利用无人机系统(UAS)的多模态传感技术提升甜菜根产量的预测精度

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:Advancing table beet root yield estimation via unmanned aerial systems (UAS) multi-modal sensing

【字体: 大 中 小 】 时间:2026年01月08日 来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2

编辑推荐:

  穆罕默德·S·赛义夫(Mohammad S. Saif)| 罗伯特·钱西亚(Robert Chancia)| 肖恩·P·墨菲(Sean P. Murphy)| 莎拉·佩瑟布里奇(Sarah Pethybridge)| 简·范阿德特(Jan van Aardt) 美国纽约州罗切

  穆罕默德·S·赛义夫(Mohammad S. Saif)| 罗伯特·钱西亚(Robert Chancia)| 肖恩·P·墨菲(Sean P. Murphy)| 莎拉·佩瑟布里奇(Sarah Pethybridge)| 简·范阿德特(Jan van Aardt)
美国纽约州罗切斯特理工学院切斯特F·卡尔森成像科学中心(Chester F. Carlson Center for Imaging Science),邮编14623

**摘要**
无人驾驶航空系统(UAS)由于其多模式载荷能力、易于部署以及较低的成本,为改进农业实践提供了巨大潜力。然而,需要通过纳入根茎类作物、提供不受生长阶段影响的模型以及全面评估各种成像系统(即识别特定应用的感测模式)来扩展UAS的功能。本研究旨在通过提出一种统一的高斯过程回归(GPR)模型来应对这些挑战,该模型利用UAS获取的光谱和结构特征结合气象数据来预测甜菜(一种地下根茎作物)的季末产量,同时保持对飞行时间和收获时间的鲁棒性。2021年和2022年的生长季节期间,在纽约州日内瓦的康奈尔农业技术学院(Cornell AgriTech)进行了田间试验。UAS飞行在生长季节的不同时间点捕获了五波段(475、560、668、717和840纳米)的多光谱图像、高光谱图像(400–1000纳米)以及光探测和测距(LiDAR)数据。我们的模型仅使用多光谱图像时达到了R2test = 0.81和MAPEtest = 15.7%,而高光谱+LiDAR模型达到了R2test = 0.79和MAPEtest = 17.4%,这与最近使用UAS数据进行的根茎作物产量建模研究相当。为了进一步了解模型行为,进行了形状分析(Shapely analysis)。分析显示,在估计甜菜根产量时,冠层体积信息具有较高的相对重要性。我们的研究表明,基于UAS的成像结合统一的机器学习模型可以有效预测根茎作物产量,为精准农业提供一种可扩展且可迁移的方法。

**1. 引言**
无人驾驶航空系统(UAS)在精准农业中因能够实现高效作物监测并提升农业管理实践以保障粮食安全和可持续性而受到重视(Karthikeyan等人,2020年)。在这一领域中,作物产量预测至关重要,因为它为粮食安全提供信息,支持管理决策,并有助于减少浪费(Weiss等人,2020年)。研究表明,利用UAS可以获得植物的结构和生理信息以估计作物产量(Gu等人,2024年;Roth等人,2022年;Xu等人,2023年;Zhang等人,2025年)。然而,大多数与UAS作物产量相关的研究都集中在谷物作物上(Tsouros等人,2019年),而对于根茎类作物的研究较少。
地下作物带来了额外的挑战,因为其可收获的部分位于地下,难以在不进行破坏性采样的情况下直接评估,这与谷物和水果作物不同,后者的产量可以直观观察到。然而,根茎作物的产量和生长率与碳水化合物的分配正相关,而这又与冠层上植物的表型信息有关,因此可以通过遥感技术利用替代变量来估算产量(Ebrahimy等人,2023年;Herrmann等人,2011年;Olson等人,2019a年)。
正是在这种背景下,UAS技术被用来估算多种根茎作物的产量,包括土豆(Jasim等人,2020年;Li等人,2020年;Li等人,2021a年;Liu等人,2024年;Liu等人,2025年;Sun等人,2020年)、胡萝卜(Casta?o-Marín等人,2023年;Metiva,2021年)、洋葱(Barbosa Júnior等人,2025年;Messina等人,2020年)、大蒜(Kim等人,2023年;Marcone等人,2024年)、甜菜(Olson等人,2019b年;Taguchi等人,2024年;Wang等人,2025年;Wang等人,2022年)和甜菜(Chancia等人,2021年;Saif等人,2023年)。事实上,鉴于甜菜因其公认的健康益处和消费者需求的增加而越来越受欢迎,迫切需要扩展基于UAS的产量预测方法。
多项研究报道了UAS获取的特征与根茎作物产量之间存在中等到强的相关性。例如,Li等人(2020年)使用UAS高光谱图像预测土豆产量,决定系数(R2)的最大值为0.81。Sun等人(2020年)利用UAS高光谱图像估计了季末土豆产量,R2为0.63。Jasim等人(2020年)在不同生长阶段预测土豆产量,R2adj范围为0.2至0.6。在最近的一项研究中,Liu等人(2025年)通过从UAS高光谱图像中提取植被指数(VI)来模拟生长指标,分别获得了0.65、0.58和0.54的R2值,相应的nRMSE值分别为28.8%、32.57%和34.22%。对于大蒜,Marcone等人(2024年)监测了四个生长阶段的产量,R2值在0.86至0.93之间,归一化RMSE(nRMSE)值在21.21%至19.81%之间。Taguchi等人(2024年)使用RGB/SfM派生的生长指标(冠层覆盖率、冠层高度)和多元回归方法,在种植后60–75天的时间窗口内预测了三个生长季节的甜菜根重量,R2为0.79–0.84。这些研究依赖于单日期独立模型,这些模型被训练在任意飞行日期(或生长阶段)进行产量预测。其他策略包括时间序列生长建模,其中整合了多个生长时期的测量数据。例如,Wang等人(2025年)评估了单周期模型(P1、P2或P3)和多周期序列,P1–P2–P3组合的测试性能最高,甜菜根产量的R2为0.531(rRMSE = 22.5%)。虽然这些研究有效跟踪了不同生长阶段的模型性能,但大多数仍依赖于针对各个阶段的独立模型,而提出的统一方法通常是时间序列框架,需要多次飞行——这在许多操作条件下可能不可行。这突显了基于UAS的产量预测研究中的一个关键缺口,即一个通用的、不受生长阶段限制的单一日期方法尚未得到充分探索。
作物生长模型可以作为开发基于UAS冠层感测的统一生长阶段独立作物产量模型的灵感来源。最常用的作物生长模型,如CERES(Allan等人,1986年)、DSSAT(Jones等人,2003年)和AquaCrop(Steduto等人,2009年)都整合了气象信息。鉴于这一先例,气象信息也应集成到基于冠层感测的产量估算中,这已在几种方法中得到实现(Ballesteros等人,2018年;Maimaitijiang等人,2020年;Pokhrel等人,2023年)。这种多变量方法也有助于更高级的分析,如机器学习模型。
机器学习已成为解决数据驱动问题的流行方法(Kganyago等人,2024年)。高斯过程回归(GPR)特别适合在小样本量下捕捉复杂交互(Sahoo等人,2023年)。GPR此前已被应用于农业遥感,证明了其在估计小麦出苗(Banerjee等人,2021年)和产量(Bian等人,2022年)方面的有效性。此外,它在估计氮含量方面优于其他机器学习模型(Li等人,2024年;Li等人,2023年)。GPR的一个关键优势是它能够为每次预测提供置信区间,从而在产量估算中增加了可解释性和可靠性(Martínez-Ferrer等人,2021年)。
基于UAS的农业监测依赖于各种传感器类型,每种传感器都设计用于捕捉特定作物特征(Xie和Yang,2020年)。光谱和结构指标被认为是相互补充的(Li等人,2021a),但不同传感器在提取这些特征时具有不同的优势和局限性。了解单个传感器的能力及其集成潜力对于最大化其在农业应用中的效用至关重要。
UAS高光谱和LiDAR数据的融合已在林业中得到广泛研究,成功应用于监测热带森林多样性和地上生物量(AGB)建模(De Almeida等人,2021年)。此外,结合这些模式提高了树木物种分类的准确性(Li等人,2021b)。Dilmurat等人(2022年)在农业研究中表明,融合高光谱和LiDAR数据可以提高玉米产量预测的准确性,R2为0.79,nRMSE为21.11%,而单独使用高光谱数据时分别为0.76和22.3%。同样,Masjedi等人(2020年)报告称,结合UAS高光谱和LiDAR数据可以提高高粱生物量的预测性能。关于大豆的研究探索了RGB、多光谱和热成像的融合,用于预测生物物理和生化参数(Maimaitijiang等人,2017年)以及产量(Maimaitijiang等人,2020年)。类似的方法也应用于小麦产量预测(Fei等人,2023年)和甜菜糖含量的估计(Wang等人,2022年),这些研究还调查了高光谱图像和LiDAR。在这些研究中,研究人员系统地评估了每种传感器的单独性能以及组合性能,从而更全面地了解传感器的能力。然而,我们认为需要进一步的研究来优化农业应用中的传感器选择策略,特别是对于地下根茎作物。Wang等人(2024年)在其综述中强调了这一知识空白,强调了使用多样化传感器技术进行更系统作物监测的必要性。扩大这类研究将使研究人员和实践者能够为特定任务优化传感器选择,最终改善精准农业实践。

