，而且通过双模设计架起了前沿算法研究与实际农业应用之间的桥梁，对推动智慧农业的发展和作物生产的精准化管理具有重要的理论和实践意义。