基于mRMR与PSO-机器学习结合SHAP解译的无人机玉米地上生物量与碳估算

《Ecological Informatics》：Integrating mRMR and PSO–machine learning with SHAP interpretation for UAV-based maize aboveground biomass and carbon estimation

　　

农业生态系统在全球碳循环中扮演着不可或缺的角色。作物碳（crop carbon）是农田生态系统固碳能力的关键指标，并对气候变化产生显著影响。此外，大多数研究集中于森林或湿地的植被碳，而关于作物地上碳（aboveground carbon，AGC）的研究相对匮乏，因此作物AGC对全球碳预算的贡献被忽视。作物AGC的计算从根本上依赖于地上生物量（aboveground biomass，AGB）的准确估算。AGB定义为每单位面积植物有机物质的总量，对于干物质积累和光能利用效率至关重要。AGB直接反映作物的固碳能力，并与碳储量密切相关。传统的AGB估算涉及破坏性采样，包括人工收获、烘干和称重，这些过程高度劳动密集且耗时，使其不适用于大规模、多时相研究。遥感技术的快速发展使研究人员能够利用高空间、时间和光谱分辨率的数据提取植被特征并优化参数，从而实现对草地和作物生物量的准确及时估算。近年来，随着无人机（unmanned aerial vehicle，UAV）遥感技术的发展，利用其进行作物参数提取与评估的有效性已得到验证。通过集成高光谱或多光谱相机，UAV提供了具有超高时空分辨率的目标影像。此外，UAV平台具有成本低、重量轻和飞行控制系统灵活等明显优势，引起了科学界日益增长的兴趣。研究发现，生物量与遥感影像的光谱波段及其衍生的植被指数（vegetation indices，VIs）之间存在稳健的相关性。因此，可以开发统计框架来选择最优的波段、VIs和回归模型组合，以实现准确的生物量估算。VIs被广泛用于作物AGB估算；例如，特定VIs可用于评估不同当地玉米品种的生产力和生物量水平。此外，将VIs与机器学习算法相结合有助于马铃薯AGB的准确估算。除了VIs，越来越多的研究人员利用纹理特征（texture features，TFs）来提高作物AGB估算的准确性。TFs可以捕捉相邻像素间光谱值的空间分布变化，有效反映地物表面的物理特性。作物属性如植株覆盖度、叶形和冠层结构的变化会导致获取图像中TFs的变化。先前的研究已证实，纳入TFs能显著提高AGB估算的精度。此外，株高（plant height，PH）与作物生物量密切相关，在相关研究中，学者们已将这一变量纳入作物AGB的估算。传统的VIs和TFs选择方法往往无法消除变量间的多重共线性和冗余，从而导致生物量模型预测性能下降。最近，最优特征选择算法已广泛应用于作物监测研究。最小冗余最大相关性（minimum redundancy maximum relevance，mRMR）算法用于识别与目标变量相关性最高同时冗余最小的特征变量，从而降低过拟合风险并提高模型稳定性。例如，Xiao等人（2025）利用mRMR算法结合Sentinel-1/2数据进行特征选择，以准确识别大豆种植区。Yuan等人（2025）将mRMR与机器学习模型集成，提取敏感特征集并构建水稻病害监测模型。作物生长是一个异速生长过程，在不同发育阶段表现出显著差异。不同物候期各植物器官的不同功能会影响遥感观测，从而改变植物在这些阶段的光谱响应。然而，在整个生长周期中使用统一的特征集来估算作物AGB忽略了由阶段特异性生理机制驱动的光谱差异。因此，基于针对每个生长阶段专门选择的特征变量构建的模型可以有效预测作物生物量。近年来，机器学习在遥感数据分析中的应用越来越普遍。机器学习可用于解释AGB与变量之间复杂的非线性关系，并广泛应用于作物参数估算和作物生物量反演。常用算法包括随机森林（random forest，RF）、极限梯度提升（eXtreme Gradient Boosting，XGBoost）和支持向量回归（support vector regression，SVR）。对于同一数据集，使用不同的机器学习算法可能会产生不同的作物参数估算结果。因此，选择合适的机器学习算法可以显著提高参数估算的精度和准确性。超参数的选择决定了机器学习模型的预测结果，不当的选择可能导致过拟合或欠拟合等问题。常用进化学习算法和梯度下降算法的优化耗时，会降低模型有效性，并容易陷入局部最优。然而，元启发式算法，包括粒子群优化（particle swarm optimization，PSO），通过随机全局搜索机制克服了这些缺点。除了减少局部最优问题外，PSO需要调整的超参数相对较少，且计算负担较低。在本研究中，研究人员使用PSO算法来调整机器学习模型的参数，以确保模型预测的准确性。预测性机器学习模型的可解释性有限，难以阐明模型变量输入与输出之间的关系。模型可解释性问题可以通过SHapley Additive exPlanations（SHAP）有效解决。具体而言，SHAP可用于量化单个特征变量对模型预测的贡献，从而将模型转化为一个透明系统。玉米是全球和中国种植面积最大的作物，在确保粮食安全方面发挥着关键作用。此外，作为C4作物，玉米的光合速率超过水稻和小麦等C3作物；它对CO2的利用效率更高，从而能够捕获更多的碳资源。迄今为止，作物生产中的土壤有机碳指标被视为评估固碳能力的良好指标，但与农业密切相关的AGB中的碳是固碳的一条途径。研究表明，适当的管理措施，如低密度种植玉米，可以增加其分蘖生物量，从而增加玉米碳汇。此外，如果农业副产品如玉米秸秆和甘蔗叶未得到妥善处理——例如，通过不当焚烧农业废弃物——可能会加剧CO2排放并导致空气污染。因此，监测作物产生的AGC有利于可持续农业管理和气候变化评估。在以往的研究中，学者们主要利用mRMR算法进行遥感识别或监测，揭示了基于mRMR的特征选择的有效性。其他学者则单独使用SHAP进行特征贡献分析。然而，在基于UAV的作物AGB估算方面，很少有研究人员将mRMR算法与SHAP分析相结合来选择特征并解释其贡献。因此，本研究选择玉米作为研究对象，采用mRMR进行特征变量选择，分析不同VIs、TFs和PH组合在不同生长阶段对玉米AGB估算的影响。研究人员还研究了经PSO优化的不同机器学习算法在玉米AGB估算中的性能，并利用SHAP阐明模型中各种特征变量的贡献和交互作用。最后，确定最优模型以生成不同生长阶段玉米AGB的空间分布图，随后使用碳转换系数将其转换为玉米AGC。本研究为作物碳核算提供了一个全面且可解释的估算框架。

