基于无人机多源遥感数据融合的苜蓿-禾草混播草地总干物质与豆科干物质产量时空预测研究

《Precision Agriculture》：Spatio-temporal prediction of total and legume dry matter yield using UAV-borne RGB and multispectral images in alfalfa-grass mixtures

本研究针对苜蓿-禾草混播草地(AGM)中总干物质产量(DMY)与豆科干物质产量(LY)的精准预测难题，利用无人机搭载多光谱与RGB相机获取冠层光谱与高度数据，结合随机森林(RF)与极端梯度提升(XGB)机器学习算法构建预测模型。结果表明，融合多光谱与冠层高度(MS+H)数据的RF模型预测效果最佳，DMY与LY预测中位均方根误差(RMSEp)分别为0.51 t ha-1和0.40 t ha-1。该研究为复杂草牧系统的高分辨率产量制图提供了有效方法，对支持精准农业管理决策、优化氮素循环具有重要指导意义。

　　

在有机农业和可持续畜牧业中，苜蓿(Medicago sativa L.)因其高蛋白含量和固氮能力而备受推崇。当苜蓿与禾草混播时，不仅能提升饲草产量和品质，还能有效减少温室气体排放，是构建高效生态农业系统的关键一环。然而，精准管理苜蓿-禾草混播草地(AGM)面临着一个核心挑战：如何快速、准确地预测总干物质产量(DMY)和豆科干物质产量(LY)。前者关乎整体生产力，后者则直接决定了饲草的蛋白质含量和生物固氮潜力，对后续作物的氮素供应至关重要。

传统的产量评估方法依赖人工采样，不仅费时费力，且难以捕捉田间复杂的空间异质性。近年来，无人机遥感技术为这一难题带来了曙光。尽管已有研究利用无人机数据预测草地生物量，但针对AGM这一复杂系统，特别是对LY的预测，以及模型在不同年份、不同田块间的可转移性，仍是研究的空白。为了填补这一空白，Leon Weigelt及其团队在《Precision Agriculture》上发表了一项研究，旨在开发一种能够稳健预测AGM中DMY和LY的无人机遥感模型，并深入评估其跨时空的泛化能力。

为了回答这些问题，研究人员在2022年于德国吉森大学有机研究农场开展了为期一年的田间试验。研究覆盖了三个AGM田块，包括两个试验田(E1, E2)和一个生产田(P1)，以及一个低苜蓿播种量田块(rAG)和一个纯禾草田块(G)，共采集了276个生物量样本。研究团队利用无人机搭载RGB和多光谱相机，在每次刈割前进行航拍，获取高分辨率的冠层高度模型(CHM)和五波段多光谱反射率数据。通过结构光法(SfM)生成数字表面模型(DSM)，并结合刈割后生成的数字地形模型(DTM)计算冠层高度。从多光谱数据中计算了20个植被指数(VI)，并从CHM中提取了12个高度统计量，共计37个遥感预测变量。研究采用随机森林(RF)和极端梯度提升(XGB)两种机器学习算法，分别使用多光谱(MS)变量、高度(H)变量以及两者融合(MS+H)的数据集来训练DMY和LY预测模型。为了严格评估模型的稳健性，研究采用了留时空组交叉验证(LSTGOCV)方法，并进一步分析了模型在时间和空间上的可转移性。

DMY和LY建模

研究结果显示，融合多光谱与冠层高度(MS+H)数据的模型在预测DMY和LY方面均表现最佳。随机森林(RF)模型在融合数据上的表现优于极端梯度提升(XGB)模型，其预测DMY的中位均方根误差(RMSE_p)为0.51 t ha^-1，预测LY的中位RMSE_p为0.40 t ha^-1。这表明，结合冠层的光谱信息和结构信息，能够更全面地捕捉AGM的生长状况，从而实现对产量的高精度预测。

变量重要性

通过前向特征选择(FFS)分析，研究人员识别出了对预测DMY和LY最重要的变量。对于DMY预测，叶绿素植被指数(CVI)和冠层高度均值(h_mean)是关键的预测因子。而对于LY预测，蓝光归一化植被指数(BNDVI)和增强型植被指数(EVI)等包含蓝光信息的植被指数，以及冠层高度的98分位数(h_q98)等结构指标，显示出较高的预测价值。这揭示了豆科植物在光谱和结构特征上的独特性，为精准识别和量化豆科组分提供了依据。

模型可转移性

模型在时间和空间上的可转移性分析揭示了其泛化能力的边界。在时间转移方面，模型在预测第三和第四次刈割（受夏季干旱影响，产量较低）时，预测误差显著增加，表现出对高产量数据的过预测倾向。在空间转移方面，模型在预测纯禾草田块(G)和低苜蓿田块(rAG)时，由于训练数据与测试数据分布差异巨大，预测精度急剧下降。这些结果表明，虽然融合模型在相似条件下表现优异，但在面对极端环境条件或管理措施时，模型的稳健性仍需通过纳入更多样化的数据来提升。

DMY和LY预测图

基于最优模型，研究人员生成了P1田块在第二、三、四次刈割的DMY和LY空间分布图。这些地图清晰地展示了产量在田间存在的显著空间异质性，东部区域的产量普遍高于西部区域。这种空间变异性在第三次和第四次刈割中表现得更为明显。这些高分辨率的产量地图，为实施精准的田间管理，如变量施肥、补播决策等，提供了直观且可靠的数据支持。

结论与讨论

本研究成功开发了基于无人机多源遥感数据融合的AGM总干物质产量(DMY)和豆科干物质产量(LY)预测模型。研究证实，融合冠层光谱与结构信息的随机森林(RF)模型是实现高精度预测的最优方案。尽管模型在跨时空转移时面临挑战，但其在相似环境下的优异表现，以及生成的高分辨率产量分布图，充分展示了无人机遥感技术在精准草牧业管理中的巨大潜力。该研究不仅为AGM的产量监测提供了新的技术手段，其提出的留时空组交叉验证(LSTGOCV)方法也为评估遥感模型的稳健性提供了严谨的框架。未来，通过收集更多样化的数据，并结合领域自适应等先进技术，有望进一步提升模型在复杂农业环境中的泛化能力和实用价值。