《Smart Agricultural Technology》：Intelligent Diagnosis of Winter Wheat Water Stress Based on UAV Multi-Modal Remote Sensing
编辑推荐：
本文创新性地融合无人机多光谱与热红外遥感数据，系统评估了三种机器学习算法（RF、XGBoost、SVM）在冬小麦不同生育期（抽穗期、开花期、灌浆期）的水分胁迫分类性能。研究发现多源特征融合（VIs+TIR）模型显著优于单一特征模型，其中SVM算法在开花期表现最优（准确率达97.22%），为精准农业水分管理提供了可靠的技术方案。
引言
冬小麦作为全球主要粮食作物，其产量稳定性直接关系粮食安全。水分亏缺会抑制光合作用、养分吸收及生物量积累，导致减产。传统水分监测方法存在破坏性、时效性差等局限，而无人机（UAV）多模态遥感技术凭借高时空分辨率优势，为作物水分胁迫无损监测开辟了新途径。
材料与方法
研究在河南新乡中国农科院试验基地开展，设置4个灌溉梯度（W1:300mm至W4:0mm），利用大疆M210无人机搭载RedEdge MX多光谱相机和Zenmuse XT2热红外相机，于冬小麦关键生育期（抽穗期、开花期、灌浆期）采集数据。提取12种植被指数（VIs）和冠层温度（TIR）特征，结合植物含水量（PWC）测定，系统比较随机森林（RF）、XGBoost和支持向量机（SVM）三类算法在单一生育期和全生育期的分类性能。
结果分析
- 1.
水分胁迫生理响应：随着灌溉量降低，冬小麦PWC从71.39%降至63.17%，且灌浆期水分敏感度最高（PWC降幅达17.86%）。
- 2.
特征相关性：多源特征融合显著提升模型性能，开花期SVM模型融合VIs与TIR后准确率达97.22%，F1score为97.27%。冠层温度（TIR）与PWC呈稳定负相关（r=-0.90），灌浆期相关性最强（r=-0.91）。
- 3.
算法对比：SVM在特征融合场景下表现最优，其核函数对高维特征空间的适配性优于树模型；RF和XGBoost在单特征（如VIs）场景下稳定性较高，但多特征融合时易受噪声干扰。
- 4.
生育期差异：开花期和灌浆期的分类精度（均>90%）显著高于抽穗期，可能与冠层结构稳定性和胁迫响应一致性相关。
讨论与展望
多源遥感数据通过互补机制提升分类效能：VIs反映长期胁迫累积的色素与结构变化，TIR捕捉短期气孔导度调控的蒸散动态。未来需拓展不同生态区品种验证，并引入时序动态模型以增强跨生育期泛化能力。
结论
基于无人机多模态遥感的冬小麦水分胁迫智能诊断技术，以开花期VIs+TIR特征结合SVM算法为核心方案，为实现精准节水灌溉提供了可靠的技术支撑。
