基于无人机多光谱成像与机器学习的大田作物除草剂药害表征及干燥剂响应评估

《Precision Agriculture》：UAV-based multispectral imaging and machine learning for characterizing herbicide injury and desiccant responses in field crops

　　

摘要专业翻译 目的： 除草剂和干燥剂对于杂草防控和收获管理至关重要；然而，其效力因作物种类、环境和生长季节而异。本研究评估了基于无人机（UAV）的多光谱成像结合机器学习（ML），作为一种非破坏性方法，用于量化加拿大草原农业生态系统中的除草剂药害和干燥响应。 方法： 于2022年至2024年在阿尔伯塔省和萨斯喀彻温省的三个试验点开展了田间试验，研究对象包括驯化燕麦（tame oat）、东方芥菜（oriental mustard）和扁豆（lentil）。驯化燕麦和东方芥菜分别作为野燕麦（wild oat）和野生芥菜（wild mustard）的拟杂草模型。在施药后0至21天（DAT）内采集了无人机多光谱影像和同步的地面目视评级数据，以表征作物的时间响应。研究人员利用无人机衍生的植被指数评估了六种机器学习模型。 结果： 集成模型，包括梯度提升（Gradient Boosting）、极限梯度提升（Extreme Gradient Boosting）和随机森林（Random Forest）， consistently 展现出较强的预测性能，在燕麦中的决定系数（R2）为66–90%，芥菜中为60–75%，扁豆中为43–96%。多站点模型实现了65–83%的R2值；然而，针对燕麦和芥菜的留一站点交叉验证（LOSO）和留一年份交叉验证（LOYO）显示，在独立环境中的预测性能有所下降，凸显了模型可迁移性的局限。植被指数捕捉了各作物随时间的除草剂药害和胁迫动态，而干燥进展曲线下面积（AUDPC）分析则量化了扁豆的干枯过程并区分了干燥剂的性能。皮尔逊相关分析确定，归一化差异植被指数（NDVI）和归一化差异绿度指数（NDGI）与各作物和环境中的目视药害评级密切相关。NDVI在燕麦和芥菜中表现出最一致的关系，而NDVI、NDGI和可见光大气阻抗指数（VARI）在扁豆干燥响应中表现出相当的关系。 结论： 总体而言，整合无人机多光谱成像、植被指数、机器学习和AUDPC，为在多变田间条件下评估除草剂药害和干燥剂效力提供了一个可扩展、客观且非破坏性的框架。

论文解读

一、研究背景与问题

可持续作物生产依赖于技术与农艺实践的合理结合，以在提高产量的同时减少对环境的危害。除草剂和干燥剂是其中的关键工具：除草剂通过抑制杂草种群、减少资源竞争和化感作用等生物胁迫，帮助作物维持生长并实现产量潜力；干燥剂则通过加速和同步作物衰老、减少田间成熟度空间差异、促进均匀干枯，从而降低收获损失并保障籽粒品质。然而，这些工具的效力受多种因素影响，包括有效成分类型、施药量、施药时期、天气条件和作物种类等。由于这些因素因田块而异，如何在不同生长条件下找到最有效的处理方案，对农民和研究人员而言始终是一项挑战。

传统上，除草剂和干燥剂性能的评估依赖人工目视观察和作物药害或干枯程度的主观评级。尽管这些方法具有一定实用性，但往往耗时费力，且易受个人判断影响，难以在不同站点和季节间保持测量一致性，从而限制了多地点联合分析中的结果可比性。近年来，数字农业的发展正在推动作物评估方式从传统田间观察向技术驱动方法转变。配备多光谱传感器的无人机（UAV）能够快速、非破坏性地获取作物冠层在可见光和红外波段的反射率影像，为作物健康和胁迫水平提供详细信息。将无人机影像与机器学习（ML）相结合，可处理大规模数据集并揭示光谱信号与作物响应之间的复杂关系，从而将评估推进到超越传统目视评级的层面。然而，目前鲜有研究将无人机多光谱成像与机器学习相结合，在多种作物和多环境条件下系统评估除草剂效应和干燥剂性能。大部分现有工作仍集中于单一作物评估或孤立的处理条件。尽管高光谱成像能提供更精细的光谱信息，但多光谱系统对于常规农业应用更为实用和经济。因此，评估这些工具在不同作物、站点和季节间的性能与可迁移性，是推动其更广泛应用的关键步骤。

本研究旨在填补上述知识空白，在加拿大西部三个研究站点（阿尔伯塔省的莱斯布里奇和拉科姆、萨斯喀彻温省的萨斯卡通）于2022—2024三个生长季，对驯化燕麦（Avena sativa）、东方芥菜（Brassica juncea）和扁豆（Lens culinaris）的除草剂药害症状学和干燥剂响应进行表征。驯化燕麦和东方芥菜分别作为与问题杂草野燕麦（Avena fatua）和野生芥菜（Sinapis arvensis）亲缘关系密切的标准化禾本科和阔叶杂草模型系统。主要目标包括：（i）评估基于无人机多光谱影像和机器学习作为非破坏性方法，在多个站点和年份间评估燕麦和芥菜的除草剂植物毒性及扁豆的干燥响应；（ii）比较有机酸干燥剂与传统化学干燥剂在扁豆中的干枯性能，以确定最佳干燥实践。