**2. 材料与方法**
**2.1. 研究地点**
本研究在2021年和2022年两个生长季节进行,研究对象是美国纽约日内瓦康奈尔农业技术学院种植的Ruby Queen品种甜菜。作物分别于2021年5月20日和2022年5月18日以每平方米57粒种子的速度种植,并用旗帜和标记板进行了划分,以便从正射影像中识别(见图1)。2021年有18个试验地块,2022年有88个试验地块。试验地块分别在2021年8月5日、2022年8月18日和2022年8月24日收获。收获时测量了甜菜根重量、叶片干重、根直径和植株数量。收获时手动将整块地块的植株清除并计数。在植株基部将叶片与根部分离并分别称重。取20%–30%的叶片在约65°C下干燥72小时以计算叶片干重。根部分别计数和称重,并使用数字卡尺(Mitutoyo,Aurora,IL)测量每个地块内所有根的肩部直径。根产量是本研究的主要预测变量,通过将总根重量除以地块面积来计算。

**2.2. 气象数据**
气象数据来自康奈尔农业技术学院的农场气象站(Menne等人,2012年)。根据我们对几种常用作物生长模型的审查(Anar等人,2019年;Hoogenboom,2000年;Steduto等人,2009年),选择了容易获取的变量作为气象特征。这些变量包括生长积温(GDD)——一个广泛使用的简单指标,已在许多产量预测文献中得到应用(Ballesteros等人,2018年;Barbosa Júnior等人,2023年;Li等人,2021a年;Pokhrel等人,2023年)和累积蒸散量(EVAP)(类似于Cheng等人,2022年)。GDD计算以4°C为基准温度。对于EVAP,由于计算蒸散量需要大量气象信息,因此使用盘式蒸散法(pan evapotranspiration)代替,这已被证明与蒸散量成正比(Allen等人,1998年),因此是一个易于使用的替代方法。此外,研究还考虑了数据收集时和收获时的积温(GDD)/蒸散量(EVAP)(Kang等人,2020年),从而构建了一个能够处理多个数据收集时间和不同收获时间的多季节产量模型。每个季节的GDD和EVAP变化过程如图3所示。下载:下载高分辨率图片(194KB)下载:下载完整尺寸图片。图3. 2021年和2022年纽约日内瓦生长季节的气象指标。(a) 积温(GDD)和(b) 累积蒸散量(EVAP)与种植后的天数之间的关系。每个季节的飞行日期用圆圈(2021年)和十字(2022年)标记,红色三角形代表收获日期。如预期,GDD和EVAP随时间几乎呈线性累积,但在此图中展示是为了说明两个生长季节中无人机(UAS)飞行和收获事件的时间分布。(关于图例中颜色的解释,请参阅本文的网络版本。)

