《Frontiers in Plant Science》：Integrating UAV-based multispectral imagery and machine learning to classify glyphosate-resistant palmer amaranth and assess herbicide program efficacy in soybean
编辑推荐：
摘要专业翻译
长苋（Palmer amaranth）是大豆生产中危害最严重、经济影响最大的杂草之一，抗草甘膦（glyphosate-resistant, GR）种群广泛分布。本研究旨在利用无人机（UAV）搭载的多光谱影像对GR长苋进行制图与分类，并评估不同除草
摘要专业翻译
长苋（Palmer amaranth）是大豆生产中危害最严重、经济影响最大的杂草之一，抗草甘膦（glyphosate-resistant, GR）种群广泛分布。本研究旨在利用无人机（UAV）搭载的多光谱影像对GR长苋进行制图与分类，并评估不同除草剂方案［仅播前（preemergence, PRE）、仅苗后（postemergence, POST）以及PRE后接（followed by, fb）POST］对2025年路易斯安那州中部大豆田中长苋覆盖率（生长季早期与晚期）的影响。研究人员使用多光谱无人机对GR长苋进行制图，影像经Pix4DFields处理为正射镶嵌图（orthomosaic），并在ArcGIS Pro中进行地理配准。杂草分类采用基于像素（pixel-based）与基于对象（object-based）两种方法，分别在ENVI和QGIS内集成Orfeo Toolbox（OTB）中实现，采用随机森林（Random Forest, RF）、多层感知机（Multilayer Perceptron, MLP）和支持向量机（Support Vector Machine, SVM）算法。两种分类方法均表现出较高性能，其中RF取得了最高总体精度（99%）。基于UAV的评估为生长季早期长茛制图和除草剂施用后残留杂草活性的晚期评估提供了一种时空高效的方法。UAV获取的长茛覆盖率与地面实测杂草密度呈中等程度正相关。除草剂方案在生长季早期（P = 0.0004）和晚期（P = 0.0223）评估中均显著降低了UAV获取的长茛覆盖率。在所评估的方案中，PRE fb POST对杂草覆盖率的降幅最大（4.3%），优于仅PRE（9.2%）和仅POST（8.8%）方案。综上，将UAV多光谱影像与机器学习算法（尤其是RF）相整合，为GR长茛的分类识别以及不同作物生长阶段除草剂方案效果的评估提供了一种有前景的自动化途径。
论文解读
一、研究背景与意义
大豆是全球最重要的行栽作物之一，为食品、饲料和工业用途提供蛋白质，美国约占全球大豆产量的28%。然而，杂草干扰始终是大豆产量的主要制约因素之一，在北美可造成超过50%的潜在产量损失。在众多杂草种类中，长茛（Palmer amaranth, Amaranthus palmeri）是美国大豆生产中最棘手、经济影响最大的杂草之一，其出苗期长、生长速度快、产籽量大，且对多种除草剂作用位点产生抗性，防控难度极大。已有研究报道，在长茛密度为8株/m-2时，大豆产量损失可高达79%。在路易斯安那州及邻近南部各州，长茛持续位列影响大豆生产的最棘手杂草物种之首。截至目前，长茛已对10种不同除草剂作用位点产生抗性，其中草甘膦抗性在密西西比河下游地区（Midsouth）广泛发生，路易斯安那州于2010年首次报道。
传统上，种植者主要依赖除草剂防控大豆田长茛，播前（PRE）除草剂后接苗后（POST）除草剂的方案可提供优异的长茛防控效果。然而，这些方案通常以全面喷施（broadcast）方式施用，未考虑田间杂草侵染的空间变异性，凸显了精准杂草制图以支持位点特异性管理（site-specific weed management, SSWM）的必要性。传统地面杂草评估方法（如目测评级和样方计数）存在主观性强、劳动密集、空间不连续等局限。近年来，遥感技术、无人机（UAV）与机器学习技术的融合显著提升了杂草检测能力，实现了物种级识别和高分辨率杂草分布图的生成。然而，以往研究多集中于提升模型性能指标，而对UAV杂草图在农艺决策中的实用性评估不足，UAV杂草估算与传统田间评估之间用于除草剂效果评价的关系仍缺乏充分理解。因此，本研究旨在评估UAV多光谱影像与机器学习方法在路易斯安那州大豆田中分类识别抗草甘膦（GR）长茛及评估除草剂方案效果的潜力，具体比较UAV获取的GR长茛覆盖率估算与常规地面杂草密度评估，以确定其在不同除草剂方案间杂草防控效果评价中的有效性。
