基于高分辨率卫星与无人机多源数据融合的机器学习方法精准估算棉花生物量与氮含量

本研究针对棉花氮素管理和生物量监测需求，创新性地融合PlanetScope卫星与无人机(UAV)多光谱(MS)/RGB数据，通过机器学习模型(RFR、LASSO等)实现氮吸收量(N uptake)和生物量(biomass)的高精度预测（最高R2达0.885），为精准农业提供了可扩展的低成本解决方案。

　　

棉花作为全球重要的经济作物，其生长过程中的氮素管理和生物量监测直接影响纤维产量和品质。然而传统破坏性采样方法效率低下，而单一遥感技术又面临空间分辨率与覆盖范围的矛盾——无人机(UAV)多光谱(MS)传感器虽能获取厘米级高分辨率数据，但成本高昂且操作复杂；PlanetScope等卫星虽可大范围监测，但3.125米的空间分辨率难以捕捉田间细微差异。如何通过多源数据融合突破技术瓶颈，成为精准农业领域的关键挑战。

针对这一难题，美国佛罗里达大学的研究团队在《Smart Agricultural Technology》发表创新研究。他们在佛罗里达州西北部两个试验点，通过融合PlanetScope卫星8波段数据与无人机搭载的Micasense Altum多光谱传感器（含红边Red-Edge和近红外NIR波段）及RGB相机数据，结合六种机器学习算法，系统评估了单传感器与多源融合策略对棉花生物量和氮吸收量预测的优化效果。

研究采用三大关键技术：1) 多平台数据同步采集，确保卫星与无人机影像时空一致性；2) 基于22种植被指数(VIs)的特征工程，包括NDVI、EVI等经典指数；3) 机器学习模型优化，采用网格搜索和5折交叉验证对SVM、随机森林(RFR)、弹性网络(EN)等算法进行超参数调优。

【研究结果】
3.1 氮吸收量预测
卫星单独使用时，岭回归(RR)模型在WFREC站点取得最佳R2=0.541；而无人机多光谱数据使准确率显著提升，LASSO模型在"卫星+UAV MS"融合模式下R2达0.779，误差降低44%。值得注意的是，"卫星+UAV RGB"组合表现接近专业多光谱传感器，证实低成本方案的可行性。

3.2 生物量估算
多光谱数据再次展现优势，在NFREC站点"卫星+UAV MS"组合下PLS回归模型R2高达0.885。研究首次证实3米级卫星影像可用于棉花生物量监测（单卫星模型R2=0.718），为大规模农田监测提供新思路。

3.3 模型比较
正则化模型(RR、LASSO、EN)整体优于传统算法，特别在处理高维光谱数据时，LASSO通过特征选择有效抑制过拟合，在融合数据集上表现最优。

这项研究开创性地验证了多源遥感融合在棉花生长监测中的协同效应：无人机提供厘米级细节，卫星保证大范围覆盖，而机器学习算法则挖掘出隐藏的农学规律。尤为重要的是，研究发现普通RGB相机与卫星的组合可达到专业多光谱传感器85%的精度，这为发展中国家推广精准农业提供了经济可行的技术路径。该成果不仅为棉花氮肥精准管理提供决策支持，其建立的方法学框架也可扩展至小麦、玉米等主粮作物，对实现联合国可持续发展目标(SDGs)中的"零饥饿"和"负责任的消费生产"具有重要实践意义。