多源无人机（UAV）遥感特征与衍生特征（DFs）融合的冬小麦地上生物量（AGB）估算及生长阶段效应

《Smart Agricultural Technology》：Integration of multi-source UAV remote sensing features and derived features for winter wheat aboveground biomass estimation

　　

准确估算冬小麦（Triticum aestivum L.）地上生物量（aboveground biomass，AGB）对作物生长监测和田间管理具有重要意义。然而，由于不同生长阶段冠层条件的变化，以及不同遥感特征能够捕获与AGB估算相关的互补特征，基于无人机（unmanned aerial vehicle，UAV）的AGB估算仍具挑战。本研究整合了多源UAV衍生特征，包括植被指数（vegetation indices，VIs）、纹理特征（texture features，TFs）、激光雷达（light detection and ranging，LiDAR）衍生特征，以及由原始特征集生成的衍生特征（derived features，DFs），并结合四种机器学习算法用于冬小麦AGB估算。结果表明，TFs比其他单源特征集提供更好的预测性能。与单源特征集相比，VIs、TFs、LiDAR衍生特征和DFs的融合进一步提高了AGB估算，随机森林（random forest，RF）模型在评估模型中表现最佳（R² = 0.923，RMSE = 1.731 Mg ha^?1）。基于仅生长阶段基线模型的增量R²分析表明，RF模型解释了超出生长阶段信息的额外AGB变异，增量R²为0.479。阶段特异性评估表明，模型性能在不同生长阶段间存在差异，在孕穗期观察到最高精度（R² = 0.632，RMSE = 1.425 Mg ha^?1）。基于使用所有生长阶段数据的全特征融合模型的特征贡献分析识别出冠层覆盖度和若干DFs为重要预测因子，而阶段特异性分析显示不同生长阶段主导预测因子存在差异。多源UAV衍生特征和DFs与机器学习的融合为冬小麦AGB估算提供了一种有效方法，而模型性能仍强烈依赖于生长阶段。

研究背景：小麦（Triticum aestivum L.）是全球重要谷类作物，稳定高产对粮食安全至关重要。地上生物量（aboveground biomass，AGB）直接反映作物发育过程中干物质积累，是作物生长和产量潜力的关键指标。生产中缺乏连续、空间显式的生物量观测会限制灌溉和养分调控等田间管理，导致资源利用低效和产量损失。传统破坏性取样劳动密集且空间覆盖有限；卫星遥感适合区域监测，但田块尺度应用受空间分辨率、大气干扰和重访频率限制；无人机（unmanned aerial vehicle，UAV）遥感可灵活获取高分辨率冠层观测。光谱变量描述冠层光谱响应，但密冠层下易饱和；纹理变量描述冠层空间变异，但缺少垂直结构信息；激光雷达（light detection and ranging，LiDAR）结构变量提供三维冠层测量。已有研究多直接堆叠不同变量，对时间动态和多源互补信息考虑有限，冗余和变量相关性可能降低模型稳定性；不同变量类别贡献及其跨生长阶段效应尚未系统评估。机器学习可建模遥感变量与作物性状间非线性关系，随机森林（random forest，RF）等集成方法应用广泛，但既有研究多关注精度，对模型输出解释和不同特征类型作用关注不足。因此，研究人员融合植被指数（vegetation indices，VIs）、纹理特征（texture features，TFs）、LiDAR衍生特征和衍生特征（derived features，DFs），结合多种机器学习算法系统评估冬小麦AGB估算，目标是比较不同特征集和模型性能，并识别重要变量及其阶段差异，为UAV作物AGB监测和精准农业提供参考。

关键方法：三个田间试验于2024–2025和2025–2026生长季在中国农业科学院新乡综合基地开展，Exp. 1、Exp. 2和Exp. 3分别52、36和27个小区，共115个小区，在拔节、孕穗、开花和灌浆期采样，两年共920个观测；采用DJI Mavic 3M多光谱与Matrice 300 RTK搭载Zenmuse L2 LiDAR获取UAV数据，提取VIs、灰度共生矩阵（gray-level co-occurrence matrix，GLCM）TFs和LiDAR结构参数，构建阶段差、相对变化、冠层体积-植被指数状态空间轨迹曲线下面积（area under the trajectory curve，AUC）及冠层体积-植被指数（canopy volume-multiplied vegetation index，CVMVI）等DFs；以嵌套分组交叉验证、竞争性自适应重加权采样（competitive adaptive reweighted sampling，CARS）特征选择、方差膨胀因子（variance inflation factor，VIF）过滤，训练k近邻（k-nearest neighbor，KNN）、偏最小二乘回归（partial least squares regression，PLSR）、支持向量回归（support vector regression，SVR）和RF，并用SHapley Additive exPlanations（SHAP）解释，以决定系数（R²）、均方根误差（root mean square error，RMSE）、平均绝对误差（mean absolute error，MAE）、平均偏差误差（mean bias error，MBE）、性能偏差比（ratio of performance to deviation，RPD）评价，并建立仅生长阶段基线计算增量R²。