二、研究设计与主要技术方法
本研究于2025年在路易斯安那州立大学Doyle Chambers中央研究站（30.3625°N, 91.1628°W）开展田间试验。试验采用随机完全区组设计（randomized complete block design），设4个重复和1个因素（除草剂方案）。供试大豆品种为抗草甘膦、2,4-D胆碱和草铵膦的Enlist? E3，于2025年4月4日以55,059粒/ha的密度播种，行距97 cm，小区长7.6 m。试验地长茛为天然均匀侵染的GR种群，土壤为Mhoon粉砂质黏壤土（pH 6.3，有机质1.9%）。除草剂方案包括：仅PRE（S-异丙甲草胺+氟磺胺草醚，0.53+0.80 kg ai/ha）、仅POST（草铵膦+2,4-D胆碱，0.66+1.06 kg ae/ha，添加0.5% v/v硫酸铵）以及PRE fb POST。PRE除草剂在大豆播种后立即施用，POST除草剂于2025年6月5日（大豆V4-V5期）施用，此时长茛幼苗高10至15 cm。
关键技术方法主要包括以下方面。其一，UAV多光谱影像采集：使用大疆Mavic 3 Multispectral无人机搭载多光谱相机，获取绿（560 nm）、红（650 nm）、红边（730 nm）和近红外（NIR, 860 nm）四个波段影像。共进行两次飞行：第一次于2025年5月2日（PRE后28天，即生长季早期飞行），第二次于2025年8月1日（POST后56天，即生长季晚期飞行）。飞行高度12 m，速度1 m/s，航向重叠80%，旁向重叠70%，共采集1,300张影像。影像经辐射定标后在Pix4DFields中生成正射镶嵌图，并在ArcGIS Pro 3.4.0中利用地面控制点进行地理配准。其二，基于像素的分类方法：在ENVI中目视选取四类感兴趣区域（regions of interest, ROIs）——长茛、大豆、土壤和其他杂草，共175个ROI（长茛42%、大豆28%、土壤15%、其他杂草15%）。采用随机森林（RF）和多层感知机（MLP）两种分类器，均在Python的scikit-learn库中实现。RF使用100棵决策树（n_estimators = 100）、无最大深度限制、每节点分裂考虑特征数的平方根（max_features = "sqrt"），随机种子固定为42。MLP使用一个含100个神经元的隐藏层（hidden_layer_sizes = (100,)）、ReLU激活函数、Adam优化算法、初始学习率0.001、最大迭代1000次，输入特征经StandardScaler标准化。两种模型均采用分层5折交叉验证（StratifiedKFold, n_splits = 5）评估，分类指标由5个验证折的预测汇总计算。其三，基于对象的分类方法：使用QGIS中集成的Orfeo Toolbox（OTB）插件，采用Mean Shift算法对正射镶嵌图进行分割，将像素按光谱相似性和空间邻近性分组为均质区域；对每个分割对象计算所有相关波段的区域统计量（均值、中位数和标准差），将像素数据转换为矢量属性；训练类别按空间位置连接至分割多边形，仅使用有标签的段进行训练；采用支持向量机（SVM）分类器（libsvm模型）对标记的图像对象进行分类，共使用188个验证对象。其四，统计分析：在PyCharm 2025.1.2中进行，采用Shapiro-Wilk检验和Levene检验分别评估正态性和方差齐性；各飞行时期内除草剂方案效应采用单因素方差分析（one-way ANOVA），检测到处理效应时继以Tukey's HSD事后检验；飞行期间的时间变化在各除草剂方案内采用配对t检验（P<0.05）或Wilcoxon符号秩检验；RF与MLP分类器性能比较采用McNemar检验；UAV长茛覆盖率与地面实测密度的关系采用Spearman秩相关分析，并拟合负二项广义线性模型（NBGLM）以处理计数数据的过度离散。
