基于无人机多光谱影像的棉花叶面积指数估测:结合植被指数与纹理特征

《Industrial Crops and Products》:Estimation of cotton leaf area index from UAV multispectral imagery by integrating vegetation indices and texture features

【字体: 大 中 小 】 时间:2026年10月24日 来源:Industrial Crops and Products 6.4

编辑推荐:

  光谱-纹理融合提高了基于无人机(UAV)的棉花叶面积指数(LAI)估算精度。重复Boruta特征选择识别出12个一致性选择的特征。融合后的反向传播(BP)模型在测试集上获得平均R2=0.86、均方根误差(RMSE)=0.20。基于Shap

  
光谱-纹理融合提高了基于无人机(UAV)的棉花叶面积指数(LAI)估算精度。重复Boruta特征选择识别出12个一致性选择的特征。融合后的反向传播(BP)模型在测试集上获得平均R2=0.86、均方根误差(RMSE)=0.20。基于Shapley加性解释(SHAP)的分析表明光谱特征与纹理特征具有互补贡献。该模型成功绘制了覆膜干旱棉田的LAI季节动态。
叶面积指数(LAI)是描述作物冠层结构、光截获和生产力的关键生物物理参数,广泛应用于作物长势监测、产量形成研究及精准灌溉施肥管理。在干旱区棉花生产中,受水分和养分限制,LAI的时序变化是冠层发育和资源利用的综合指示指标。然而,传统LAI测量方法(如破坏性取样、光学仪器)耗时费力且空间代表性有限,难以满足大范围、多时相、空间显式监测需求。因此,发展基于遥感技术的棉花LAI反演方法对于干旱区作物监测和田间管理具有重要意义。

已有研究表明,无人机(UAV)多光谱遥感结合机器学习算法可有效反演作物LAI,但在新疆膜下滴灌棉田中,覆膜、裸土和阴影造成的背景混合以及冠层发育引起的光谱-结构关系变化,使得建立跨生长季的统一反演模型面临挑战。现有研究多侧重单一特征源或特定生长阶段,对特征选择一致性、模型紧凑性及可解释性的关注不足。为此,研究人员开展了一项田间试验,旨在构建一个融合植被指数与纹理特征的多生长阶段棉花LAI反演框架,并通过重复Boruta特征选择和SHAP分析增强模型的稳健性与可解释性。

研究人员在新疆石河子垦区设置10个水氮处理(3个施氮水平、3个灌溉水平及1个常规对照),每个处理3个独立重复小区,共30个小区。在蕾期、花期、铃期和吐絮期4个关键生育期,采用叶盘称重法破坏性测定各小区3株棉花LAI并取均值,获得120个小区-生育期配对观测数据。同期利用搭载五波段多光谱传感器的UAV获取冠层影像,经辐射定标、几何校正和NDVI阈值分割提取棉花冠层像元。从影像中计算20个植被指数和8个GLCM纹理特征(5波段共40个),构成候选特征集。在每次按小区分组的7:3训练-测试划分中,仅基于训练集重复运行Boruta算法15次,筛选出全部运行均被确认为“Confirmed”的特征。基于所选特征构建6种回归模型(BP、PLSR、RFR、MLR、Ridge、SVR),并在相同划分框架下比较植被指数、纹理和融合3种输入配置的性能。采用SHAP对融合BP模型进行全局和局部解释。

主要研究结果如下:

**棉花LAI在不同水氮处理下的时间变化**:棉花LAI随生育期呈单峰曲线,蕾期较低,花期迅速升高,铃期保持较高但变异性增大,吐絮期明显下降。W1N1处理在花期和铃期LAI相对较低,中高水氮处理表现较高LAI。

**基于Boruta的核心特征选择**:重复Boruta选择后,12个特征在15次运行中均被确认为“Confirmed”,包括NDVI、TNDVI、WDRVI、RENDVI、REGNDVI、NRI 6个植被指数和Mean_B、Con_B、Mean_G、Var_R、Con_R、Sm_Nir 6个纹理特征,表明光谱与纹理信息均对LAI反演具有贡献。

**不同特征组合的模型精度评价**:在测试集上,植被指数单独作为输入时各模型精度较低(最优RFR的R2=0.70);纹理特征单独作为输入时精度有所提升(RFR的R2=0.82,BP的R2=0.80);融合特征作为输入时精度最高,融合BP和融合RFR均获得R2≈0.86,RMSE=0.20,NRMSE≈7.3%。融合BP因训练-测试性能差距较小被选为最终反演模型。

**基于SHAP的特征贡献分析**:SHAP结果显示,Con_R、Mean_B、WDRVI、Con_B、RENDVI、NDVI、REGNDVI和Mean_G对预测贡献较大。高WDRVI和NDVI值通常对应正SHAP贡献,而高红色和蓝色波段纹理对比度值通常对应负贡献,表明光谱特征和纹理特征在LAI反演中发挥互补作用。

**基于优选模型的棉花LAI空间制图**:融合BP模型生成的四期LAI空间分布图与地面观测的季节变化一致,蕾期低值、花期高值区域扩大、铃期空间异质性增强、吐絮期高值区收缩破碎,并呈现不同水氮处理间的空间差异。

讨论部分指出,植被指数在中等-高LAI条件下易饱和,而纹理特征可表征冠层结构、叶片重叠和冠层内阴影模式等空间信息,二者的融合有效提高了多生长阶段LAI反演的精度。重复Boruta选择缩小了特征维度并提高了选择一致性,为SHAP解释提供了更清晰的基础。融合BP模型的非线性映射能力适合本数据集特征与LAI的复杂关系,但其性能不应被解释为优于树模型或线性模型的普遍证据。研究也存在局限性:所有观测来自单一试验点、单一品种和单一年份,样本量有限,且未进行跨区域和跨年验证。未来应扩展至多年多点多品种,并整合更多作物指标(如生物量、氮素状况)以支持精准管理决策。

研究结论为:(1)棉花LAI在四个生育期呈现明显季节变化,水氮处理间差异在花期和铃期最为显著;(2)Boruta识别出12个一致性选择的特征,包含光谱和纹理信息;(3)融合植被指数和纹理特征可提高LAI反演精度,融合BP模型测试集R2=0.86,RMSE=0.20,NRMSE=7.33%;(4)SHAP分析表明光谱和纹理特征对模型预测具有互补贡献;(5)空间制图结果反映了棉花冠层发育的季节动态和水氮处理间差异,为田间尺度LAI制图和后续作物诊断提供了可用信息层。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号