基于mRMR与PSO-机器学习结合SHAP解译的无人机玉米地上生物量与碳估算研究解读

一、研究背景与现存问题

农业生态系统在全球碳循环中扮演着不可或缺的角色。作物碳是衡量农田生态系统固碳能力的关键指标，对气候变化有重要影响。然而，现有研究大多聚焦于森林或湿地植被碳，对作物地上碳（AGC）的关注不足，导致作物AGC在全球碳预算中的贡献常被低估。作物AGC的精确计算根本上依赖于地上生物量（AGB）的准确估算。传统的AGB获取依赖破坏性采样，即人工收割、烘干和称重，这种方法劳动强度大、耗时长，难以支撑大规模、多时相的动态监测。遥感技术，特别是无人机（UAV）遥感，凭借其低成本、高灵活性和超高时空分辨率等优势，为作物AGB估算提供了新的途径。尽管基于光谱波段、植被指数（VIs）、纹理特征（TFs）和株高（PH）的AGB估算已取得进展，但仍面临两个核心挑战：一是传统特征选择方法难以消除变量间的多重共线性与冗余，导致模型预测性能下降；二是多数研究采用统一特征集贯穿整个生长季，忽视了不同物候期作物生理结构和光谱响应的差异性。为此，研究人员提出了一种集成最小冗余最大相关性（mRMR）、粒子群优化（PSO）机器学习以及SHAP解译的方法，旨在构建分生育期的、高精度且可解释的玉米AGB与AGC估算框架。

二、主要关键技术方法

研究人员在中国科学院东北地理与农业生态研究所农业试验基地开展田间试验，设置了不同氮素梯度（0、150、225、300 kg/ha）和不同秸秆还田/有机肥处理的玉米样方。利用大疆Mavic 3 Multispectral UAV采集拔节期、抽雄期和成熟期的多光谱影像，同步进行地面破坏性采样获取AGB实测数据。关键技术方法包括：①基于四波段反射率计算17种VIs；②利用灰度共生矩阵（GLCM）从四个单波段中提取八类TFs；③通过数字表面模型（DSM）差分法获取PH；④采用mRMR算法进行分生育期的最优特征筛选；⑤运用PSO算法优化随机森林（RF）、极限梯度提升（XGBoost）和支持向量回归（SVR）三种机器学习的超参数；⑥借助SHAP分析解释特征贡献与交互作用。

三、研究结果

3.1 特征重要性分析

通过mRMR筛选发现，不同生育期的最优特征子集存在显著差异。拔节期以红边波段衍生VIs和近红外波段纹理特征为主；抽雄期和成熟期则更多引入绿波段、红波段VIs以及PH变量。这表明分生育期建模的必要性。

3.2 机器学习模型性能比较

在所有模型中，PSO-RF在三个生育期均取得了最佳的AGB预测效果，决定系数（R2）达到0.85以上，均方根误差（RMSE）最低。PSO-XGBoost次之，PSO-SVR表现相对较弱。PSO算法有效避免了模型陷入局部最优，提升了预测稳定性。

3.3 SHAP特征解译

SHAP分析揭示了对AGC估算最为重要的因子：红边波段衍生的VIs（如NDRE、CIreg）、红色波段的方差纹理特征（Red_variance）以及PH。这些特征在不同生育期的贡献排序有所变化，反映了作物从营养生长向生殖生长转变过程中光谱与结构信息的演变规律。

3.4 空间制图与碳估算

基于最优PSO-RF模型，研究人员生成了玉米不同生育期的高分辨率AGB空间分布图，并进一步利用碳转换系数将AGB转换为AGC，实现了地块尺度的碳储量可视化评估。

四、讨论与结论

讨论部分指出，分生育期建模比全生育期统一建模更准确地捕捉了玉米生长的异速过程，mRMR有效剔除了冗余特征，降低了过拟合风险。PSO的全局搜索能力优于传统网格搜索，显著提升了模型效率。SHAP不仅量化了各特征的贡献度，还揭示了特征间的交互效应，增强了模型的透明度和可信度。研究结论认为，整合mRMR、PSO-机器学习与SHAP的框架能够为基于UAV遥感的作物AGB和AGC估算提供一种高精度、可解释的技术方案，对精准农业管理、碳汇核算及气候变化评估具有重要意义。