2.3. 无人机数据

所使用的无人机平台是DJI Matrice 600,配备了Velodyne VLP-16机载激光雷达扫描仪、Micasense红边M多光谱相机和Headwall Nano Hyperspec高光谱相机,分别用于收集激光雷达、多光谱和高光谱数据。图4展示了无人机负载的图像以及各传感器的详细信息。下载:下载高分辨率图片(163KB)下载:下载完整尺寸图片。图4. 2021年和2022年在纽约日内瓦进行的甜菜试验中用于数据收集的无人机成像系统。DJI Matrice 600无人机配备了三种传感器:Velodyne VLP-16激光雷达用于获取结构数据,MicaSense RedEdge-M多光谱相机用于捕获五个波长的光谱反射率,Headwall Nano Hyperspec高光谱相机用于光谱成像。所有飞行都在太阳正午附近进行,因为此时收集的数据能够获得最佳的结构信息(Tu等人,2020年),同时也符合与准确光谱信息提取相关的朗伯假设(Nur和Bachmann,2023年)。本节将简要介绍这三种成像模式的预处理步骤。

2.3.1. 多光谱数据处理

无人机在15米的高度进行飞行,地面采样距离(GSD)为1厘米,以获取多光谱图像。图像以50%的重叠率拍摄,以确保精确的3D重建。该平台配备了向上和向下辐射的传感器,以同时捕捉冠层和向下照射的太阳辐射。这使得捕获的五波段图像可以转换为反射率,从而不受光照条件的影响(Mamaghani等人,2018年)。除了图像中嵌入的GPS元数据外,还在田地里放置了地面控制点,以获取准确的几何信息(AeroPoints,无日期)。使用Pix4d光测绘软件(PIX4Dmapper,无日期)生成整个田地的几何校正正射影像地图。最后,使用QGIS 3.16从正射影像地图中提取研究区域。

Pix4D还利用运动结构(SfM)算法(Küng等人,2012年)生成了整个田地的3D点云。SfM的核心原理是从不同角度拍摄的多张图像中重建3D点云。这一过程如图5所示。这些点云是通过识别多张图像中的对应特征点来生成的。从MicaSense元数据中提取的图像位置和方向用于精确重建3D点。这些点云可以栅格化以创建数字表面模型(DSM)。此外,由于田地中作物间存在间隙,还可以从相同的图像中得出数字地形模型(DTM)。

虽然通常在植物生长早期获取DTM是标准做法,但我们的方法旨在使用单次无人机飞行在生长季节的任何阶段利用现场数据。这一限制是因为我们的模型是在单一数据集上训练的,与其他情况隔离。通过从DSM中减去DTM,我们为整个田地生成了冠层高度模型(CHM),为进一步分析提供了有价值的结构信息。

2.3.2. 高光谱数据处理

高光谱图像是在45米的高度拍摄的,地面采样距离(GSD)为3厘米,因为这在提供高空间分辨率的同时保证了最佳的信噪比。需要注意的是,如此高的空间分辨率需要调整积分时间,即无人机飞行速度,这可能导致由于叶片摆动而产生的“噪声”图像。使用Applanix GPS数据进行图像的校正。这与使用Pix4D生成的Micasense图像的正射影像略有偏差,因为此时多光谱数据是使用更准确的aero点进行配准的(Winjnberg,2017年)。进一步使用ENVI 6.0进行地理配准,以确保不同飞行日期的镶嵌图像对齐。

在场景中放置了四个具有不同反射率值的校准面板——2%(黑色)、7%(深灰色)、25%(灰色)和50%(白色)——以将辐射转换为反射率。使用现场分光辐射计(SVC HR-1024i)测量每个面板的反射率,并应用经验线方法(Suomalainen等人,2014年)来校准从高光谱成像传感器获取的辐射数据,确保反射率的准确转换。在基于无人机的enguins(HSI)成像中,所获取的数据确实包含噪声。因此应用了一系列预处理步骤来减少噪声。首先,通过每三个光谱通道平均来降采样信号,这是必要的,因为传感器的半高全宽(FWHM)为6纳米,而每个光谱通道的宽度为2.2纳米。接下来,应用Savitzky-Golay滤波提高信噪比(SNR)(Liu等人,2025年;Sahoo等人,2023年)。此外,由于极端(边缘)光谱带在传感器光谱响应边缘处的性能较低且噪声水平较高,因此将其去除(Hassanzadeh等人,2021年)。

图6显示了每个预处理步骤后信噪比(SNR)的改善情况,而图7展示了单个像素在预处理前后的光谱变化。下载:下载高分辨率图片(145KB)下载:下载完整尺寸图片。图6. 2021年和2022年在纽约日内瓦进行的甜菜研究中使用的多光谱和高光谱传感器的信噪比(SNR)。展示了不同去噪阶段的高光谱图像的SNR性能。两条垂直的红虚线表示我们使用HSI的光谱范围。有关SNR计算的详细信息,请参阅附录。较长波长的较差性能主要是由于硅在该范围内的量子效率较低。

2.3.3. 激光雷达数据处理

激光雷达数据与多光谱图像在相同的飞行日期收集,使用的是Velodyne VLP-16传感器,该传感器以双返回模式运行,每秒生成600,000个脉冲。传感器的垂直视场(FOV)为30°,水平视场(FOV)为360°,激光波长为903纳米。激光雷达系统的最大范围为100米。首先在CloudCompare中应用统计异常值去除(SOR)滤波器以消除噪声点(Carrilho等人,2018年)。使用织物仿真滤波器(CSF)(Zhang等人,2016年)对地面点进行分类,并通过栅格化分类后的地面点生成数字地形模型(DTM)。通过栅格化最大点云值创建数字表面模型(DSM)。然后通过从DSM中减去DTM来得到冠层高度模型(CHM),最终网格间距为1厘米。

使用Applanix GPS数据创建激光雷达点云;然而,观察到激光雷达生成的CHM与多光谱-SfM生成的CHM之间存在轻微的空间不对齐。为了纠正这一点,使用ENVI 6.0通过视觉对齐激光雷达数据与多光谱正射影像进行了额外的配准。

