融合无人机光能利用率模型与机器学习的冬小麦生物量与产量精准估测

《Plant Phenomics》：In-season estimation of aboveground biomass and yield in winter wheat with a UAV-based LUE model and machine learning

本研究针对冬小麦生长季地上部生物量(AGB)和产量精准估测难题，创新性提出将无人机(UAV)遥感与光能利用率(LUE)模型、机器学习(ML)相结合的技术框架。通过开发阶段递进和阶段跳跃两种UAV-LUE策略，实现了抽穗后AGB的高精度估测(Rval2≥0.84)；构建多源特征融合的LUE-ML产量预测模型，在跨区域验证中表现优异(Rval2≥0.79)。该研究为作物表型监测提供了新范式，对智慧农业具有重要应用价值。

　　

随着全球人口增长和气候变化加剧，粮食安全已成为世界各国关注的焦点。冬小麦作为主要粮食作物，其产量精准预测对保障粮食安全具有重要意义。传统作物产量预测方法多依赖于人工采样和统计模型，存在效率低、时效性差等局限。近年来，遥感技术的发展为作物生长监测提供了新途径，特别是无人机遥感凭借其高时空分辨率的优势，在精准农业领域展现出巨大潜力。

然而，当前基于无人机遥感的作物监测仍面临诸多挑战。现有研究多采用数据驱动模型，这类模型严重依赖历史数据，在跨区域、跨年际应用时泛化能力有限。虽然光能利用率模型因其具有明确的生理生态机制而在卫星遥感领域被广泛应用于作物产量估算，但将其与无人机遥感结合的研究尚属空白。这主要由于无人机时间序列数据获取成本高，且无人机与卫星平台在数据特性和应用方法上存在显著差异。

针对这一研究空白，南京农业大学国家信息农业工程技术中心的吴亚鹏、熊元、余为国等研究人员在《Plant Phenomics》上发表了题为"In-season estimation of aboveground biomass and yield in winter wheat with a UAV-based LUE model and machine learning"的研究论文。该研究创新性地将光能利用率模型与机器学习相结合，提出了一个适用于无人机平台的冬小麦生物量与产量估测框架。

研究团队在江苏省睢宁和如皋两个典型小麦产区开展了五年田间试验，设计了包括品种类型、施氮量、播期和密度等多个处理组合。利用多旋翼无人机搭载多光谱传感器，在关键生育期获取冠层图像，同步测量了叶面积指数、地上部生物量和产量等农学参数。通过BPNN-PROSAIL混合模型反演叶面积指数，结合累积气象特征，构建了抽穗期地上部生物量估算模型。

关键技术方法包括：利用BPNN-PROSAIL混合模型从无人机多光谱影像中反演叶面积指数；开发阶段递进和阶段跳跃两种UAV-LUE策略估算抽穗后地上部生物量；构建融合植被指数(NDRE)、光能利用率模型估算的地上部生物量(eAGB)和相对气象特征的多源特征组合；采用机器学习算法(BPNN)建立产量预测模型；通过蒙特卡洛模拟分析叶面积指数估算误差在生物量和产量估算链中的传播效应。

4.1. 基于无人机光能利用率方法的生物量估算改进

研究结果显示，与传统植被指数方法相比，无人机光能利用率方法显著改善了抽穗后地上部生物量的估算精度。阶段递进策略的表现尤为突出，其验证集决定系数(R_val²)达到0.93，明显优于阶段跳跃策略(0.84)。这表明考虑作物连续生长过程的估算策略更能准确捕捉生物量积累动态。

4.2. 多源特征融合在产量预测中的性能表现

在产量预测方面，结合NDRE、光能利用率模型估算的地上部生物量和20天累积相对气象特征的组合六(Comb. #6)表现最佳，校准集和验证集的决定系数分别达到0.89和0.79。值得注意的是，仅使用植被指数和气象特征的组合二(Comb. #2)也取得了较好效果，说明气象特征对产量预测有重要贡献。

4.3. 产量预测方法在五个县的推广应用

将最优模型应用于江苏省五个县的农户田块产量预测，结果显示当校准集包含不同生态区域样本时，模型具有更好的泛化能力。其中，包含睢宁、如皋和吴江三个县的组合取得了最高精度(R_val^{2=0.57)，表明跨生态区样本有助于提升模型适应性。}

4.4. 叶面积指数估算误差在生物量和产量估算链中的传播效应

通过蒙特卡洛模拟分析发现，叶面积指数估算误差在生物量和产量估算链中呈现明显的衰减趋势。虽然抽穗期地上部生物量估算对叶面积指数误差最敏感，但经过光能利用率模型和机器学习模型的逐级处理，最终产量预测的相对均方根误差仅为0.42%，表明该方法对输入误差具有较强的鲁棒性。

5. 讨论

本研究成功将光能利用率模型从卫星平台拓展至无人机应用领域，解决了数据驱动模型泛化能力差的问题。无人机光能利用率方法通过整合作物生理机制和环境因子，显著提高了生物量估算的机理性和准确性。阶段递进策略虽然需要更多时序数据，但其更高的精度为精准农业管理提供了可靠技术支撑。

研究还发现，相对气象特征（如相对温度效应ARTE₂₀、相对辐射效应ARRE₂₀等）比传统气象特征更能有效捕捉环境因子对作物产量的影响。这主要是因为相对特征更符合作物生理响应机制，能更好模拟干物质分配系数的动态变化。

然而，该方法仍存在一些局限性。当前的光能利用率模型未考虑CO₂施肥效应和冠层分层的光合差异，这可能在气候变化背景下影响模型性能。此外，固定根冠比(0.1)的假设可能无法准确反映抽穗前生物量分配动态。未来研究可考虑引入双叶光能利用率模型和过程模型模拟的动态根冠比，进一步提升模型机理性和适用性。

6. 结论

该研究开创性地将无人机遥感与光能利用率模型、机器学习相结合，建立了冬小麦生物量和产量精准估测的技术体系。所提出的阶段递进无人机光能利用率策略显著提高了抽穗后生物量估算精度，多源特征融合的产量预测模型展现了良好的跨区域适用性。误差传播分析证实该方法对输入数据误差不敏感，具有较强稳定性。这项研究为作物表型监测提供了新思路，对推进智慧农业发展具有重要意义。未来通过整合更多环境因子和农艺措施信息，有望进一步提升模型的机理性和普适性，为粮食安全生产决策提供更可靠的技术支撑。