整合田间相机图像，用于监测小农户农场中的玉米物候、生物物理特性以及农业气候因素

《Computers and Electronics in Agriculture》：Integrating field camera imagery for monitoring maize phenology, biophysical traits, and agroclimatic factors in smallholder farms

准确监测作物物候期、生物物理属性和农业气候多样性对优化小农农业实践至关重要。本研究评估了肯尼亚三个农业生态区（AEZs）中田间摄像机获取的绿光谱坐标（GCC）对降雨、土壤湿度和叶面积指数、作物高度、叶绿素含量及气孔导度的响应，并采用相对幅度阈值法提取玉米的六个关键物候期（出苗、茎叶生长、抽穗、籽粒发育、成熟和衰老）。结果显示，GCC与生物物理属性呈显著正相关（R2=0.48-0.79），且通过交叉验证（RMSE=7.1-7.7天，R2=0.9）证实了该方法的高效性，尤其在干旱生态区（如Maktau）的响应速度更快（降雨滞后32天，土壤湿度滞后14天）。尽管早期物候期（如出苗）误差较大（RMSE=4-7天），但中后期物候（籽粒发育至衰老）误差较小（RMSE=1-3天）。研究指出，本地化校准可提升准确性，且该方法作为低成本工具在再生农业框架中优化灌溉、施肥和病虫害管理方面具有潜力，尤其适用于小农作物的精细监测。

　　本研究探讨了利用田间相机采集的绿色色度坐标（GCC）数据，以监测肯尼亚不同农业生态区（AEZs）的作物物候期、生物物理属性及农业气候变量的变化。GCC是一种基于红绿蓝（RGB）通道的植被绿色度指标，能够反映植被的生长状态。通过分析田间相机的GCC时间序列，我们成功识别了玉米的六个关键物候阶段：出苗、茎秆伸长、雄花期、籽粒发育、成熟期和衰老期。此外，研究还评估了GCC与农业气候因素（如降雨量和土壤水分）以及生物物理属性（如叶面积指数、作物高度、叶绿素含量和气孔导度）之间的关系，为田间作物监测提供了新的视角。

### 研究背景与意义

随着气候变化对农业生产的日益影响，精确监测作物物候期、生物物理属性和农业气候变量对于优化农业实践，尤其是小农户农场的管理至关重要。传统方法依赖人工观测或复杂的作物模型，但这些方法在空间覆盖和数据获取效率方面存在局限。相比之下，遥感技术虽然可以提供大范围的监测能力，但其分辨率和对小规模农田的适应性仍存在不足。因此，开发一种成本低、精度高、可广泛应用于小农户农场的作物监测工具成为当前研究的重点。

本研究提出了一种基于田间相机的GCC时间序列分析方法，用于检测作物物候期，并结合现场观测数据进行验证。GCC能够有效反映植被的绿色度变化，而其对农业气候变量和生物物理属性的响应则因生态区的不同而有所差异。研究发现，干旱生态系统（如Maktau）对降雨和土壤水分变化的响应速度更快，而湿润生态系统（如Kabete和Kishenyi）则表现出更慢的响应。这种差异表明，GCC作为作物监测工具时，需要结合具体生态区的特征进行本地化校准，以提高其准确性。

### 方法与技术细节

研究选取了肯尼亚三个不同农业生态区的实验地点：Kabete、Kishenyi和Maktau。每个实验区安装了多个田间相机，每天定时拍摄RGB图像，以记录作物的生长变化。GCC的计算基于图像的红、绿、蓝通道的数字值，并通过二次Savitzky-Golay滤波器进行去噪处理，以提高时间序列的稳定性。随后，研究者利用相对阈值方法（基于GCC幅度的比例）识别作物的六个关键物候阶段，并通过跨实验区和实验区内部的验证方法评估其准确性。

相对阈值方法通过设定GCC时间序列中最小值与最大值之间的比例来确定物候事件的起始和结束时间。这种基于比例的阈值设定相较于绝对阈值更具有灵活性，能够适应不同农业生态区的植被生长模式。为了进一步提高精度，研究还采用了三种基础的曲线拟合方法（DER、GU和Klosterman）进行对比分析，以验证相对阈值方法的适用性。这些方法分别基于时间序列的导数、曲线的拐点以及曲线的形态变化来提取物候特征，而相对阈值方法则提供了一种更直观、易于解释的物候识别方式。