研究区域的多光谱、高光谱和CHM数据以及收获数据可以在https://data.mendeley.com/datasets/d9d5h5xbr5/找到。

2.4. 无人机特征提取

2.4.1. 植被提取

使用归一化差异植被指数(RDVI)结合Otsu阈值分割(Otsu,1979年)——该方法根据每个地块RDVI图的双峰分布自动对植被和土壤进行阈值分割——生成二值图以区分甜菜冠层和土壤。这种方法在我们拍摄的甜菜生长各个阶段都非常实用。然而,在后期生长阶段,特别是在2022年8月18日,一些地块上有杂草,这种算法无法有效掩盖和消除杂草的影响。因此,我们利用了之前飞行日期(2022年8月10日)的植被掩码来解决这个问题,因为在此生长阶段甜菜冠层不扩展,而是保持稳定或缩小。这种方法确保了即使存在杂草也能进行一致的冠层分割。然后应用生成的植被掩码从多光谱和高光谱图像中提取植被反射率,并将其用于冠层高度模型(CHM),以便进行更准确的光谱对齐结构分析。

2.4.2. 光谱指标作为独立模型变量

使用植被掩码从多光谱和高光谱图像中计算每个地块的平均光谱反射率。这些平均光谱直接用作特征,同时派生出额外的特征以增强预测建模过程。

表1列出了本研究中从每个地块的平均光谱中提取的所有植被指数。这些指数是根据它们在以往地下作物研究中的实用性选择的(Liu等人,2024年;Tao等人,2020年)。

表1. 本研究中使用的植被指数。

缩写名称公式参考
NDVI归一化差异植被指数RNIR-RRedRNIR+RRed(Liu等人,2024年)
RDVIRenormalized difference vegetation indexRNIR-RRedRNIR+RRed
NGRDINormalized green–red difference indexRGreen-RRedRGreen+RRed
GNDVIGreen normalized difference vegetation indexR800-R570R800+R570
WRDVIModified wide dynamic range vegetation index0.1R800-R6700.1R800+R670
MCARIModified chlorophyll absorption ratio index[(R700-R670)-0.2×(R700-R550)](R700R670)(Tao等人,2020年)
PBI植物生化指数R810R560
LCILinear combination indexR850-R710R850+R670
PSNDPigment-specific normalized differenceR800-R470R800+R470
MSRModified Simple RatioR800-R670-10.5R800-R670+1
PSRI植物衰老反射率指数R680-R500R750
NPCINormalized pigment chlorophyll ratio indexR670-R460R670+R460
OSAVIOptimized soil adjusted vegetation index1.16(R800-R670)R800+R670+0.16
EVI2Two-band enhanced vegetation index2.5(R800-R670)R800+2.4R670+1
TCARITransformed chlorophyll absorption ratio index3×[(R700-R670)-0.2×(R700-R550)(R700/R670)]
SPVISpectral polygon vegetation index0.4[3.7(R800-R670)-1.2(R530-R670)]
TVITriangular vegetation index0.5[120(R750-R550)-200(R670-R550)]
GIGreenness indexR554R677
Hyperspectral only
PSSRPigment-specific simple ratioR800R500(Tao等人,2020年)
RARSRatio analysis of reflectance spectraR760R500
SRSimple ratio vegetation indexR750R550
RVSIRed-edge vegetation stress index(R712+R752)/2-R732
CIRed-edgeRed-edge chlorophyll indexR780R710-1(Liu等人,2024年)
CIChlorophyllGreen chlorophyll indexR780R550-1
NDRENormalized difference red edgeR790-R720R790+R720
ND705?R750-R705R750+R705

直接将所有反射率和植被指数纳入模型可能导致过拟合或性能不佳(Roth等人,2022年)。这是因为存在可能无关的特征,这些特征会向模型中引入噪声,以及高度相关的特征,这些特征会增加过拟合的风险(Hawkins,2004年)。因此实施了三种不同的过滤器选择标准来识别对模型最相关的光谱特征。这包括选择与收获产量相关的特征,同时忽略高度相关的特征。用于确定相关性的指标包括:a) 相关性,b) 互信息,以及c) 与产量和彼此之间的互相关性。

光谱分解(仅限HSI)。高光谱图像经过预处理后包含80个波段。这些反射率波段可能存在相关性,建议将信号分解成组分进行分析(De Almeida等人,2021年)。使用四种常用的方法进行分解:主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)和偏最小二乘(PLS)回归。简而言之,PCA将数据投影到一个不相关的组分空间(Khodr和Younes,2011年),FA生成解释协方差的潜在变量(Lawley和Maxwell,1962年),ICA生成非高斯独立组分(van Leeuwen等人,2021年),PLS找到最大化独立变量和依赖变量之间协方差的组分(Maimaitijiang等人,2020年)。对于每种分析,信号被分解为三个组分,因为我们发现这些组分解释了超过95%的方差。

