《Plant Phenomics》:Climate trajectory reconstruction for UAV-based plant phenotyping and yield prediction under incomplete climate observations
编辑推荐:
多茬饲用作物的田间表型解析需要把冠层观测与驱动性状发育及生物量积累的环境历史相融合。然而,田间试验中不完整的气候记录常限制对环境的刻画并削弱表型预测的稳健性。研究人员开发了CIRUS(Climate-informed Reconstruction with U
多茬饲用作物的田间表型解析需要把冠层观测与驱动性状发育及生物量积累的环境历史相融合。然而,田间试验中不完整的气候记录常限制对环境的刻画并削弱表型预测的稳健性。研究人员开发了CIRUS(Climate-informed Reconstruction with Uncertainty-aware Spectral conditioning,气候感知且不确定性感知的光谱条件化重建框架),一种面向意大利黑麦草(Lolium multiflorum Lamk.)在不完整气候观测下的环境轨迹感知型无人机表型框架。CIRUS以条件扩散模型重建与作物相关的环境轨迹,将重建轨迹与无人机多光谱特征及土壤环境变量结合,并把重建不确定性纳入下游性状与产量预测。三个生长季中,CIRUS+不确定性对缺失条目的整体重建R2达0.931,在随机、连续块、末端与黑箱缺失场景下均优于常规方法、CSDI与改进PriSTI。黑箱缺失下基础CIRUS略逊于CSDI,但CIRUS+不确定性仍最优。重建不确定性被量化并用于下游预测:融入重建环境信息后,鲜生物量产量预测R2由仅光谱基线的0.867提升至0.890;分蘖数R2=0.70,叶绿素含量R2=0.66。严格验证显示框架跨季节、刈割阶段与品种稳健。SHAP与事后路径分析表明,重建环境信息在主导光谱特征之外提供互补且可解释的贡献。该工作支持CIRUS作为不完整气候观测下鲁棒、不确定性感知且可解释的无人机作物表型框架。
研究背景与问题提出
多茬饲用作物(以意大利黑麦草 Lolium multiflorum Lamk. 为代表)的田间表型不仅取决于无人机(UAV)在某一时刻获取的冠层状态,也取决于此前再生期积累的环境历史。UAV 多光谱遥感可非破坏性地提取冠层绿度、结构与水肥生理状态,但观测在时间上离散,难以直接刻画两次采样之间的连续环境过程。与此同时,田间气候记录常因传感器故障、断电、通信中断、采样频率不一致等出现缺失,且缺失往往具有时间结构性,可能正好落在快速再生或生物量积累关键期。常规插补多依赖局部平滑或样本相似度,难以兼顾多变量依赖与长期时间结构,也很少利用作物观测本身来约束“与表型相关的环境轨迹”重建,导致补全结果统计合理但对下游表型与产量建模增益有限。
为回应上述限制,研究人员提出 CIRUS(Climate-informed Reconstruction with Uncertainty-aware Spectral conditioning)框架,把缺失气候记录视为“不完整环境历史”,用 UAV 衍生冠层信息作条件,重建作物相关环境轨迹,并量化重建不确定性,再将其用于农艺性状与鲜生物量产量预测与解释。
样本与数据来源
研究在四川农业大学现代农业研发基地开展,覆盖三个生长季(2023–2024、2024–2025、2025–2026),采用随机完全区组设计、三重复,季节内分别含 35、40、25 个品种/品系,对应 105、120、75 个试验小区,每小区每季刈割三次,经质控后保留 509 个小区级样本,组织为“年×品种×小区×茬次”层级。
主要关键技术方法
