基于多源无人机遥感数据融合的机采棉脱叶与吐絮效应诊断研究

针对机采棉脱叶率(DF)和吐絮率(BO)人工评估效率低、单传感器监测精度不足的问题，本研究创新性融合RGB、多光谱(MS)和热红外(TIR)无人机遥感数据，结合XGBoost回归(XGBR)与递归特征消除(RFECV)算法，构建了诊断模型。结果显示多源融合模型R2达0.918(DF)和0.867(BO)，较单传感器提升1.9-4.3%，为精准农业的收获决策提供了高效技术方案。

　　

棉花作为全球纺织业的核心原料，其机械化采收效率直接影响农业经济效益。在新疆等主产区，机采棉比例已超90%，但采收前的脱叶剂喷洒时机至关重要——过早会导致纤维品质下降，过晚则增加杂质率。传统人工监测方法耗时费力，而卫星遥感受限于分辨率低、重访周期长等问题。虽然无人机遥感技术能通过可见光(RGB)、多光谱(MS)等传感器获取作物信息，但单传感器难以全面捕捉棉花脱叶与吐絮过程中复杂的光谱、纹理和温度变化特征。

针对这一技术瓶颈，新疆大学机械工程学院赵慧阳等团队在《Infection, Disease》发表研究，创新性地提出多源数据融合解决方案。研究通过搭载RGB、MS和热红外(TIR)传感器的无人机，采集了棉花脱叶吐絮关键期的冠层多维度数据，结合三种特征选择算法和机器学习模型，首次构建了多源融合的诊断框架。

关键技术方法包括：1) 采用大疆M300 RTK无人机同步获取RGB(0.3m分辨率)、MS(5波段)和TIR(100m航高)数据；2) 提取植被指数(VIs)、颜色指数(CIs)等54种特征；3) 运用皮尔逊相关系数(PCCs)、递归特征消除(RFECV)和Boruta算法筛选关键变量；4) 对比偏最小二乘回归(PLSR)、随机森林回归(RFR)和XGBoost回归(XGBR)模型性能。实验在新疆玛纳斯试验站开展，涵盖3个棉花品种和5种种植密度(2.70×10⁵至9.00×10⁴株/ha)的田间试验。

研究结果揭示：

1. 1.

   脱叶剂施用效应：二次喷洒后脱叶率显著提升，但D3密度下新农大1号脱叶率低于90%采收阈值，品种间差异达11.3%；吐絮率在D1-D2密度下最稳定，新陆早73号整体达99%以上。

2. 2.

   特征相关性：MS衍生的归一化红边指数(NDREI)和绿度比值植被指数(GRVI)与脱叶率呈强负相关，RGB纹理特征中红波段方差(Variance)能有效反映冠层结构变异。

3. 3.

   模型性能：RFECV筛选的RGB+MS+TIR特征组合在XGBR模型中表现最优，脱叶和吐絮预测R2分别达0.918和0.867，较单传感器MS模型提升1.9%和4.3%，均方根误差(RMSE)降低1.11-1.99%。

4. 4.

   特征贡献度：SHAP分析显示GRVI、NDREI等光谱指数贡献最大，而冠层温度(TC)呈现双向影响模式，印证了吐絮过程的温度动态变化规律。

讨论指出，该研究首次实现三传感器数据融合的棉花生理状态诊断，其创新性体现在：1) 通过MS补偿RGB光谱不足，利用TIR反映蒸腾变化，纹理特征捕捉结构变异，形成多维度监测体系；2) 发现红波段纹理特征对品种-密度互作的敏感性，为品种适应性评价提供新指标；3) 构建的时空分布图可精准识别脱叶不均区域，指导变量施药。局限性在于热红外数据易受环境干扰，未来需整合高度、冠层覆盖度等RGB结构特征，并探索高光谱数据应用。

该技术框架不仅适用于棉花，还可扩展至番茄、辣椒等作物的衰老监测，为智慧农业的精准管理提供了可推广的方法论支撑。通过多源数据协同和机器学习优化，研究显著提升了作物表型监测的精度与效率，标志着无人机农情诊断从单一指标向多维整合的重要跨越。