2.4.3. 结构指标

在结构指标方面,我们仅使用了冠层体积,即CHM中所有植被像素高度的总和(Masjedi等人,2020年)。此前曾使用冠层体积来估算大豆的生物量(Maimaitijiang等人,2019年)。此外,如图8所示,我们观察到甜菜干叶重量与根重之间存在比例关系。基于这种关系,我们将冠层体积选为甜菜产量预测模型的唯一结构特征。下载:下载高分辨率图像(103KB)下载:下载全尺寸图像图8. 2021年(红色十字)和2022年(蓝色圆圈)生长季节中甜菜干叶重量(克)与根重(千克)之间的关系。(关于图中颜色参考的解读,请参阅本文的网页版本。)2.5. 模型开发2.5.1. 产量建模在产量建模中,结合了气象特征、结构特征和光谱特征。气象特征包括积温(GDD)、飞行日的蒸发量(EVAP)以及收获时的积温和蒸发量(GDDharvest和EVAPharvest),这些可以通过历史天气数据和计划收获日期来估算。结构特征和光谱特征是从每次特定飞行的无人机(UAS)影像中提取的。用于建模的光谱特征源自多光谱或高光谱数据。表2详细列出了应用三种不同过滤技术后选定的最终特征集:基于相关性的选择、基于互信息(MI)的选择,以及结合MI和相关性的选择。这些代表了每种传感器类型选择的最相关且冗余最小的特征,并用于后续建模。表2. 基于不同特征选择方法为每种传感器类型选定的光谱特征。特征过滤技术多光谱高光谱基于相关性的VI:GNDVI、MSR、TCARI、SPVI、GI反射波段:蓝色VI:GI CIChloro、NDRE反射波长(纳米):440.9、647.9基于互信息的VI:TCARI反射波段:绿色VI:PSND、MCARI反射波长(纳米):621.2、741.4基于MI和相关性的VI:GNDVI、TCARI反射波段:绿色VI:PSND、MCARI反射波长(纳米):494.3、621.2、741.4这些组合特征被用作机器学习模型的输入,该模型采用经验方法来估算甜菜根产量。与之前为不同生长阶段开发独立模型的研究不同,这里采用了适用于所有甜菜生长阶段的单一统一带模型。工作流程的示意图如图9所示。下载:下载高分辨率图像(74KB)下载:下载全尺寸图像图9. 2021年和2022年纽约日内瓦地区用于估算甜菜产量成分的统一带预测模型的示意图。2.5.2. 高斯过程回归高斯过程回归(GPR)是一种非参数的概率机器学习(ML)方法(Rasmussen和Williams,2006年)。与直接预测输出的传统ML模型不同,GPR模型根据其训练数据和先验信息计算后验分布。这个后验分布也是高斯的,其中均值代表估计预测值,标准差提供了预测的置信区间,揭示了预测的不确定性。这可以理解为GPR预测一组函数来模拟交互作用,每个点的预测值是均值(Rasmussen和Williams,2006年)。在GPR中,数据实例之间的交互作用被建模为高斯过程,从而使模型既非参数化又具有灵活性(Martínez-Ferrer等人,2021年)。点之间的协方差由核函数定义,例如径向基函数(RBF)、Matern函数和平方指数函数。核函数包括超参数,如信号方差,控制函数的幅度,以及长度尺度,调节函数随点间距离变化的速率。此外,还加入了一个噪声方差项以防止过拟合。GPR的实施使用了Scikit-Learn 1.5.1。采用五折交叉验证的网格搜索来优化模型性能,特别是确定最佳的超参数组合,包括alpha和核选择(Wang等人,2022年)。所有特征在训练前都进行了标准化(z分数缩放)——与归一化(最小-最大缩放)相比——因为标准化在处理异常值方面表现更好,并且在基于距离的算法上表现良好。为了进一步验证我们使用GPR的有效性,还实现了标准的机器学习模型,如随机森林(Random Forest)、XGboost、支持向量回归(Support Vector Regression)和偏最小二乘回归(Partial Least Square Regression)。由于我们的数据集规模较小,没有使用深度神经网络(Bejani和Ghatee,2021年)。2.5.3. 训练和评估本研究使用了一个包含600个实例的数据集,其中2021年有18个地块来自4个飞行日期,2022年有88个地块来自6个飞行日期。为了评估模型性能,从2022年的数据集中分离出30%的地块进行独立测试。首先使用2022年的数据集确定最佳的光谱特征组合,因为它的地块数量更多。从2021年的数据集中随机选择一个地块逐步引入,以评估模型的跨季节学习能力,同时评估模型在剩余数据集上的性能。使用常用的拟合优度指标来评估模型性能,包括决定系数(R2)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)(Burglewski等人,2024年)。此外,还评估了每个预测(来自GPR模型的输出)的平均标准差,以量化预测的不确定性。由于我们还旨在评估不同传感器模态的性能,因此为不同的传感器组合分别训练了模型,而不是将所有特征合并到一个模型中。具体来说,其中一个模型仅使用基于多光谱的特征,其中光谱和结构特征都来自多光谱影像和运动结构(SfM)。另一个模型使用了高光谱和LiDAR数据的组合,其中光谱特征来自高光谱影像,结构特征来自LiDAR。然后比较这些模型以评估不同传感器模态的相对性能。2.6. 特征贡献分析评估每个特征的贡献对于全面理解模型至关重要。为此,我们采用了SHapley Additive Explanation(SHAP)值(Lundberg和Lee,2017年),这是一种广泛使用的、与模型无关的解释机器学习模型的方法(Cheng等人,2024年)。SHAP通过比较有无每个特征的模型预测来计算每个特征的边际贡献。这个过程对数据集中的每个数据点重复进行,详细评估每个特征对模型预测的影响。通过利用SHAP,我们可以更好地解释不同光谱、结构和气象特征在产量估计中的相对重要性。分析在Python 3.11中进行;代码可在此处找到:https://github.com/saif8091/yield-multi。3. 结果飞行识别编号(IDs)按照以下格式表示:YYYYMMDD;例如,2021年7月15日的飞行编号为20210715。虽然特征命名遵循标准化约定,但每个缩写词之间用下划线分隔。缩写词的前两个字母表示特征类型,而m、h或lidar的存在分别表示特征是从多光谱、高光谱或LiDAR数据中提取的。最后,数字表示反射波段的编号,即0、1、2、3和4分别代表多光谱影像的蓝色、绿色、红色、红边和近红外(NIR),而对于高光谱影像,有80个波段,波长范围在400–930纳米之间。