基于无人机的小农户地块藜麦产量监测：双植被指数孔洞填充——冠层表面建模的实用替代方案

《Remote Sensing Applications: Society and Environment》：UAV-Based Quinoa Yield Monitoring for Smallholder Fields via Dual-Vegetation-Index Hole-Filling: A Practical Alternative to Canopy Surface Modeling

　　

## 摘要

藜麦（*Chenopodium quinoa* Willd.）是一种营养丰富的谷物作物，种植于南部高原严酷的环境条件之下，该区域田间植株生长和产量的空间变异阻碍了对田块层级的准确评估。本研究评估了基于无人机（UAV）的遥感技术在小规模农户田块中估算单株藜麦产量的有效性。无人机调查在两个生长季（2023年和2024年）的八个农户田块中进行，涵盖792株植株，涉及多样品种和环境条件，包括受盐害影响的土壤。从运动恢复结构（SfM）摄影测量方法获取的冠层表面模型中提取了三维（3D）结构特征（株高、冠层面积和体积），并评估了三种基于RGB派生植被指数的二维（2D）冠层提取方法，作为仅基于正射影像的替代方案。在3D特征中，体积（R2=0.654）和冠层面积（R2=0.626）与产量的相关性均强于株高（R2=0.410）。随后，我们开发了一种2D冠层面积方法，结合两种植被指数（ExG和ExR）与孔洞填充步骤，其产量估算效果（R2=0.541）与3D冠层面积基线方法相当，且优于现有的单指数（R2=0.486）和双指数（R2=0.432）方法。该方法直接基于RGB正射影像运行，不需要冠层表面建模步骤，即数字表面模型提取、伪数字高程模型插值以及冠层表面模型差分。因此，在资源受限的小规模农业环境中，该方法显示出进行产量监测的潜力。

## 引言

藜麦（*Chenopodium quinoa* Willd.）是一种营养极高的谷物作物，以其均衡的氨基酸谱、高蛋白含量以及丰富的矿物质和维生素而著称，在全球范围内日益受到重视（Vega-Gálvez等，2010；Vilcacundo和Hernández-Ledesma，2017）。该作物起源于安第斯高地，当地原住民社区已对其进行数千年种植（Fagandini Ruiz等，2021），并展现出在从沿海沙漠到高海拔高原的广泛农业气候条件下显著适应性的能力（Bertero等，2004）。在玻利维亚，藜麦广泛种植于高原地区，包括北部和南部地区。南部高原的藜麦尤其以其大粒和高品质而闻名，但该地区的生产也面临比北部高原更大的环境胁迫。南部高原位于玻利维亚西南部，海拔约4000米，经历极端干旱、盐碱化、低土壤肥力和反复霜冻，使得藜麦成为少数能够在如此条件下持续生产的谷物作物之一。该地区年降水量不足200毫米，且年际变率大并存在长期干燥趋势（Torres-Batlló和Martí-Cardona，2020），而广泛分布的盐碱土壤进一步加剧了作物所经历的环境胁迫（Jacobsen，2011）。全球需求的不断增长推动了安第斯地区藜麦种植面积的快速扩张（Alandia等，2020），但这种扩张缩短了休耕期并加速了土壤退化，引发了对生产体系长期可持续性的严重担忧（Winkel等，2016）。

可持续藜麦生产的前提是在田块层级准确表征产量和植株生长，但这被田块内异质性所复杂化。藜麦个体间表型多样性高，包括株高、分枝习性和穗部特征的显著变异（Bhargava等，2007；Manjarres-Hernández等，2021）。这种表型多样性部分根植于农户管理品种中维持的高遗传多样性：藜麦是一种兼性自花授粉物种，具有不可忽视的异交率，安第斯地区由农户维持的群体是由代际本地种植和种子交换过程中积累的生态型组成的遗传异质性混合群体（Bertero等，2004；Christensen等，2007；Morillo Coronado等，2023）。此外，使藜麦适应高原地区的广泛环境适应性也意味着它对干旱、盐碱和霜冻等非生物胁迫反应强烈（Dehghanian等，2024；Hinojosa等，2018）。在南部高原开阔且暴露于风中的田地里，飘沙还可能在早期生长阶段掩埋幼苗，进一步加剧田间植株出苗和后续发育的变异。由于玻利维亚高原盐湖周围盐碱土壤的异质性分布，这些胁迫在玻利维亚南部农户田地中于短空间距离内发生变化（Banks等，2004）。因此，遗传异质性和空间可变的环境胁迫共同调节着单株生长和最终产量，使得代表性抽样不足以用于田块层级产量评估；需要单株方法（Cobb等，2013）。

