基于深度强化学习和条件动作树的精准农业导航与化学应用优化研究

本研究针对精准农业中导航与化学应用优化难题，创新性地结合深度强化学习(DRL)和条件动作树(CAT)技术，通过多传感器融合的ACS-214主动冠层传感器，实现了覆盖作物生物量的高精度估算（R2=0.51-0.76），突破传统光谱指数在3000-4000 kg ha-1生物量估算的饱和限制，为农业生态服务评估提供了新范式。

　　

在当今全球人口增长和气候变化背景下，如何实现"用更少资源生产更多粮食"成为农业可持续发展的核心命题。覆盖作物（cover crops）作为可持续农业的重要实践，通过改善土壤健康、减少侵蚀和固氮等生态服务，展现出巨大潜力。然而，这些生态服务的强度与覆盖作物生物量积累密切相关——例如当生物量超过7000 kg ha^-1时可使土壤碳储量提升30%，3000 kg ha^-1时显著抑制杂草生长。但现有遥感技术存在严重局限：传统多光谱植被指数在草类覆盖作物中估算上限仅约1500 kg ha^-1，红边指数也只能达到1900 kg ha^-1，远低于实际田间可能达到的9000 kg ha^-1水平。

美国农业部农业研究服务局（USDA-ARS）等机构的研究团队开展了一项跨越13个州、历时4年的多中心研究，创新性地评估了Active Canopy Sensor（ACS-214）多传感器系统在覆盖作物生物量估算中的应用价值。这项发表在《Smart Agricultural Technology》的研究通过整合主动近端传感、卫星遥感和机器学习技术，建立了突破性的生物量估算方法。

研究团队采用随机森林（RF）、最小绝对收缩选择算子（LASSO）和偏最小二乘（PLS）等机器学习算法，对包含797个禾本科、264个豆科和181个芸苔科样本的1242组数据进行分析。关键技术包括：1）使用配备红（670nm）和近红外（780nm）主动光谱传感器、飞行时间激光和超声波传感器的ACS-214设备采集冠层数据；2）设计四种交叉验证策略（随机划分、留一区域、区域特定和独立样本验证）；3）通过Sentinel-2卫星的11个波段（包括蓝、绿、红、三个红边、近红外和两个短波红外波段）进行尺度扩展验证。

研究结果显示，基于对数转换的随机森林模型对禾本科和豆科覆盖作物生物量预测表现出最佳性能。全局模型中，禾本科预测精度R²=0.51-0.64，豆科R²=0.44-0.76，但空间泛化能力有限（留一区域验证R²=0.06-0.46）。通过分段回归分析发现，禾本科和豆科生物量预测分别在约4000 kg ha^-1和3000 kg ha^-1处出现拐点。SHAP值分析表明，超声波平均高度及其与归一化植被指数（NDVI）的交互作用是关键预测因子。

卫星尺度验证取得重要突破：使用ACS-214数据训练的Sentinel-2模型与田间采样（R²=0.58-0.61）和ACS-214估算生物量（R²=0.70）均表现出良好一致性。短波红外（SWIR）波段成为最重要的预测因子，而传统近红外和红边波段重要性相对较低。

讨论部分指出，该研究首次证实多传感器近端仪器可用于校准卫星影像的生物量预测，将有效覆盖作物监测从点扩展到面。虽然模型在4000 kg ha^-1以上预测精度下降，但已显著超越传统光谱方法。研究还揭示了设备使用的最佳高度范围（地面1.75米内且高于冠层20厘米）和花期对数据质量的影响，为实际应用提供了重要操作指南。

这项研究的意义在于：1）建立了覆盖作物生物量估算的新标准，突破了传统遥感技术的饱和限制；2）开发了近端-卫星协同观测的新范式，为精准农业管理提供了可扩展的技术方案；3）通过多区域验证揭示了农业机器学习中的"数据背景"效应，强调了本地化建模的重要性。这些成果将直接支持覆盖作物生态服务的量化评估，为可持续农业决策提供科学依据。