3.1. 2022年根产量的模型性能表2和表3总结了模型在2022年数据集上的性能。每个模型都使用了积温(GDD)、收获时的积温(GDDharvest)、蒸发量(EVAP)、收获时的蒸发量(EVAPharvest)和冠层体积作为输入特征,并通过光谱输入引入了变化。表3. 使用从多光谱影像中提取的各种光谱特征预测根产量的模型性能。每个模型除了提到的特征外,还使用了以下特征:'gdd'、'gdd_harvest'、'evap'、'evap_harvest'、'vol'。特征R2trainR2testMAPEtrainMAPEtestRMSE trainRMSE test均值标准差train均值标准差test?0.800.7315.7817.730.580.650.130.14'gndvi_m'、'msr_m'、'tcari_m'、'spvi_m'、'gi_m'、'ref_m_0′0.910.7310.6216.080.400.650.170.27'tcari_m'、'ref_m_1′0.820.7514.5216.840.550.630.160.18'gndvi_m'、'tcari_m'、'ref_m_1′0.830.7614.4215.880.540.610.170.19对于多光谱分析(表3),我们注意到仅使用冠层体积(来自SfM)就已经提供了相对较强的基线性能(R2 = 0.73,RMSE = 0.65 kg/m2)。引入光谱特征后略有改进,特别是使用基于MI和相关性的特征集时,R2增加到0.76,RMSE降低到0.61 kg/m2。有趣的是,更复杂的特征集(六个变量)比简单配置产生了较低的测试性能,表明特征复杂度超过一定程度后收益递减。在高光谱+LiDAR模型(表4)的情况下,仅使用结构和气象特征的基线性能较低(R2 = 0.66,RMSE = 0.73 kg/m2)。所有光谱特征集都提高了模型性能,PCA、ICA和PLSR特征降维方法获得了稍好的泛化能力(R2 ≈ 0.73,RMSE ≈ 0.65 kg/m2)。尽管测试R2的提高幅度不大,但不同分解方法之间的一致性支持了高光谱信号在根产量建模中的稳定性。表4. 使用从高光谱和LiDAR中提取的各种特征预测根产量的模型性能。每个模型除了提到的特征外,还使用了以下特征:'gdd'、'gdd_harvest'、'evap'、'evap_harvest'、'vol_lidar'。特征R2trainR2testMAPEtrainMAPEtestRMSE trainRMSE test均值标准差train均值标准差test?0.760.6617.2119.380.630.730.130.15'gi_h'、'ci_chloro_h'、'ndre_h'、'ref_h_6′、'ref_h_37′0.830.7214.7217.140.540.660.200.24'psnd_h'、'mcari_h'、'ref_h_33′、'ref_h_51′0.820.7215.2217.170.560.660.180.21'psnd_h'、'mcari_h'、'ref_h_14′、'ref_h_33′、'ref_h_51′0.820.7215.1717.180.560.660.190.22'pca_h_0′、'pca_h_1′、'pca_h_2′0.820.7315.1317.050.560.650.180.21'fa_h_0′、'fa_h_1′、'fa_h_2′0.820.7315.2017.330.560.650.180.21'ica_h_0′、'ica_h_1′、'ica_h_2′0.820.7315.1317.050.560.650.180.21'plsr_h_0′、'plsr_h_1′、'plsr_h_2′0.820.7314.9117.520.550.650.180.22总体而言,GPR的表现与其他测试的模型(RF、SVR、XGBoost、PLSR;见附录)相似(或更好),使用相对较少的特征就提供了有竞争力的结果,同时提供了不确定性估计。这些估计值以表3和表4中的均值标准差值形式报告,通过捕捉不同特征集的预测置信度提供了额外的可解释性。3.2. 不同季节的模型性能下一步是评估模型在不同生长季节中的可转移性。为此,逐步用2021年的一个地块数据更新2022年的训练集。然后在修改后的集合上训练模型,并在剩余的2021年地块上进行测试。这个过程迭代进行,每一步添加一个额外的2021年地块,并在剩余的2021年数据集上评估模型性能。结果是在10种不同随机组合上平均得出的;平均值显示在图10中。下载:下载高分辨率图像(312KB)下载:下载全尺寸图像图10. 使用不同数量训练地块的多光谱和高光谱+LiDAR系统预测根产量的模型性能:(a) 平均决定系数(R2)显示在六个训练地块后性能稳定;(b) 随着训练地块的增加,平均绝对百分比误差(MAPE)降低,表明准确性提高;(c) 预测的平均标准差降低,表明随着训练数据的增加模型置信度提高;(d) 均方根误差(RMSE)也下降,表明预测性能得到增强。结果表明,在结合六个训练地块的数据后,两种成像系统的R2值都稳定了。因此,使用了六个2021年地块的训练集来评估两个季节的整体模型性能,测试集结果显示在图11中。下载:下载高分辨率图像(434KB)下载:下载全尺寸图像图11. 使用(a) 仅多光谱和(b) 高光谱+LiDAR模型预测的测试集根甜菜产量的对比。每个点代表一个不同的飞行日期,相应的飞行ID在图例中标识。红色虚线代表1:1参考/一致性线。(关于图中颜色参考的解读,请参阅本文的网页版本。)从图11可以看出,无论是多光谱还是高光谱+LiDAR系统,模型在不同生长阶段和季节都保持了高预测精度。添加新季节的数据并没有显著改变原始数据集的性能。此外,模型在广泛的根产量值范围内展示了强大的预测能力,进一步增强了其在不同环境条件下的鲁棒性和适用性。3.3. 按飞行日期的性能还分析了每次飞行的性能,以更好地理解模型在不同生长阶段和季节中的优势和局限性。图12展示了模型与种植后天数(DAP)的关系。结果表明,无论是在哪个季节和成像系统,预测精度都相对一致,且在55到85 DAP之间达到峰值。下载:下载高分辨率图像(336KB)下载:下载全尺寸图像图12. 使用多光谱和高光谱+LiDAR系统在不同种植后天数(DAP)下预测甜菜根产量的模型性能:(a) 决定系数(R2);(b) 平均绝对百分比误差(MAPE);(c) 均值标准差;(d) 均方根误差(RMSE)。此外,图12还强调了结合标准差或置信区间对每个预测的重要性。