研究结果：
3.1 不同生长阶段AGB变化（AGB variations across different growth stages）：通过田间采样和UAV观测，AGB随生长阶段递增，灌浆期最大。2024–2025生长季拔节至孕穗增加259.49%，之后开花和灌浆较前一阶段分别增加47.27%和44.21%。早期AGB分布聚集，后期空间分布范围扩大，两年动态一致。
3.2 特征与AGB相关性（Correlations between features and AGB）：相关分析显示，跨阶段光谱特征除CVI外与AGB高度显著，G、MCARI、NIR、R和Re相关系数较高；TFs总体强于光谱特征，G_Dis、G_Ent、G_Hom、R_Dis和R_Hom的|r|为0.72–0.76；LiDAR衍生特征相关性最高，r为0.85–0.87，H_50、H_75、H_Cov_50、H_Cov_mean和H_mean最高。阶段间排序变化，Cov_50是唯一在所有阶段保持强相关的LiDAR特征；拔节期NDGI、NIR_Mea和Coverage最高，灌浆期NDRE、G_Mea和Cov_50最高；LiDAR特征早期弱、后期强。
3.3 不同特征集驱动的AGB估算模型性能（Performance of AGB estimation models driven by different feature sets）：单源特征中TFs预测最好，阶段特定R²为0.765–0.857，VIs为0.600–0.771，LiDAR为0.758–0.770；TFs-KNN和RF的R²为0.849和0.857，VIs-PLSR最低为0.600。VIs + TFs + LiDAR融合提高性能，RF和KNN的R²为0.901和0.912，RMSE为1.951和1.836 Mg ha^?1。全特征VIs + TFs + LiDAR + DFs进一步改善，KNN、PLSR、SVR和RF的R²分别为0.915、0.875、0.911和0.923，RMSE为1.731–2.211 Mg ha^?1，RPD超过2.823；RF最佳，较其他算法R²相对增加0.87–5.49%，较DFs-only和基本多源融合增加1.10%和2.44%。RF残差较窄。年际独立验证RF全特征R² = 0.738，RMSE = 3.189 Mg ha^?1，RPD = 1.954；2025训练到2026高估，2026训练到2025低估。
3.4 汇总模型阶段预测性能及超越生长阶段效应的增量解释力（Stage-wise prediction performance of the pooled model and incremental explanatory power beyond growth-stage effects）：将最优汇总多阶段RF全特征折外预测按阶段分组，拔节、孕穗、开花和灌浆期R²分别为0.416、0.555、0.378和0.485；预测总体跟随观测趋势，但拔节和孕穗高估，开花和灌浆低估。仅生长阶段基线R² = 0.852；增量R²为KNN 0.422、PLSR 0.150、SVR 0.397和RF 0.479，表明遥感变量提供阶段内额外信息。
3.5 基于SHAP值的重要特征分析（Analysis of important features based on SHAP values）：SHAP分析显示RF中AUC_Vol_NIR、Coverage和r_MCARI较高值时通常对应正SHAP值；平均绝对SHAP表明AUC_Vol_NIR最重要，其次为Coverage和r_MCARI，其他DFs如AUC_Vol_R、d_R_Hom和d_CVMNIR中等，CVI、r_R_Hom、H_Cov_50和R_Cor较低。KNN、PLSR和SVR贡献模式相似，Coverage均较高，DFs总体贡献高于VIs、TFs和LiDAR特征。
3.6 阶段特定预测性能与变量贡献（Stage-specific prediction performance and variable contributions for AGB estimation）：阶段模型精度不同，孕穗期最高。拔节期KNN使用VIs + TFs + LiDAR的R² = 0.426，RMSE = 0.575 Mg ha^?1，RPD = 1.335；孕穗期SVR同特征R² = 0.632，RMSE = 1.425 Mg ha^?1，RPD = 1.659；开花期和灌浆期全特征RF的R²为0.452和0.473，RMSE为1.777和2.239 Mg ha^?1，RPD为1.418和1.413；拔节和孕穗略高估，开花和灌浆低估。SHAP贡献：拔节期mTVI为18.63%、G_Ene为14.39%、Coverage为10.22%；孕穗期G_Con为21.96%、Cov_75为11.48%、NDRE为9.30%；开花期NIR为26.28%、r_CVMmTVI为24.46%、r_G_Mea为14.92%；灌浆期d_R_Mea为39.27%、CVI为24.43%、R_Hom为12.31%。
3.7 AGB时空分布（The spatial and temporal distribution of AGB）：最终RF模型生成小区尺度AGB估计和误差分布。预测AGB从拔节到灌浆增加，后期小区间差异大；品种、氮和灌溉处理间存在差异，Exp. 3中高氮和高灌溉小区预测AGB较高。残差图显示正负残差，无明显系统性高估或低估。

