《Agricultural Water Management》:A machine learning approach for quantifying crop water stress in smallholder farms using unmanned aerial vehicle multispectral imagery
编辑推荐:
水分胁迫严重威胁甘蔗生产,尤其对南非小农农场影响显著,而目前缺乏空间显式(spatially explicit)评估手段。本研究旨在通过将结构植被指数(Structural Vegetation Indices, SVIs)与归一化差分水体指数(Normali
水分胁迫严重威胁甘蔗生产,尤其对南非小农农场影响显著,而目前缺乏空间显式(spatially explicit)评估手段。本研究旨在通过将结构植被指数(Structural Vegetation Indices, SVIs)与归一化差分水体指数(Normalized Difference Water Index, NDWI,植被含水量的替代指标)间的复杂非线性关系建模,改进作物水分胁迫量化方法。研究人员整合哨兵-2(Sentinel-2)卫星数据与无人机(Unmanned Aerial Vehicle, UAV)获取的多光谱影像,利用卫星衍生SVIs和NDWI训练机器学习模型,再将模型应用于无人机衍生SVIs以预测NDWI。模型获得较高预测精度(R2= 0.95,RMSE = 0.03,MAE = 0.02),有效捕捉甘蔗水分状况的时间变化,包括降雨后胁迫恢复及早熟期保水能力增强,与叶面积指数(Leaf Area Index, LAI)、叶绿素含量(Chlorophyll Content, CC)及土壤水总剖面(Total Soil Water Profile, TSWP)变化一致。NDWI与实际蒸散发(actual evapotranspiration, ETa;R2= 0.60)呈正相关,与水分亏缺指数(Water Deficit Index, WDI;R2= 0.62)呈负相关,表明其在一定条件下可反映作物水分状况。结合降水、TSWP和WDI的实地测定,预测NDWI可为作物水分动态提供有价值见解。该方法证明机器学习驱动的NDWI估算可支持定点灌溉调度、提高资源利用效率并促进甘蔗可持续栽培,为缺水地区小农系统气候韧性水管理实践提供依据。
论文解读:利用无人机多光谱影像结合机器学习量化小农农场甘蔗作物水分胁迫的研究
研究背景与意义
南非广泛存在水资源短缺与气候波动,小农农场(cultivating <2 ha,以雨养为主)甘蔗生产受水分胁迫威胁严重,但缺乏适用于小尺度农田的空间显式作物水分胁迫评估工具,制约了精准灌溉与胁迫缓解策略制定。传统原位测定耗时费力,卫星遥感(如Sentinel-2)虽含短波红外(ShortWave InfraRed, SWIR)可计算归一化差分水体指数(Normalized Difference Water Index, NDWI = (NIR?SWIR)/(NIR+SWIR),植被含水量代理指标),但空间分辨率较粗,难以刻画小农田块内部异质性;消费级无人机搭载的多光谱传感器缺乏SWIR波段,无法直接算NDWI。为此,研究人员提出一种机器学习(Machine Learning, ML)框架,利用卫星数据建立结构植被指数(Structural Vegetation Indices, SVIs:如NDVI、GNDVI、OSAVI等,源于蓝、绿、红、红边、近红外波段)与NDWI的非线性关系,再将训练好的模型迁移至无人机多光谱影像提取的SVIs上,实现高分辨率NDWI预测,用以量化甘蔗水分胁迫。该文发表于《Agricultural Water Management》。
主要关键技术方法概述
研究于南非夸祖鲁-纳塔尔省Swayimane小农甘蔗田(7253.74 m2,2023年7月–2024年3月覆盖茎伸长期Stalk Elongation, SE及早熟期early Maturation, M)开展。研究人员布设涡度相关(Eddy Covariance, EC)通量塔测定实际蒸散发(ETa)并结合自动气象站(Automatic Weather Station, AWS)数据计算参考蒸散发(ET0)与水分亏缺指数(WDI = 1?ETa/ETp,ETp=Kc×ET0);原位测定叶面积指数(LAI-2200C)、叶绿素含量(SPAD-502换算为CC);同期进行12次DJI Matrice 300 RTK搭载MicaSense Altum五波段多光谱+热红外传感器UAV航拍并经Pix4Dfields辐射校正生成正交镶嵌图与数字表面模型(Digital Surface Model, DSM);在Google Earth Engine(GEE)中提取Sentinel-2 L2A影像(2023年7月–2024年5月,云量≤20%)对应15个采样点处各波段及计算SVIs与NDWI构建420条样本的训练集,导入R Studio用caret包比较广义线性模型(Generalized Linear Model, GLM)、k近邻(k-Nearest Neighbors, kNN)、分类回归树(Classification and Regression Trees, CART)、随机森林(Random Forest, RF)、梯度提升树(Gradient Tree Boosting, GTB)、支持向量机(Support Vector Machine, SVM)及集成模型,按8:2划分训练验证集,以R2、均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)选优后将最优集成模型应用于UAV各波段计算所得SVIs栅格图预测高分辨率NDWI,并与原位LAI、CC、ETa、WDI、降水、土壤水总剖面(Total Soil Water Profile, TSWP)做Pearson相关分析与时空比对。
研究结果