### 研究结果与分析

研究结果显示，GCC与作物高度、叶绿素含量和叶面积指数（LAI）之间存在显著的正相关关系，表明GCC能够有效反映植被的生长状态。然而，GCC与气孔导度之间的相关性较弱，说明GCC对植被结构和生理功能的敏感性较低。在干旱地区（如Maktau），GCC对降雨和土壤水分变化的响应更快，而在湿润地区（如Kabete和Kishenyi），其响应则相对滞后。这种差异可能与不同生态区的水分条件、土壤类型和作物生理特性有关。

在物候识别方面，相对阈值方法在不同生长阶段的表现有所不同。出苗和茎秆伸长阶段的识别误差较小，RMSE在4至7天之间，而雄花期、籽粒发育和成熟期的识别误差较大，RMSE在7至11天之间。在跨实验区验证中，Kabete和Kishenyi的出苗和成熟阶段表现出较大的系统性偏差，而Maktau的茎秆伸长和雄花期则具有较高的准确性。这种差异进一步表明，GCC在不同农业生态区的表现存在显著的本地化特征，因此，结合现场数据进行本地校准是提高其应用效果的关键。

此外，研究还发现，不同物候识别方法在不同生长阶段的表现存在显著差异。例如，DER方法在出苗和雄花期的识别效果较好，而GU和Klosterman方法在茎秆伸长和成熟期的误差较大。这表明，传统的曲线拟合方法可能更适合识别整体的生长季节，而相对阈值方法在识别特定的物候阶段方面更具优势。同时，研究者还探讨了GCC与其他物候识别方法（如NDVI）的对比，指出GCC在绿色度变化的敏感性上略逊于NIR波段的植被指数，但其在低成本和高时间分辨率方面的优势仍然显著。

### 意义与应用前景

本研究的成果具有重要的实践意义。首先，GCC作为一项低成本、高时间分辨率的作物监测工具，为小农户农场提供了更精确的物候信息，有助于优化种植时间、灌溉安排和病虫害防治策略。其次，GCC能够反映农业气候变量对作物生长的影响，为适应气候变化的农业管理提供数据支持。例如，在干旱地区，GCC可以快速识别作物对降雨和土壤水分的响应，从而帮助农民在关键生长阶段采取适当的措施。

此外，GCC的物候识别能力为农业遥感数据的验证提供了新的途径。传统遥感方法（如Landsat、MODIS和Sentinel-2）虽然具有大范围的监测优势，但受限于云覆盖和传感器分辨率，难以准确捕捉小规模农田的生长变化。相比之下，田间相机能够提供更高分辨率的图像数据，从而更精确地反映作物的物候变化。研究还指出，GCC在识别成熟期和衰老期方面的表现优于其他方法，这有助于农民更准确地判断收获时间，减少因误判而导致的产量损失。

### 研究局限与未来方向

尽管本研究取得了显著成果，但仍然存在一些局限性。首先，GCC对某些物候阶段（如雄花期和籽粒发育期）的响应可能不够明显，特别是在植被结构变化较大的情况下，GCC难以准确捕捉这些阶段的特征。因此，未来的研究可以结合计算机视觉技术，进一步提高这些关键物候阶段的识别精度。其次，GCC的识别效果可能受到图像质量和光照条件的影响，尤其是在植被结构复杂或光照变化较大的情况下，GCC的准确性可能受到影响。因此，需要进一步优化图像采集和处理流程，以减少这些干扰因素。

此外，不同玉米品种在不同农业生态区的生长模式存在差异，这可能影响GCC的物候识别效果。因此，未来的研究可以考虑引入更多农业气候变量（如温度、水分胁迫指数）或结合其他光谱指数（如NDVI）以提高物候识别的准确性。同时，研究还指出，GCC的识别方法在不同季节和生长阶段的表现存在差异，这提示在实际应用中，需要根据具体的农业生态区和生长条件调整阈值参数，以实现更精确的作物监测。

### 结论

综上所述，本研究展示了田间相机采集的GCC数据在作物物候监测中的有效性。GCC不仅能够反映植被的绿色度变化，还能够与农业气候变量和生物物理属性形成较强的相关性。尽管GCC在某些物候阶段的识别存在局限，但其在小农户农场的应用潜力巨大，尤其是在干旱地区和复杂植被结构的环境中。通过结合本地校准和跨实验区验证，GCC能够为作物生长的精细化管理提供可靠的数据支持，有助于提升农业生产的可持续性和适应性。未来，随着技术的进步和数据的积累，GCC有望成为农业遥感和作物监测的重要工具，为全球农业可持续发展提供新的思路和方法。