基于过程的作物生长模型是估算作物产量的既定框架，但它们难以应用于小规模农户田块中的单株。如DSSAT、APSIM和WOFOST等模型从天气、土壤和管理措施模拟每日作物生长，使其能够解释产量差异并向未观测季节外推（de Wit等，2019；Jones等，2003；Keating等，2003）。然而，它们需要每日天气记录、土壤剖面数据和针对详细生长测量结果标定的品种特定系数（van Ittersum等，2013）。对于藜麦，DSSAT中的CROPGRO在德国一个站点对两个品种进行了标定（Pr?ger等，2019），AquaCrop需要玻利维亚高原三个季节的田间实验（Geerts等，2009），而SWAP-WOFOST和AquaCrop不得不针对当地盐碱、灌溉和种植条件进行重新标定（Estrella Delgado等，2025；Mirsafi等，2025）。在小规模农户田块中，农户维持的品种遗传异质性高且土壤盐碱度在短距离内变化，无法将整个田块赋予一个品种或土壤剖面。此外，这些模型为均匀群体返回单一产量值，而此处重要的变异存在于田块内相邻植株之间。

基于无人机的遥感已成为以高空间分辨率获取作物生长田块内空间变异的有力手段，能够以较低成本调查大面积农业区域（Maes和Steppe，2019；Weiss等，2020）。与运动恢复结构（SfM）摄影测量方法结合时，无人机影像能够准确重建单株结构，这一能力已在高粱（Malambo等，2018）、小麦（Haghighattalab等，2016；Holman等，2016；Madec等，2017）、玉米（Varela等，2017）和水稻（Peprah等，2021）的株高估算中得到验证，适用于多种高通量表型组学场景。无人机获取的三维结构特征，包括冠层高度、面积和体积，已被证明可作为多种作物生物量和产量的有效代理变量（Grüner等，2019；Li等，2020；Maimaitijiang等，2019；Shu等，2023），基于无人机影像的单株产量估算已在苹果等木本作物中得到验证（Chen等，2022），证实了单株层级基于无人机的产量监测的可行性。

然而，将基于无人机的方法应用于藜麦面临独特挑战。在灌浆期，不同品种间穗部和叶片的色泽多样性极大，从绿色、黄色到橙色、红色和黑色不等（Bhargava等，2007；Stanschewski等，2021），这导致基于光谱指数的冠层分割错误分类冠层像元，使得仅从RGB影像中提取植株结构特征变得复杂。即使对于冠层颜色较为均匀的作物，土壤背景去除也被认为是已知难题（Almeida-Náua?ay等，2023），而在藜麦中，成熟穗和叶片色泽多样性使这一困难进一步加剧。基于SfM获取的三维结构特征被认为是更稳健的替代方案（Westoby等，2012）：Sesay等（2025）证明基于无人机的三维网格模型与光谱特征融合可提高藜麦在基因型和时相变异下的生物量和叶面积指数估算，Sesay等（2026）最近通过整合无人机获取的三维和光谱特征与机器学习，实现了多生长阶段的植株层级产量预测，表明基于三维的方法可能对藜麦表型组学特别有效。基于无人机的藜麦表型组学还被应用于利用叶面积指数和基于SPAD的叶绿素估算进行多样性面板表征（Jiang等，2022）、灌溉处理对冠层性状影响的评估（Sankaran等，2019）以及利用遥感工具表征干旱胁迫响应（Lupa-Condo等，2024）。尽管有这些进展，尚无研究尝试在玻利维亚南部高原异质性和资源受限的条件下进行藜麦农户田块中的单株层级产量估算，而该场景强基因型与环境互作（Curti等，2016）及物流约束使其与受控实验站场显著不同（Cobb等，2013；Walter等，2015）。

另一挑战是现有估算方法的运行复杂性。SfM重建流程需要专用软件和较长时间处理（Westoby等，2012），基于机器学习的产量预测方法需要标注的训练数据和模型调优，这在小型农业环境中难以维持，而且产量对冠层结构的拟合响应无法从所得模型中直接读出（Hu等，2023；Paudel等，2023；Sesay等，2026；Zhang和Kovacs，2012）。基于学习的分割也有类似要求，近期关于藜麦穗检测的研究已转向此方向（El Akrouchi等，2025）。传统基于调查的产量数据收集成本高且空间粗糙（Lobell等，2020），而南部高原的极端偏远性进一步限制了技术需求高的工作流的采用（Walsh-Dilley，2020）。因此，在南部高原等经济受限环境中，需要一个更简单、更具可解释性且技术门槛最低的产量估算方法，以便在农户田块中大规模部署，且估算结果需在当地计算、核验和解释。

