基于无人机高光谱与RGB影像动态融合的棉花叶绿素含量机器学习预测模型构建及产量评估

本研究针对传统棉花叶绿素监测方法效率低、遗传多样性群体产量预测精度不足的问题，通过融合无人机多光谱与RGB数据，结合层次分割法筛选植被指数（VIs）和颜色指数（CIs），利用随机森林（RF）算法构建叶绿素含量（LCC）动态预测模型（R2=0.827），并创新性地应用于419个遗传多样性棉花种质的多阶段产量预测（R2=0.723），为精准农业表型分析提供了新范式。

　　

棉花作为全球最重要的经济作物之一，其产量精准预测对农业经济至关重要。然而，传统叶绿素含量（Leaf Chlorophyll Content, LCC）监测依赖破坏性采样和实验室分析，难以捕捉关键生育期的动态变化。尽管无人机遥感技术为作物表型监测提供了新手段，但单一传感器数据（如仅多光谱或RGB）存在光谱分辨率或空间信息不足的缺陷。此外，现有研究多局限于少数遗传材料，难以反映丰富种质资源的真实表现。

针对这些挑战，新疆石河子的研究团队创新性地整合无人机多光谱与RGB传感器数据，对419个陆地棉种质开展多生育期监测。通过层次分割法筛选出与LCC高度相关的4个植被指数（VIs）和3个颜色指数（CIs），并比较了岭回归（RR）、支持向量机（SVM）、偏最小二乘回归（PLSR）和随机森林（RF）四种算法的预测性能。研究发现RF模型在融合多源数据后表现出最优的LCC预测能力（R2=0.827）。进一步利用现蕾期、花期、铃期和吐絮期的LCC数据构建产量预测模型，发现多阶段数据融合模型精度最高（R2=0.723）。最后通过K-means聚类揭示了LCC动态模式与产量表现的强关联性。

关键技术包括：（1）使用大疆M300无人机搭载RedEdge-MX多光谱和Zenmuse P1 RGB传感器，在8个时间点采集419个种质的田间图像；（2）采用层次分割法基于%IncMSE值筛选VIs和CIs；（3）通过四折交叉验证评估机器学习模型；（4）利用K-means算法分析LCC动态模式与产量的关联。

主要研究结果：

1. 植被和颜色指数筛选：层次分割法鉴定出NDVI、OSAVI、MCARI等VIs和NGRDI、RGBVI等CIs为LCC关键预测指标，各生育期筛选的7个指数平均%IncMSE值达32.7。
2. 机器学习模型比较：RF模型在融合VIs和CIs后预测精度显著提升，较单一数据源模型R2提高0.118-0.215。
3. 多阶段产量预测：现蕾期+花期+铃期+吐絮期的LCC组合模型预测效果最优，其RMSE比单阶段模型降低19.8%。
4. 遗传多样性分析：K-means将419个种质按LCC动态分为3类，其中持续高LCC类群平均产量较其他类群高28.6%。

该研究首次在大规模遗传群体中实现了多源遥感数据的动态融合，突破了传统方法在时空分辨率和遗传覆盖度上的双重局限。所建立的LCC-RF模型为精准农业提供了可扩展的技术框架，而基于多生育期的产量预测策略为棉花品种筛选和精准育种提供了科学依据。研究结果发表于《Field Crops Research》，对推动智慧农业发展具有重要理论和实践价值。