尽管2021年的预测展示了较低的RMSE(均方根误差),但它们对于2021年数据集的置信度也较低,这归因于该季节可用的样本量较小。3.4 Shapely值 图13展示了使用两种成像系统的模型的SHAP(SHapely Value)值,以便更好地理解每个特征对模型预测的贡献。较高的SHAP值表示该特征对模型预测的贡献更显著。下载:下载高分辨率图片(197KB)下载:下载完整尺寸图片 图13. 纽约日内瓦地区甜菜根产量的(a)多光谱和(b)高光谱+激光雷达的平均Shapely值。与其他特征相比,冠层体积特征的SHAP值较高,但接下来占主导地位的是两种传感器配置下的气象特征。冠层体积在两种情况下都是主要特征,因此在产量估计中起着重要作用。气象指标也对模型预测做出了显著贡献。然而,较低的SHAP值并不一定意味着某个特征与甜菜根产量无关;相反,它们表明其他特征具有更高的边际贡献。4. 讨论 4.1 评估模型鲁棒性 我们之前的产量建模工作(Saif等人,2023年)仅使用了2021年的高光谱图像,得到的模型的LOOCV R2值介于0.85到0.90之间,RMSE值介于10%到16%之间。同样,Chancia等人(2021年)获得了R2=0.89和RMSE=0.67 kg/m2的结果,但这些结果仅适用于早期Rosette生长阶段。这些模型是在特定生长阶段的单一个季节进行训练的,限制了它们在不同生长季节的泛化能力。相比之下,本研究中的模型不仅在不同生长阶段取得了可比较的结果,而且还展示出了作为单一统一模型在所有飞行日期下的季节性转移能力。这是相对于之前需要针对生长阶段进行调优的模型的一个关键进步。此外,我们的飞行特定模型得分和整体模型得分与基于UAS的根产量建模文献中报告的结果非常吻合,进一步验证了我们方法的鲁棒性。此外,我们的飞行特定模型得分和整体模型得分也与最近基于UAS的甜菜研究中的结果非常吻合,例如Wang等人(2025年)在不同生长时期获得了0.78到0.88的R2值用于根重量预测,尽管他们的方法依赖于时间序列数据。同样,Taguchi等人(2024年)使用针对生长阶段的模型获得了0.66到0.84的R2值。这些比较进一步验证了我们统一建模策略的鲁棒性。这种泛化对于实际应用尤为重要,因为能够仅通过一次无人机采集就估算产量,而不受确切生长时间的影响,可以显著减少操作需求。此外,在跨季节产量建模中的一个重大挑战是每年飞行日期和收获时间的变化。尽管存在这些差异,但仅使用2021年季节的六个地块(24个数据点)就让模型能够对2022年的收获产量进行相似的预测。这证明了模型的适应性和即使在不同的飞行计划和收获时间下,也能最小化重新训练的情况下预测根产量的能力。2022年最后一次飞行的相对较差表现归因于杂草生长和叶片脱落,这提示了未来研究的潜在方向,即改进杂草和生理状态的区分能力。我们基本上发现,虽然预测能力是稳定的,但后期生长阶段往往对产量预测更有预测性,这与Gu等人(2024年)关于小麦产量的研究结果一致。4.2 特征重要性 从SHAP值可以看出,冠层体积指标在两个模型中都发挥了重要作用。图14展示了每个季节地上体积与收获根产量之间的相关性。例如,较大的冠层体积导致所有生长阶段的地块根产量都更高。这一关系也得到了地面真实数据的支持,该数据显示干叶重量与根重量之间存在线性关系(图8)。这一发现从生物学上是直观的,因为较大的地上生物量有助于更多的资源积累,最终导致根重量增加。因此,假设其他因素保持不变,叶面积可以作为根产量的可靠指标。下载:下载高分辨率图片(317KB)下载:下载完整尺寸图片 图14. (a)2021年和(b)2022年飞行期间,地块根产量(kg/m2)与总植被体积的散点图。上述关系是基于多光谱SfM获得的植被体积;利用激光雷达获得的体积也有类似的关系(图表见附录部分)。部分依赖图是观察特定特征与模型输出之间关系的另一种方法(Greenwell等人,2018年)。部分依赖函数(fs)对于预测函数(f^)在数学上定义为:fsxs=1/n∑i=1nf^xs,xi,C,其中xs代表特征s,xi,c是数据样本i中所有其他特征的值(不包括特征s)。我们分析了图15中的部分依赖图,以进一步了解冠层体积对产量估计的影响。观察冠层体积的图表,可以清楚地看到一个正趋势,这加强了它作为根产量关键预测因子的作用。下载:下载高分辨率图片(206KB)下载:下载完整尺寸图片 图15. (a)多光谱和(b)激光雷达传感器的体积部分依赖图。浅蓝色线条是单独的条件期望(ICE)图(Goldstein等人,2015年)。每条线代表一个单独的数据点,在保持该点所有其他特征不变的情况下改变了特定特征。ICE图的平均值就是部分依赖图,由实线蓝色线条表示。注意:特征值已经标准化。(关于此图例中颜色的解释,请参阅本文的网络版本。)此外,检查气象特征图(图16,图17)显示,天气数据的轻微变化并没有导致模型预测出现大幅波动。这表明模型在当前状态下,当应用于与其训练时相似的气象条件时仍然具有鲁棒性。下载:下载高分辨率图片(201KB)下载:下载完整尺寸图片 图16. 多光谱模型显示气象特征对纽约日内瓦地区甜菜根产量预测影响的部分依赖图:(a)GDD,(b)GDDharvest,(c)EVAP,以及(d)收获时的EVAP。下载:下载高分辨率图片(274KB)下载:下载完整尺寸图片 图17. 高光谱+激光雷达模型显示气象特征对纽约日内瓦地区甜菜根产量预测影响的部分依赖图:(a)GDD,(b)GDDharvest,(c)EVAP,以及(d)收获时的EVAP。4.3 不同传感器之间的性能比较 本研究的目的是通过提取光谱和结构信息作为输入,将遥感数据整合到机器学习模型中以预测根产量。光谱特征来自多光谱或高光谱图像,而结构特征来自多光谱SfM或激光雷达。为了全面了解每种传感器模态的贡献,有必要评估它们在不同组合中的性能,即:• 多光谱(光谱信息)+ 激光雷达(结构信息)• 高光谱(光谱信息)+ 多光谱SfM(结构信息)图18展示了两个季节每种组合的总体模型性能,而图19按飞行日期分解了模型指标,提供了对每个传感器在不同生长阶段性能的更详细了解。下载:下载高分辨率图片(434KB)下载:下载完整尺寸图片 图18. 不同传感器配置的模型性能。结果与图11中显示的结果类似。与仅使用多光谱相比,多光谱+激光雷达的性能略有损失,而高光谱+SfM的性能略优于高光谱+激光雷达。下载:下载高分辨率图片(447KB)下载:下载完整尺寸图片 图19. 每种传感器组合的飞行性能分解。注意使用激光雷达时早期飞行日期的性能明显较低。高光谱+SfM模型取得了最高的预测准确性,R2为0.82,RMSE为0.57 kg/m2。