3.1. In situ analysis of sugarcane physiological parameters across growth phases: correlations with satellite-derived indices
研究人员对伸长期(SE)与早熟期(M)原位测定显示:CC由249.87升至550.45 μmol m?2,LAI由3.92升至5.13,株高由2.26 m升至2.73 m,变异性减小,表明冠层发育改善、光合效率增强;卫星衍生NDWI、NDVI、优化土壤调节植被指数(Optimised Soil Adjusted Vegetation Index, OSAVI)同步升高,证实与冠层含水量及生物量增加相符,为后续模型评估提供生理基准。
3.2. Evaluating ensemble model performance for predicting the Normalised Difference Water Index
对比两种集成模型,Ensemble Model 2表现更优(训练集R2= 0.95,RMSE = 0.03,MAE = 0.02;Ensemble Model 1为R2= 0.87,RMSE = 0.04,MAE = 0.03),说明该ML模型能高精度捕捉SVIs与NDWI间非线性关系,选其作为最终预测模型。
3.3. Correlation analysis of predicted NDWI with UAV-derived structural indices and in situ measurements
预测NDWI与无人机衍生归一化差分植被指数(Normalized Difference Vegetation Index, NDVI;R = 0.51)、绿光归一化差分植被指数(Green Normalized Difference Vegetation Index, GNDVI;R = 0.52)呈中等正相关,与近红外(NIR)反射率呈负相关(R = ?0.51),与LAI(R = 0.41)、CC(R = 0.33)、株高(R = 0.31)亦呈正相关,表明NDWI综合反映了冠层结构特征与生理水分状况。
3.3.1. Comparative violin plot analysis of predicted NDWI, UAV-based VIs, and ET-EC during SE and early M phases
小提琴图显示:早熟期NDWI分布上移且变窄,反映成熟期植被含水量升高且田间空间变异性降低;ET-EC(eddy covariance-derived actual evapotranspiration)在SE期分布更宽,M期变窄,符合冠层发育差异引起的蒸腾变幅变化;各SVIs(NDVI、GNDVI、红边NDVI即NDVIre、SAVI、OSAVI、转化叶绿素吸收反射率指数Transformed Chlorophyll Absorption in Reflectance Index, TCARI、TCARI/OSAVI)均在M期值更高、变异更小,与冠层绿度及叶绿素积累一致。
3.4. Evaluation of in situ data quality
能量平衡闭合(Energy Balance Closure, EBC)分析显示湍流通量(H+LE)与可用能量(Rn?G)回归斜率30分钟尺度为0.73(截距强制0)、日尺度为0.76,R2分别达0.98与0.99,处于涡度相关系统典型10%–30%不闭合范围内,确认EC测定的ETa可靠。
3.4.1. Validation and temporal analysis of predicted NDWI against ETa, WDI, precipitation, air temperature, and soil water metrics
预测NDWI均值与ET-EC呈显著正相关(R2= 0.60),与WDI呈显著负相关(R2= 0.62)。时序分析发现旱季(2023年7–11月)WDI高(最高0.81)、NDWI低、TSWP下降;雨季及早熟期(2024年1–3月)降水增多、TSWP回升、WDI降至约0.18–0.21、NDWI峰值达0.30,说明NDWI可敏感反映甘蔗水分胁迫消长及雨后恢复过程。
3.5. Evaluating the dynamics of VIs with LAI and CC
三维曲面显示预测NDWI及NDVI、GNDVI等在较高CC(500–600 μmol m?2)与中高LAI(5.0–6.0)处取最大值,低CC(100–200 μmol m?2)与中等LAI处NDWI降低,印证充足叶绿素与叶面积是维持植株水分状态的基础;TCARI/OSAVI比值在低–中LAI与低CC区较高,适合指示叶绿素健康水平。
讨论与结论总结
讨论部分指出:该ML框架弥补了UAV多光谱无SWIR波段无法直接算NDWI的缺陷,通过卫星–无人机数据融合实现了小农田块高分辨率植被含水量制图;NDWI与SVIs的正相关、与ETa正相关及与WDI负相关验证了其对甘蔗水分胁迫的指示能力;生育期(SE→early M)NDWI上升与冠层发育、降水及TSWP变化吻合。局限性含单站点、训练点较少、仅涵盖SE与早M期、Sentinel-2混合像元效应及降尺度不确定性,未来需多站点多品种全生育期验证并引入光谱解混或热红外(Thermal InfraRed, TIR)数据。实际推广需开发面向小农的简易决策支持工具并加强农技推广协作。
原文结论(翻译):在水危机加剧背景下,本研究提出并验证了一种基于ML的UAV多光谱影像甘蔗NDWI预测新方法。预测NDWI与Sentinel-2数据及原位测定高度一致,是可靠的甘蔗水分状况指标,与经典SVIs及环境因子显著相关,可用于精准水分管理。高分辨率NDWI图支持定点灌溉优化、早期水分胁迫预警及决策系统集成,提升小农气候韧性。受限于单站点、有限训练样本及未覆盖全生育期,后续应拓展至多生态区、多品种、全周期并完善图像处理,推动技术落地惠及南非脆弱区农业水资源管理与粮食安全。