二、主要技术方法

研究人员在2022至2024年间，于加拿大草原的莱斯布里奇、拉科姆和萨斯卡通三个试验点开展田间试验，采用随机完全区组设计，每种处理设四次重复。燕麦和芥菜作为拟杂草模型分别种植，扁豆作为干燥剂评估对象。无人机影像采集使用DJI Matrice 300无人机，搭载MicaSense RedEdge-P、Altum-PT或RedEdge-MX多光谱传感器，在施药后0至21天内多次飞行获取冠层影像。地面同步进行目视药害评级，依据加拿大杂草科学学会（CWSS-SCM）标准，以百分比记录药害程度。数据处理方面，研究人员利用Pix4Dmapper生成正射影像，提取归一化差异植被指数（NDVI）、归一化差异绿度指数（NDGI）、可见光大气阻抗指数（VARI）和修正叶绿素吸收反射率指数（MCARI）等植被指数。随后构建了六种机器学习回归模型，包括偏最小二乘回归（PLSR）、支持向量回归（SVR）、梯度提升（GB）、随机森林（RF）、极限梯度提升（XGB）和人工神经网络（ANN），通过网格搜索进行超参数优化，采用80%训练/20%测试的随机划分并重复100次，另进行留一站点交叉验证（LOSO）和留一年份交叉验证（LOYO）评估模型可迁移性。统计分析方面，采用皮尔逊相关分析、费舍尔r-to-z变换、线性混合效应模型（LMM）、三次B样条混合模型和干燥进展曲线下面积（AUDPC）分析等方法。

三、研究结果

燕麦的机器学习模型： 模型性能因地点而异，GB和XGB通常是最准确的除草剂药害预测模型。在莱斯布里奇，GB表现最强（R2=87.63%，RMSE=13.64），XGB表现相近（R2=86.81%，RMSE=12.83）。在拉科姆，GB和XGB仍居领先地位，但精度较低（GB：R2=67.69%，RMSE=22.72）。在萨斯卡通，GB达到最高预测精度（R2=90.49%，RMSE=12.20），XGB的RMSE最低（11.64）。合并多站点数据后，GB取得最高R2（70.77%，RMSE=19.75），XGB略低（R2=69.34%，RMSE=20.14）。

芥菜的机器学习模型： XGB和RF在芥菜中表现最强。在莱斯布里奇，XGB取得最高R2（71.84%，RMSE=18.87），RF表现相近（R2=68.90%）。在拉科姆，XGB达到R2=75.12%（RMSE=15.42），RF为R2=71.69%。在萨斯卡通，模型精度相对较低，XGB为R2=60.96%，RF为R2=59.14%。合并数据后，XGB取得最高R2（69.01%，RMSE=19.71），RF的RMSE最低（18.56）。

扁豆的机器学习模型： XGB和RF在扁豆中表现最强。在莱斯布里奇，XGB达到R2=95.76%（RMSE=7.68），RF几乎相同（R2=95.64%）。在拉科姆，XGB为R2=76.60%（RMSE=15.06），RF为R2=75.77%。在萨斯卡通，模型性能显著降低，XGB仅为R2=43.85%（RMSE=20.39）。合并数据后，XGB达到R2=83.01%（RMSE=15.84），RF几乎相同（R2=82.87%）。

跨环境验证： LOSO和LOYO验证的预测性能普遍低于随机划分。燕麦的LOSO R2范围为21.33%–44.73%，LOYO R2范围为27.42%–57.32%；芥菜的LOSO R2范围为14.58%–48.49%，LOYO R2范围为26.12%–48.32%。这表明模型在独立环境中的可迁移性有限。扁豆因多光谱数据集在站点-年份组合间不平衡，未进行正式的跨环境验证解释。

基于指数的除草剂植物毒性表征： 皮尔逊相关分析显示，燕麦中NDVI（r=0.76）是最可靠的目视药害预测指标，NDGI（0.67）和VARI（0.61）次之，MCARI（0.49）最弱。芥菜中NDVI（0.67）表现最一致，NDGI（0.59）次之，VARI（0.53）和MCARI（0.54）中等。扁豆中NDGI（0.63）最强，NDVI和VARI（各0.62）接近，MCARI（0.44）最弱。费舍尔r-to-z检验确认了各站点间相关强度的显著差异，表明光谱-目视关系具有环境依赖性。

站点、处理及处理特异性光谱响应： 线性混合效应模型检测到燕麦、芥菜和扁豆的目视评级存在显著的站点、处理及站点×处理交互效应。植被指数的站点×处理交互显著性因作物和指数而异：燕麦中NDGI和MCARI显著，芥菜中仅MCARI显著，扁豆中所有四个指数均显著。处理特异性相关分析显示，负相关关系总体占主导，即植被指数值随目视药害或干燥程度增加而降低。

DAT时间响应模式： 三次B样条混合模型检测到燕麦、芥菜和扁豆的目视评级及所有四个植被指数均存在显著的时间效应（p<0.001），表明作物药害和干燥在施药后动态发展，无人机衍生的植被指数对作物光谱特征的时间变化具有响应性。

基于AUDPC的扁豆干燥剂效果： 方差分析显示，三个站点中扁豆响应在处理间均存在显著差异。目视评级和NDGI均能清晰区分处理差异。AUDPC分析有效量化了扁豆的干枯进程，区分了不同干燥剂的性能表现。较高的AUDPC值代表更快的冠层衰老，反映更有效的干燥性能。

四、讨论与结论

本研究通过整合无人机多光谱成像、植被指数、机器学习和AUDPC分析，成功建立了一个可扩展、客观且非破坏性的框架，用于在多变田间条件下评估除草剂药害和干燥剂效力。集成模型（GB、XGB、RF）在站点特异性和合并数据集中均表现出较强的预测性能，NDVI和NDGI被确认为与目视评级关联最一致的植被指数。然而，跨环境验证性能的下降提示模型可迁移性存在局限，未来研究需纳入更多样化的环境和年份数据以提升泛化能力。总体而言，该研究推进了数字成像在除草剂和干燥剂评估中的应用，为加拿大西部农业生态系统中的精准、一致和可持续作物管理提供了有力工具。