研究人员采用三类核心技术:其一,农艺学启发的结构方程模型(SEM,Structural Equation Model)路径拓扑作训练期弱正则,仅用各外折训练数据筛选气候窗口变量与路径系数;其二,跨模态条件扩散模型配轻量 Tiny-UNet 与 ConvGRU 时间模块,以 UAV 多光谱/纹理作条件重建缺失气候序列,并联合扩散去噪损失、SEM 结构一致性损失与时间一致性损失;其三,基于重复反向采样估计重建不确定性(均值作点估计、标准差作不确定性描述),以不确定性加权极端梯度提升(XGBoost)联合预测分蘖数、叶绿素含量等性状与鲜生物量产量,再用 SHAP(SHapley Additive exPlanations)与独立拟合的事后路径分析解释贡献。
研究结果
气候重建性能(Climate reconstruction performance)
在天然缺失与四类人工缺失(随机、连续块、黑箱、末端)场景下评估。基础 CIRUS 缺失条目 R2=0.923,CIRUS+不确定性达 R2=0.931;相较 KNN、线性插值等常规方法及 CSDI、改进 PriSTI,CIRUS+不确定性在各场景均最优。黑箱缺失时基础 CIRUS 略低于 CSDI,但不确定性版本仍领先。消融实验证明光谱条件化、时间建模与不确定性估计均不可或缺。
产量与性状预测影响(Impact on yield and trait prediction)
仅气候模型 R2=0.797,仅光谱模型 R2=0.867,光谱+原始气候为 0.875,CIRUS 重建为 0.884,CIRUS+不确定性达 0.890,性状桥接(trait-bridge)为 0.887。误差 RMSE 由仅光谱的 3.68 降至 CIRUS+不确定性的 3.34。性状预测中分蘖数 R2=0.70、叶绿素含量 R2=0.66。跨年、跨刈割阶段、跨品种严格验证中框架仍保持稳健,跨品种留一验证产量 R2由 0.864 升至 0.922。
产量预测特征贡献(Feature contribution analysis)
SHAP 全局重要性显示 PC2/PC3 光谱主成分、SAVI、NDVI、GNDVI 等冠层光谱特征主导预测;气候窗口变量(如 temp_mean_14d_mean、rainfall_30d_mean)与预测性状作为互补特征进入模型。依赖图揭示非线性阈值效应,说明环境历史并非简单线性叠加,而是与冠层状态交互影响产量。
性状关联解释(Trait-associated interpretation)
独立事后路径分析(N=400,绘图聚类稳健标准误)显示:spectral_growth_PC 经预测分蘖数间接关联 0.214,NDVI_early_mid 经分蘖数 0.188,GNDVI_mid 经叶绿素含量 0.173;近期均温与 30 天降水经分蘖数间接关联分别为 0.126 与 0.119。以上仅为拟合模型内统计路径关联,不作因果中介结论。
讨论与结论翻译
讨论指出,CIRUS 把气候补全从“缺失值插补”提升为“环境轨迹重建”,其增益不只来自数值精度,更来自为下游模型补充时间连续的环境上下文与置信度信号。光谱特征仍是产量预测主信号,重建气候与性状变量提供互补解释;SHAP 与路径分析一致但非独立生理验证,不能据此断言因果机制。
结论部分翻译如下:
本研究开发了 CIRUS,一种面向不完整气候观测下意大利黑麦草的气候感知表型框架。该框架整合环境轨迹重建、UAV 多光谱特征、不确定性感知建模、性状桥接特征与小区级鲜生物量产量预测。CIRUS 从不完整气候记录中重建作物相关环境轨迹,并将相应不确定性纳入下游预测,为不完整观测下的 UAV 作物表型提供一体化方案。CIRUS 较常规插补显著改善缺失条目气候重建:基础模型 R2=0.923,加入不确定性后 R2=0.931,并在随机、连续块、末端与黑箱各类缺失中均最优,亦优于 CSDI 与改进 PriSTI。将重建气候信息用于产量预测,R2由不完整气候输入的 0.875 提升至不确定性感知的 0.890;跨品种留一验证中由仅光谱基线 0.864 提升至 0.922。SHAP 表明光谱特征占主导,气候窗口与性状桥接特征提供互补贡献。总体而言,该框架证明结合 UAV 观测、重建气候轨迹与不确定性感知建模,可支持不完整气候观测下鲁棒、可解释、带置信度表示的作物表型分析;但在其他作物、区域与气候区的外推仍需进一步验证。
你想先深挖 CIRUS 的方法细节、结果对比还是应用边界?