因此存在三个具体缺口。第一，在小型农户条件下尚未尝试藜麦农户田块中的单株产量估算。第二，三维特征提取所需的冠层表面建模增加了此类环境无法承受的处理步骤。第三，为均匀绿色冠层开发的植被指数分割方法无法适应藜麦灌浆期穗部色泽多样性，其颜色从绿色和黄色到橙色、红色再到黑色。

基于上述背景，本研究有两个目标：(1) 评估基于三维模型的结构特征在南部高原小型农户田块中估算单株藜麦产量的有效性；(2) 提出并评估一种仅基于RGB影像的简化二维冠层提取方法，该方法可覆盖农户维持藜麦品种中穗部色泽的全范围，作为冠层表面建模的实用替代方案。在两个生长季中对八个藜麦农户田块进行了无人机调查，并量化了单株特征与产量之间的关系。本研究旨在为在南部高原建立运行可行的藜麦产量监测系统提供基础知识。

## 节段摘要

### 研究地点与样地建立

本研究在玻利维亚南部高原乌尤尼盐湖以东的藜麦农户田块中进行（图1）。数据在连续两个生长季中收集，每个季节选择四个田块以代表多样的农艺和环境条件（表1）。在玻利维亚南部高原，藜麦通常在每年10月至11月播种，次年1月至2月开始抽穗开花，并在次年4月至5月收获。

### 产量变异

在整个数据集中，单株平均产量为0.179 kg/株（中位数=0.165 kg/株），总体变异系数（CV）为60.5%（表2）。田块层级CV从38.0%（6号田，Kellu）到81.1%（2号田，Pisankalla）不等，证实所有田块均存在田块内产量异质性（图4）。2号田变异度较高（CV=81.1%），该田部分小区观察到盐霜现象。

### 三维重建的验证

无人机估算的株高与地面实测株高呈相关。

### 用于模型开发的产量数据集有效性

产量数据集在所有八个田块中均显示广泛的田块内分布，CV范围为38.0%–81.1%（表2；图4），与该区域异质性环境条件下藜麦种植中报道的显著单株变异一致（Jacobsen，2011）。

这些数值超过了在其他更均匀生产条件下其他谷物作物中通常观察到的田内产量变异系数（CV），例如，有报道称灌溉水稻的田内产量CV为7–15%（Simmonds等人）。

结论

本研究探讨了利用无人机图像提取的特征来估算南美高地南部小农地块中单株藜麦产量的方法，并评估了一种简化的二维冠层提取方法，作为冠层表面建模的实用替代方案。主要发现如下：

（1）在从冠层表面模型衍生的三维结构特征中，冠层体积（R2 = 0.654）和冠层面积（3D）（R2 = 0.626）作为产量预测因子，在全数据集中表现优于植株高度（R2 = 0.410），其中

贡献声明（CRediT作者贡献声明）

Yamaguchi Tomoaki：撰写——审阅与编辑、撰写——初稿、可视化、验证、方法论、形式化分析、数据整理、概念化。

Yoshikawa Yasuharu：撰写——初稿、可视化、方法论、调查研究、形式化分析、数据整理、概念化。

Milton Villca：资源、方法论、调查研究。

Katsura Keisuke：撰写——审阅与编辑、验证、监督、项目管理、方法论、调查研究、资助获取。

未引用参考文献

FAO, 2011.

数据可用性

数据可根据合理请求提供。

伦理审批

本文不包含任何作者进行的人类参与者或动物研究。

生成式人工智能及AI辅助技术在写作过程中的声明

在准备本工作的过程中，作者使用了Claude Sonnet 4.6和Claude Opus 5（Anthropic，美国加利福尼亚州旧金山）协助语言编辑、稿件结构组织和数据分析中使用的Python代码生成。作者审阅并编辑了所有AI辅助内容，并对所报告结果准确性承担全部责任。

资助

本研究得到可持续发展科技研究合作伙伴关系计划（SATREPS）、日本科学技术振兴机构（JST）和日本国际协力机构（JICA）的支持（项目编号：JP-MJSA1907）。

利益冲突声明

? 作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢

作者衷心感谢日本农业研究中央机构（JIRCAS）为本研究提供藜麦种质资源，以及玻利维亚南部高地地区参与研究的藜麦农户提供的地块准入。

Yamaguchi Tomoaki | Yoshikawa Yasuharu | Kushino Sayako | Milton Villca | Katsura Keisuke

岐阜大学应用生物科学部，日本岐阜县岐阜市柳濑501-1193