同时,多光谱+激光雷达的性能略低于仅使用多光谱的基准,表明添加的激光雷达衍生的冠层体积特征并没有改善模型(图18)。这些结果表明,虽然高光谱衍生的光谱特征对产量预测有轻微改进,但从激光雷达获得的结构特征在当前处理流程下并没有提供一致的额外价值。为了进一步调查结构特征的差异,图20显示了每种传感器的冠层体积估计分布。显然,激光雷达始终产生的冠层体积估计较低,这与SfM相比。这种差异可能是由于甜菜植物的地上冠层高度相对较低,这可能限制了激光雷达的有效性。低矮的冠层难以被具有有限垂直分辨率或稀疏返回密度的激光雷达系统解析。相比之下,SfM通过摄影测量匹配生成更密集的点云,可能在这种条件下提供更好的表面重建。下载:下载高分辨率图片(136KB)下载:下载完整尺寸图片 图20. 所有飞行日期中SfM和激光雷达的冠层体积估计分布。激光雷达在早期飞行中始终估计的体积较低,表明低估了植物大小。此外,激光雷达在早期飞行中的表现不佳在按飞行日期分解的情况下最为明显(图19)。在这些阶段,稀疏的植被覆盖和靠近地面的情况可能限制了激光雷达生成准确表面模型的能力(Gu等人,2024年)。在季节后期,当冠层大小增加时,激光雷达派生模型的性能得到改善,与基于SfM的结果更加接近。还需要注意的是,每个3D点云只衍生了一个结构指标——冠层体积。虽然这简化了模型输入并避免了在小数据集中的过拟合,但它并没有充分利用激光雷达中可用的丰富空间细节。未来的工作可能会从包括更详细的基于激光雷达的特征中受益。2021年第一次飞行(DAP 48)中出现了激光雷达表现极差的一个极端案例,其中预测准确性急剧下降(图19)。为了探讨这一点,图21展示了2021年所有飞行的冠层体积估计。DAP 48的估计值明显低于其他飞行日期,尤其是在激光雷达衍生的体积方面。这可能反映了早期生长阶段地上生物量极少以及激光雷达系统在这些条件下检测精细冠层结构的局限性。这些因素共同解释了该次飞行中激光雷达增强模型的性能不佳。从实际角度来看,这些结果还表明,更简单和更易获取的传感器配置——例如多光谱图像结合SfM衍生的结构特征——可能提供一种更具成本效益的替代方案,特别是在考虑成本效益和部署便捷性的操作环境中。虽然高级传感器提供了有价值的细节,但它们的好处并不总是能够证明额外的成本或复杂性是合理的,特别是对于像甜菜这样的小冠层作物。4.4 缺点和挑战 通过额外的预处理步骤以及直接使用点云数据,而不是仅依赖栅格化CHMs(Corine Heights Map),有可能提高基于激光雷达的预测性能。此外,由于冠层体积是一个关键特征,从斜视角度获取结构数据可能会减少冠层遮挡,并生成更完整的冠层重建。未来的工作应该探索这些方法来优化结构特征提取并提高整体模型性能。2022年20日、20日和818日飞行的模型相对较差的性能可能归因于叶片收缩和杂草生长。根据Anar等人(2019年)的研究,叶片的生长通常在1500 GDD( Growing Degree Days)后停止,导致叶片收缩。在某些地块中,杂草检测带来了挑战,影响了模型精度。为了提高鲁棒性,未来的工作可以将杂草检测模型集成到预处理流程中,从而减少杂草干扰对结构和光谱特征提取的影响。虽然本研究通过在2022年数据集的30%和2021年数据集的70%上测试来展示模型的鲁棒性,但可用的训练集仅限于两个季节,并且2021年的样本量较小,导致年份之间的不平衡。因此,这里提供的证据应被视为初步步骤,而不是证明全季节独立性的决定性证据。要实现真正独立于季节且商业上可行的模型,需要使用来自多个生长季节、不同飞行计划和不同收获时间的数据进行验证。此外,由于本研究仅关注在单一地点种植的甜菜,若能纳入不同的土壤特性和环境因素,将有助于提高模型在不同地理区域的适用性。5. 结论:本研究提出了一种统一的地面穿透雷达(GPR)模型,该模型能够利用无人机(UAS)获取的数据和简单的气象指标来预测甜菜的产量。该模型不依赖于生长阶段、飞行时间和收获时间,并展现了跨季节的适用性。尽管该模型在甜菜生长55至85天(DAP)期间拍摄的图像上表现最佳,但在所有测试的生长阶段(40-95 DAP)中仍保持了良好的预测性能。仅使用UAS多光谱图像时,模型的整体性能指标为R2test = 0.81,MAPEtest = 15.7%;而结合UAS高光谱和LiDAR数据进行预测时,R2test = 0.79,MAPEtest = 17.4%。进一步分析表明,多光谱SfM和UAS高光谱数据在结构特征和光谱特征提取方面略优于LiDAR和多光谱图像。LiDAR性能较低可能是因为甜菜植株的高度较低,尤其是在生长初期,基于LiDAR的模型表现较差。这突显了当前使用LiDAR的一个潜在局限性,即其主要依赖于基本的冠层体积估计;未来的工作应探索更先进的3D特征提取技术和更密集的扫描策略,以更好地发挥LiDAR的功能。另外,从高分辨率RGB图像中提取的结构信息(SfM)可能是一种更实用且经济可行的结构数据采集方法。此外,冠层体积被证实是预测甜菜产量的关键输入参数,而结合气象特征则有助于开发出不受生长阶段影响且可跨季节应用的模型。然而,对本研究的结论应持谨慎的态度。由于数据集仅涵盖了两个生长季节和一个地理地点,并且2021年的样本量较小,这可能影响模型的普遍适用性。未来的工作应纳入多个季节、不同地理位置以及不同的成像和收获时间的数据,以进一步提高模型的灵活性。实施先进的杂草提取技术也有助于提升模型性能。此外,可以采用更复杂的数据选择技术来优化模型输入。尽管如此,我们提出的统一模型已经达到了与其他根类作物产量预测研究相当的性能水平。该模型能够使用单一模型预测不同时间点的产量,这在实际应用中具有显著的实用价值,特别是在无法频繁获取数据的情况下。我们对UAS传感器性能的记录以及数据和代码的公开共享,为研究人员和从业者提供了推进根类作物产量估算的宝贵工具。资金来源:本研究得到了Love Beets USA、纽约农场可行性研究所(NYG-625424)和国家科学基金会(PFI Award No. 1827551)的支持。作者贡献声明:Mohammad S. Saif负责写作、审稿与编辑、数据整理及概念框架构建;Robert Chancia负责写作、审稿与编辑及数据整理;Sean P. Murphy负责写作、审稿与编辑;Sarah Pethybridge负责写作、审稿与编辑、项目监督及资金筹集;Jan van Aardt负责写作、审稿与编辑、项目监督、资源管理及项目构思。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号