基于多源传感器数据融合与集成学习的玉米地上生物量精准预测模型研究

本研究针对玉米地上生物量(AGB)预测在不同生长阶段和农业条件下的精度问题，通过融合LiDAR、多光谱(MS)、热红外(TIR)和叶面积指数(LAI)等多源传感器数据，开发了堆叠集成学习模型(StackingDNN )和植被指数加权冠层体积模型(CVMVI )。结果表明，StackingDNN 在融合多源数据时预测精度最高(R2 =0.86)，而CVMVI 仅适用于早期低矮玉米的AGB预测。该研究为精准农业提供了阶段特异性的AGB监测方案。

　　

在精准农业领域，玉米地上生物量(Aboveground Biomass, AGB)是评估作物长势和制定管理策略的关键指标。传统AGB监测依赖破坏性采样，存在效率低、时空分辨率不足等问题。虽然无人机(UAV)搭载多光谱(MS)和激光雷达(LiDAR)等传感器为AGB预测带来了革新，但现有方法在跨生长阶段、不同水肥条件下的适用性尚未系统评估，且多源数据融合策略与模型选择缺乏优化标准。

中国农业科学院的研究团队在《Plant Phenomics》发表的研究中，通过设计包含10个玉米品种、4种氮肥(N0-N3)和3种灌溉(W0-W2)处理的田间试验，采集了喇叭口期(TS)、大喇叭口期(BTS)等四个关键生长阶段的LiDAR、MS、TIR和LAI数据。研究创新性地对比了堆叠集成学习(Stacking)与植被指数加权冠层体积模型(CVM_VI
)的性能差异，并采用SHAP值解析模型特征重要性。

关键技术包括：(1) 多传感器数据同步采集与预处理，通过Pix4D软件生成厘米级分辨率正射影像；(2) 特征工程提取29个植被指数(VI)和15个LiDAR冠层结构参数；(3) 开发以深度神经网络(DNN)为元学习器的Stacking_DNN
集成框架；(4) 基于Otsu算法的土壤-植被二元分类；(5) 通过Moran's I指数评估预测结果的空间自相关性。

AGB预测模型比较
Stacking_DNN
在融合MS+LiDAR+TIR+LAI时表现最优(R²
=0.86)，较单一传感器模型提升23%。值得注意的是，当AGB>15 t/ha时，集成学习模型的预测误差比单一模型降低37%，有效缓解了高生物量下的光谱饱和问题。

生长阶段与水肥响应
CVM_VI
在TS期预测效果最佳(R²
=0.78)，但随着玉米长高精度显著下降。ANOVA分析显示，氮肥处理N3在TS期使AGB显著高于N0-N2(p<0.05)，而灌溉处理W1/W2与W0的差异仅在早期显著，说明后期降水补偿了灌溉差异。

特征重要性解析
SHAP分析揭示：LAI、冠层高度(CHM)和归一化相对冠层温度(NRCT)是三大关键特征。在DNN模型中，LAI贡献度达55.2%，而LiDAR衍生的Z_max
(最大高度)在随机森林(RF)中权重最高。

空间适应性验证
多源数据融合使Moran's I指数从TS期的0.423降至BS期的0.115，表明模型有效降低了空间依赖性，提升了不同田块条件下的泛化能力。

研究结论指出：(1) CVM_VI
适用于早期低成本监测，而Stacking_DNN
更适合中后期高精度预测；(2) 冠层三维结构参数对AGB预测的贡献优于二维光谱特征；(3) 数据融合可降低预测结果对空间异质性的敏感度。该成果为动态监测玉米长势提供了可扩展的技术框架，其阶段特异性的方法选择策略对优化农业传感器资源配置具有重要实践意义。