讨论部分总结：
4.1 多源数据融合对AGB估算的效果（Efficacy of multi-source data fusion for AGB estimation）：生长阶段冠层变化影响模型。VIs受密冠层饱和和结构信息不足限制；LiDAR衍生特征较稳定；TFs略高于LiDAR，反映图像空间特征贡献；VIs + TFs + LiDAR融合结合光谱、结构和空间信息改善性能。DFs与基础多源融合相当，说明其保留AGB相关信息，并纳入阶段变化。多阶段样本模型精度高于单阶段，因变异性更大。
4.2 机器学习算法比较与特征贡献解释（Comparison of machine learning algorithms and interpretation of feature contributions）：RF全特征最佳；PLSR线性结构限制，KNN和SVR可非线性但受变量分布和交互影响；RF通过bootstrap和随机特征选择捕捉异质非线性。增量R²显示RF最高为0.479，遥感变量在生长阶段信息外改善阶段内估计。SHAP表明AUC_Vol_NIR最重要，反映结构、光谱和时间轨迹信息；Coverage高，反映冠层闭合；d_R_Hom等纹理反映空间异质性。
4.3 基于SHAP的阶段特定变量贡献（Stage-specific variable contributions based on SHAP analysis）：孕穗期精度最高，与快速生物量积累和冠层发育有关；拔节期覆盖不全和背景效应降低敏感性，后期复杂度和光谱饱和限制性能。拔节期光谱贡献较高，mTVI敏感；孕穗期TFs主导，G_Con最高；开花和灌浆期DFs高贡献，整合跨阶段光谱纹理信息。主导预测因子随发育变化。
4.4 应用意义与局限（Application implications and limitations of this study）：UAV遥感提供高分辨灵活观测，遥感变量在仅生长阶段基线外提高阶段内AGB估计，并生成小区尺度AGB图。局限包括：单点黄淮海平原，需跨气候、管理、品种验证；依赖经验关系，需结合作物生长模型或额外作物信息；未评估其他利用多阶段信息的算法；特定传感器配置和特征提取流程，优化土壤调节植被指数（optimized soil-adjusted vegetation index，OSAVI）–Otsu掩膜依赖植被与土壤可分性，TFs对窗口、空间分辨率和预处理敏感，需在不同传感器、作物条件和操作场景验证。

结论翻译：本研究评估了一个整合VIs、TFs、LiDAR衍生特征和DFs的多源特征融合框架用于小麦AGB估算。结果表明，不同UAV衍生特征类型为AGB预测提供互补信息，RF模型在评估算法中取得最高精度。生长阶段分析表明AGB估算性能各阶段间变化，而遥感变量进一步改善阶段内生物量变异预测。特征贡献分析识别出冠层覆盖度和若干DFs为使用所有生长阶段数据的全特征融合模型中的重要预测因子，而主导预测因子在各生长阶段间存在差异。小区尺度制图进一步展示不同田间试验条件下预测小麦AGB的空间变化。总体而言，多源UAV衍生变量与机器学习整合为冬小麦AGB估算提供有效方法，尽管生长阶段仍是影响模型性能的重要因素。需要在不同环境、管理条件、传感器配置和建模策略下进一步验证，以评估所提出框架的普适性和稳健性。