复杂茶园环境下茶树高温干旱胁迫的无人机遥感监测

《Computers and Electronics in Agriculture》:UAV remote sensing monitoring of tea heat-drought stress in complex tea garden environments

【字体: 大 中 小 】 时间:2026年10月24日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

   - 提出了一种基于无人机遥感的茶树热旱胁迫(THS)检测方法。 - 采用双分支骨干网络与双模态融合子网络,充分利用可见光与多光谱特征的互补性。 - MITM模块捕捉可见光与多光谱特征之间的全局依赖关系,以增强互补表示能力。 - AMF动态加权融合特征,以突出胁迫相关特征并抑制

  

- 提出了一种基于无人机遥感的茶树热旱胁迫(THS)检测方法。
- 采用双分支骨干网络与双模态融合子网络,充分利用可见光与多光谱特征的互补性。
- MITM模块捕捉可见光与多光谱特征之间的全局依赖关系,以增强互补表示能力。
- AMF动态加权融合特征,以突出胁迫相关特征并抑制背景干扰。
- CGAM与SLAY模块增强了对小型THS斑块的定位精度。

**引言**

茶树热旱胁迫(THS)是茶树的一种典型非生物胁迫,主要由持续高温和干旱引发,通常表现为茶叶上可见的症状。THS广泛出现在成熟叶片和衰老叶片上,通常从叶尖或叶缘开始,初期表现为深绿色、水渍状斑点,随后逐渐扩展并转变为暗红褐色至红褐色。严重情况下,大面积茶叶出现紫褐色焦枯症状,显著抑制光合作用,导致茶叶产量和品质下降。此外,THS的发生和发展往往受温度、干旱严重程度和农田微气候等因素影响,在不同茶园之间表现出强烈的空间异质性和动态变化。传统人工调查费时费力,难以在较大范围内高效实施。因此,基于无人机的监测具有重要的实用意义,能够实现快速、无损、高分辨率的THS评估,为早期预警、精准管理、及时干预以及减轻胁迫导致的减产提供重要支持。

目前,THS的防控主要通过农艺措施实现,如改进灌溉管理、调节种植园微气候和优化栽培措施等。然而,由于THS的可见症状与各类叶部病害高度相似,通过传统人工巡检难以及时准确地识别不同胁迫状态,这往往导致管理干预延迟并造成严重的经济损失。因此,开发一种高效可靠的THS自动监测和预警方法具有重要的理论和实用价值,这将有助于精准识别胁迫状况,为科学决策提供支持,并增强茶园生产的稳定性(Zhang等,2022)。

随着计算机视觉和人工智能技术的快速发展,基于可见光图像的植物病害监测方法得到了广泛应用。Khan等(2022)开发了一种基于两阶段深度学习的苹果病害检测框架,通过结合分类与细粒度检测,利用可见光图像实现了较高的监测准确率。Xu等(2022)提出了一种剪枝YOLOv5s+Shuffle(PYSS)模型,用于从可见光图像中监测甜瓜叶部病害,提高了检测准确率。Arun和Umamaheswari(Arumuga Arun & Umamaheswari, 2023)引入了一种完整的级联深度学习(CCDL)架构用于作物病害检测。该方法无需额外的学习阶段,采用参数大小约10 MB的轻量级网络,在保持模型紧凑性的同时实现了98.14%的检测准确率。Dananjayan等(2022)构建了一个名为CCL'20的柑橘病害叶片图像数据集,并评估了多种CNN模型在病害检测方面的计算成本和推理性能。Shin等(2021)在多种网络架构上(包括AlexNet、GoogLeNet、ResNet-50和改进的SqueezeNet)在粉霉病数据集上进行了对比实验,系统评估了它们在检测准确率和计算开销方面的性能。这些研究提高了作物病害监测的效率并降低了人力成本,为智能农业病害监测提供了有价值的参考。然而,尽管这些基于可见光的方法在受控环境或近距离叶片尺度下表现良好,但在复杂的田间环境中,它们极易受到光照变化、背景干扰和尺度变化的影响。

近年来,光谱成像与深度学习的结合逐渐成为农业病虫害监测研究的重要方向。光谱成像能够捕捉植物在病虫害胁迫下的微妙光谱变化,在植物健康评估和胁迫鉴别方面展现出巨大潜力(Zhao等,2022;Wang等,2021)。Deng等(2024)通过提出一种名为RustQNet的新型检测框架,对小条锈病严重程度进行了定量评估。通过引入互信息最小化模块,RustQNet实现了多模态图像特征的高效融合,从而提高了病害监测和评估的准确率。Zhao等(2022)将高光谱成像与连续小波分析相结合,有效区分了茶树中几种视觉上相似的胁迫形式,验证了高光谱成像在茶树病虫害监测中的有效性。

无人机(UAV)具有低成本和操作灵活等优势,近年来越来越多地被用于作物病害的遥感监测(Ali等,2024)。Hu等(2024)针对无人机遥感图像中斑块尺寸小和细节模糊等挑战,提出了一种两阶段检测方法。该方法首先利用超分辨率网络增强图像细节,然后使用轻量级网络检测茶树枯斑(TLB)斑块。所提方法能够有效检测在12米高度获取的无人机图像中的片状TLB斑块。Xu等(2023)利用无人机获取的多光谱和热红外数据评估了槟榔黄叶病的严重程度,并验证了将多光谱特征与机器学习模型相结合的有效性。Ma等(2024)提出了一种基于无人机的棉黄萎病严重程度估计方法,通过融合多光谱和可见光图像特征实现。该方法将植被指数、颜色指数和归一化差异纹理指数与机器学习模型相结合。结果表明,GWO-ELM模型表现最佳,展示了多源特征融合在作物病害严重程度估计方面的有效性。Maimaitijiang等(2026)采集了小麦病害的多光谱无人机图像,并开发了多种病害严重程度估计模型,包括PLSR和RFR等传统机器学习模型、DNN和CNN等深度学习模型,以及融合多头自注意力机制的基于注意力的CNN(Att-CNN)。他们还引入了迁移学习策略,以实现对小麦叶锈病(BLS)和穗斑病(FHB)严重程度的高精度估计。Ouyang等(2025)证明了多光谱成像对茶叶发酵过程中复杂生化成分的动态变化具有足够的敏感性,并突出了其在反映内部生化状态变化方面的有效性。