三、研究结果
3.1 除草剂方案对长茛UAV覆盖率的影响
除草剂方案（仅PRE、仅POST和PRE fb POST）对生长季早期和晚期飞行的长茛UAV覆盖率均有显著影响。生长季早期飞行中，各处理间长茛覆盖率差异显著（P = 0.0004），仅PRE和PRE fb POST方案的长茛防控效果最佳，UAV覆盖率分别为9.5%和9.9%，而仅POST方案为17.5%，这一差异归因于施用时间——POST处理在早期飞行之后才施用。生长季晚期飞行（POST除草剂施用后）中，各除草剂方案间长茛UAV覆盖率显著降低（P = 0.0223），PRE fb POST方案降幅最大，覆盖率为4.3%，而仅PRE和仅POST方案分别为9.2%和8.8%。结果表明，整合的PRE fb POST除草剂方案在整个生长季对降低长茛覆盖率更为有效。
3.2 杂草分类
基于像素的分类中，RF和MLP在两次飞行中均表现出高分类性能。生长季早期飞行中，MLP精度略高于RF（94%对90%），但两种算法间无显著差异（P = 0.7905）；生长季晚期飞行中，RF精度显著高于MLP（99%对93%，P = 0.0078）。基于对象的SVM分类精度较低，早期为75%，晚期为84%。就类别特异性指标而言，生长季早期，MLP对长茛的精确率、召回率和F1分数（95%、96%、96%）均高于RF（92%、91%、91%）；生长季晚期，RF对长茛的精确率、召回率和F1分数（99%、100%、99%）显著提升，对大豆也达到较高水平（100%、98%、99%）。基于对象的SVM在两次飞行中对长茛的召回率较低（早期56%、晚期53%），F1分数分别为62%和63%，但大豆分类相对较强（F1分数78%和85%）。
3.3 UAV覆盖率与地面实测GR长茛密度的关系
Spearman秩相关分析显示，UAV获取的长茛覆盖率与地面实测长茛密度在生长季早期（ρ = 0.54, P = 0.0006）和晚期（ρ = 0.53, P = 0.0008）均呈显著中等程度正相关，即UAV覆盖率较高的小区通常对应较高的地面实测密度。负二项广义线性模型（NBGLM）的伪R2值在早期评估中为0.78，晚期评估中仅为0.16，表明晚期模型性能较低，可能源于大豆衰老与绿色长茛之间光谱区分度降低。
四、讨论与结论
讨论部分指出，PRE fb POST方案在晚期评估中提供最高的长茛覆盖率降幅，与既往研究一致——PRE fb POST方案优于单一PRE或POST方案。仅POST方案在晚期略优于仅PRE方案，表明土壤施用PRE除草剂（氟磺胺草醚和S-异丙甲草胺）的延长残留活性对防控GR长茛的重要性。跨飞行时间比较显示，仅POST（P = 0.0081）和PRE fb POST（P = 0.0007）方案在晚期较早期显著降低覆盖率，而仅PRE方案无显著变化，进一步证实了氟磺胺草醚和S-异丙甲草胺在POST后56天仍具残留活性。
关于分类性能，RF在晚期飞行中精度最高（99%），这与作物和杂草在生物量和冠层发育增大后光谱区分度提高有关。尽管既往研究认为基于对象的分类可优于基于像素的方法，但本研究中基于像素的分类精度更高，可能归因于早期长茛幼苗个体小、冠层发育有限，对象分割更具挑战性，而基于像素的方法保留了原始空间分辨率，使RF和MLP能够捕捉杂草、作物、土壤和残茬间的精细光谱差异。
UAV覆盖率与地面密度呈中等正相关，表明UAV影像有效捕捉了长茛的空间分布模式，但覆盖率估算与地面密度间存在一定变异，可能源于非靶标杂草物种的误分类、杂草冠层重叠以及大豆冠层后期干扰。晚期NBGLM性能较低（伪R2 = 0.16）表明大豆衰老与绿色长茛间光谱区分度降低增加了分类不确定性，因此UAV影像在冠层闭合和衰老之前（生长早期阶段）检测长茛模式最为有效。
研究结论：将UAV多光谱影像与机器学习算法（尤其是RF）相整合，为GR长茛的分类识别以及不同作物生长阶段除草剂方案效果的评估提供了一种有前景的自动化途径。UAV获取的长茛覆盖率可作为长茛丰度的有效指标，支持快速杂草评估和位点特异性管理决策。未来研究应进一步探究UAV覆盖率与地面密度在不同作物冠层、杂草侵染水平和除草剂管理方案下的关系，并致力于减少非靶标杂草物种的干扰，评估更高分辨率影像和先进分类方法以提高密度估算精度。
