基于多时相无人机多光谱表型与机器学习的不同棉花种质脱叶动态建模

《Plant Phenomics》：Multi-Temporal UAV Multispectral Phenotyping and Machine Learning for Modeling Cotton Defoliation Dynamics Across Diverse Accessions

棉花脱叶对高效机械采收至关重要，但不同种质间的时序进程仍难以高通量量化。本研究开发了一个基于多时相无人机（unmanned aerial vehicle, UAV）的机器学习框架，用于表征419份棉花种质处理后的脱叶动态。研究人员在脱叶剂施用前后获取多光谱图像，并据此提取光谱与纹理特征，采用基于熵权法（Entropy Weight Method, EWM）的策略进行特征排序与选择。利用种质分组交叉验证评估了多种回归算法。结果表明，光谱指数比纹理特征提供了更强的预测信息，而相对于处理前基线的变化进一步提升了模型性能。时间编码提供了适度但互补的贡献。在评估的算法中，随机森林（Random Forest）取得了最佳整体性能，决定系数（R²）为0.73，均方根误差（RMSE）为10.69%。随后，种质水平的轨迹分析识别出四种处理后脱叶模式，其变异主要体现在脱叶进程的幅度与速率上。这些结果展示了多时相UAV表型分析在棉花脱叶动态规模化表征中的潜力，并为种质评价和机械化收获管理提供了实用基础。

棉花是重要的天然纤维作物，机械化采收需要及时脱叶和棉铃同步吐絮。传统脱叶调查依赖人工目测，费时费力且难以规模化。无人机（unmanned aerial vehicle, UAV）遥感因其高分辨率和灵活性成为高通量表型分析手段，但现有研究多将脱叶视为静态状态，缺乏对多样化种质群体脱叶动态轨迹的多时相建模。为此，本研究以419份陆地棉（Gossypium hirsutum L.）种质为对象，开发了基于多时相UAV多光谱图像的机器学习框架，用于表征脱叶剂处理后的脱叶动态，评估光谱与纹理特征、时间信息和不同建模方法的作用，为脱叶高通量表型和机械收获管理提供依据。

试验于2024年在中国农业科学院棉花研究所安阳试验站进行。供试419份种质按群体结构分为G1–G3三个遗传类群，设2个重复小区。利用搭载多光谱传感器的DJI Mavic 3M无人机于脱叶剂处理前（基线）及处理后5、10、15、18天获取绿、红、红边、近红外4个波段图像。地面脱叶率在60个小区（48个独特种质）中同步调查，共240条观测。图像经辐射校正和几何校正后提取小区级反射率，并计算光谱指数（spectral indices, SIs）与灰度共生矩阵（gray-level co-occurrence matrix, GLCM）纹理特征；特征表达采用相对基线变化。基于熵权法（Entropy Weight Method, EWM）整合五种特征重要性排序进行筛选。采用10种回归算法（如支持向量机、随机森林、XGBoost、长短期记忆网络、卷积神经网络等），以种质ID分组的10折交叉验证评估。最优模型用于预测全部种质脱叶率，并结合最佳线性无偏预测（Best Linear Unbiased Prediction, BLUP）和k-means聚类分析时序轨迹。

结果：

3.1 UAV衍生特征与脱叶率的关系：相关分析显示，光谱指数与脱叶率（DR）的相关性强于纹理特征；红边比值指数RARI相关性最强（r=-0.79），多数纹理特征相关性弱（|r|<0.30）。

3.2 不同特征表示下的模型性能：基于原始特征时，光谱指数最佳模型（多层感知机）R²=0.65，RMSE=12.14%，优于纹理特征（R²=0.46）；合并光谱与纹理未提升性能。采用相对变化特征后，随机森林（RF）模型R²升至0.71，RMSE降至11.07%，相对光谱变化成为最优输入表示。

3.3 时间整合与特征优化的影响：仅用处理后天数（DAT）建模R²仅0.20，而向相对光谱特征中加入DAT使RF的R²由0.71升至0.72，RMSE降至10.94%，表明时间编码提供互补信息。EWM特征选择中RF重要性权重最大（68.2%），特征保留至25个时性能稳定，说明特征优化主要减少冗余。

3.4 最优模型识别与日期特定评价：在最优配置下，RF表现最佳（R²=0.73，RMSE=10.69%），XGBoost和Stacking接近（R²≈0.72），DNN最低（R²=0.59）。逐日期验证显示RF在5、10、15、18 DAT的R²分别为0.62、0.52、0.50、0.57，能捕捉种质间变异。

3.5 脱叶轨迹聚类与时间分化：基于BLUP的轨迹经k-means聚为4类，PCA显示PC1解释87.16%方差，种质差异主要体现在脱叶幅度与速率。Group 3进展最快、Group 4最慢，其余两组居中。

讨论：光谱指数较纹理特征更有效，可能因化学脱叶剂先诱导生理生化衰老，光谱指数能较早捕捉色素变化，而纹理特征在叶片大量脱落后才反映结构变化。特征选择虽未显著提高精度，但减少了变量冗余。RF优于深度学习可能与独立训练样本量有限（48个独特种质）有关。本研究为单点单年试验，未来需多环境验证并结合基因组信息解析脱叶动态的遗传基础。

结论：本研究开发了多时相UAV机器学习框架，用于表征多样化棉花种质处理后的脱叶动态。光谱指数提供的信息量大于纹理特征，相对基线变化进一步改善估算；时间信息提供适度互补贡献，最优RF模型R²=0.73、RMSE=10.69%；轨迹分析识别出四种脱叶模式，差异主要体现在进程的幅度和速率。该框架为脱叶动态高通量表型分析提供了可扩展、非破坏性工具，可支持种质评价和机械化收获管理。