茶树病害通常伴随显著的生理和生化异常,而多光谱成像对茶树病害中典型生化异常过程的响应特征和检测效果仍有待深入研究。尽管取得了上述进展,但现有的检测器大多针对通用作物病害或传统基于图像的监测任务开发,因此不完全适用于无人机多光谱图像中的THS检测。在复杂场景中利用无人机遥感监测THS面临诸多挑战,如背景复杂、叶片纹理高度相似、茶树冠层茂密、植株间相互遮挡、THS斑块尺度小且形状不规则,以及与健康叶片混淆等问题。这往往导致主要依赖局部特征的监测模型出现误检或漏检。同时,由于采集时间的变化和地形的起伏,茶园图像中普遍存在光照不均和阴影遮挡现象。这些因素进一步降低了THS斑块在可见光波段下的对比度,导致THS斑块的特征在不同空间位置和光谱波段上表现出明显的差异。图1展示了部分代表性的茶园场景图像。然而,为了解决上述问题,现有的多光谱融合检测方法大多采用中级特征融合策略,即先从各模态中提取特征,然后进行交互和融合。尽管这种策略能够实现一定程度的信息互补,但仍缺乏有效机制来处理模态差异加剧、冗余干扰增强以及关键胁迫特征不够突出等复杂茶园环境中的问题。因此,难以准确表征细微且不规则的THS区域。因此,有必要针对复杂场景开发更具针对性的特征融合方法,以提高跨模态交互和信息特征提取能力。

本研究以THS为研究对象,提出了一种基于可见光与多光谱数据融合的复杂茶园环境中THS的无人机遥感监测方法。设计了一个名为MS-THSNet的可见光-多光谱融合网络用于THS检测,并证明该方法能够有效监测茶园中的THS。本研究的主要贡献总结如下:

1)提出了一种针对复杂茶园环境中THS的无人机遥感监测方法。通过融合无人机图像中THS的可见光和多光谱波段信息,所提方法有效提高了无人机THS监测的准确率和鲁棒性。

2)为应对复杂茶园环境和小型THS斑块检测的挑战,设计了一个端到端的病害检测网络(MS-THSNet),实现可见光与多光谱特征的融合。所提网络能够在光照不均、纹理干扰和弱光谱差异条件下,对不同尺度的THS斑块实现稳定检测和精确定位。

3)提出了一种多光谱融合检测网络MS-THSNet,通过MITM缓解跨模态差异,通过AMF-Net抑制冗余干扰,并结合CGAM与小型目标检测头增强小目标特征表示,从而提高了复杂茶园场景中细微且不规则THS斑块的检测和定位能力。

4)进行了消融和对比实验,系统分析了AMF-Net结构的融合决策机制以及MITM中Transformer块深度配置的影响。验证了自适应融合策略和适当网络深度在平衡全局建模与局部细节保留方面的有效性。

5)构建了一个包含无人机采集的可见光和多光谱图像的THS数据集。在该数据集上的实验结果表明,所提方法显著优于现有方法,与主流方法相比mAP提高了3.5%,相比基线网络性能提升了7.0%。

**小节摘要**

**数据获取与标定**

数据于2025年4月3日在中国安徽省合肥市张家山坞茶园(北纬31.345°,东经117.641°)采集,海拔约527米,如图2所示。THS的可见光和多光谱图像通过低空无人机航拍获取。在数据采集过程中,无人机飞行高度保持在茶冠上方约4–6米,相机垂直朝下,以确保……

**模型训练与评估指标**

为定量评估多光谱图像与可见光图像之间的配准性能,本研究采用归一化互信息(NMI)(Studholme等,1999)、归一化互相关(NCC)(Yoo & Han, 2009)和零均值归一化互相关(ZNCC)(Debella-Gilo & K??b, 2011)作为评估指标。

在评估目标检测模型性能时,最常用的指标包括精确率、召回率、mAP和每秒帧数……

**结论**

THS是影响茶叶作物产量和品质的主要威胁之一,准确监测该状况对于茶园的有效病害控制和精准管理具有重要意义。本研究提出了一种基于可见光和多光谱数据融合的THS无人机遥感监测方法,数据获取于复杂茶园环境中。通过整合可见光和多光谱信息并引入……

**作者贡献声明**

胡根生:撰写——审阅与编辑,撰写——原稿,可视化,验证,项目管理,方法论,调查,资金获取,数据整理,概念构思。刘辉宾:撰写——审阅与编辑,撰写——原稿,可视化,验证,软件,资源,项目管理,方法论,调查,形式分析,数据整理。鲍文霞:撰写——审阅与编辑,验证,监督,项目管理。

**资金**

本工作得到了国家自然科学基金(批准号:32372632)的资助。

**利益冲突声明**

作者声明不存在任何可能影响本研究报告工作的已知竞争性经济利益或个人关系。

胡根生 | 刘辉宾 | 鲍文霞
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