一种可用于量化作物残茬覆盖的时间可转移方法：将无人机图像的深度学习技术与基于卫星的光谱建模相结合

《Biosystems Engineering》：A temporally transferrable approach for quantifying crop residue cover: linking deep learning of UAV images with satellite-based spectral modelling

精准监测作物残体覆盖度动态对评估不同农管措施对土壤健康的影响至关重要。本研究提出融合无人机影像深度学习与Sentinel-2多光谱建模的时空转移性监测方法，通过改进的ResNet-50 U-Net算法实现春、秋两季作物残体空间异质性提取（mPA=92.02%），显著优于传统OTSU方法。基于短波红外波段（B11,B12）开发的PLSR预测模型，在2024年秋（R2=0.85）和2025年春（R2=0.70）均表现出良好的时序泛化能力。该方法揭示了保护性耕作与常规耕作下残体覆盖度保持机制的差异，建立了可跨区域、跨季节应用的农管技术分类与动态监测框架。

　　

张俊|董娜|马建民|蔡洪光|史普

吉林大学地球科学学院，长春，130061，中国

摘要

准确监测作物残茬覆盖（CRC）动态为评估不同农业管理实践对土壤健康的影响提供了重要信息。然而，传统的基于实地和遥感的调查在空间和时间覆盖范围上存在不足，难以捕捉大规模的CRC动态。本研究通过将无人机（UAV）图像的深度学习与Sentinel-2多光谱建模相结合，开发了一种具有时间转移性的CRC映射方法。采用改进的U-Net图像分割算法和ResNet-50作为主干网络，对中国东北部一个农业区域的春季（2024-2025年）和秋季（2024年）进行了多时相CRC地面观测。独立测试显示，该方法的分割性能令人满意（mPA = 92.02%），比传统的OTSU方法高出30%以上。然后将基于UAV的CRC地面参考数据与Sentinel-2地表反射率关联起来，使用偏最小二乘回归开发了一个基于光谱的预测模型。该模型在2024年春季的观测数据上进行了训练，表现出强大的迁移能力，能够准确预测2024年秋季（R2 = 0.85，RMSE = 12.64%）和2025年春季（R2 = 0.70，RMSE = 10.05%）的CRC情况。短波红外波段（B11，B12）被确定为关键预测因子，这与作物残茬中的纤维素/木质素吸收特征一致。多时相CRC映射揭示了传统耕作方式（突然清除）与保护性耕作方式（持续覆盖）之间的明显差异。这项工作建立了一个具有物理意义且可迁移的框架，用于田间级别的耕作分类和保护性农业实践的大规模监测。

引言

保护性耕作长期以来一直被视为实现土壤资源可持续管理的关键组成部分（Hobbs等人，2008年）。通过减少土壤扰动（例如免耕）并提高土壤表面的作物残茬覆盖（CRC）水平，这种做法已被证明有助于促进土壤团聚体的形成（Plaza-Bonilla等人，2013年），进而有利于土壤有机碳（SOC）的封存和稳定（Krauss等人，2022年；Zhu等人，2022年）。CRC提供的保护层还起到了防止侵蚀力（例如水和风）的作用，从而减少了富含SOC的表土流失（Kazemi Garajeh等人，2023年；Nazir等人，2024年）。从空间角度来看，最近的SOC映射研究表明，CRC是决定SOC空间变异性的最重要变量之一（Hu等人，2023年；Yan等人，2023年），特别是当通过整合多年数据集来考虑CRC的累积影响时（Ma & Shi，2024年；Zhang等人，2025年）。这强调了具有空间和时间分辨率的CRC数据对于评估不同农业实践对SOC变异性的影响至关重要。因此，迫切需要开发能够量化并监测广泛空间和时间尺度上CRC动态的可靠方法（Paul等人，2023年）。

传统上，获取地面真实CRC数据是通过劳动密集型的实地测量来实现的。例如，广泛采用的线状样带法（Morrison Jr等人，1993年）虽然易于实施，但耗时且容易受到调查人员主观性的影响（Du等人，2025年）。在这方面，计算机视觉的最新进展使研究人员能够开发出自动图像识别算法，从而无需人工测量即可获得高质量的CRC数据（Gao等人，2024年）。Riegler-Nurscher等人（2018年）提出了一种基于数字相机获取的RGB图像的纠缠随机森林方法来分类残茬和植被覆盖。同样，Du等人（2025年）应用了基于OTSU的图像分割算法来提取作物残茬成分。然而，尽管数字摄影能够有效捕捉地表特征，但手持相机拍摄的图像仅覆盖有限的空间范围（<5平方米）。这意味着手持RGB图像难以反映单个田块内CRC的局部变化，从而限制了这些图像的代表性。

为了解决这个问题，无人机（UAV）越来越多地被用于CRC量化（Ding等人，2020年）。UAV在较高高度飞行，可以高效地捕捉到比局部样带测量和地面摄影调查更具空间代表性的田间尺度地表图像。这种方法提供了客观的、空间一致的地表参考数据，这对于大规模CRC映射至关重要。利用UAV图像进行自动CRC量化的一个关键挑战是从复杂的农业景观中提取稳健的图像特征，这些景观具有高度可变的条件，包括变化的照明、多样的土壤纹理和湿度水平、不同的残茬颜色和方向以及阴影或植被的遮挡（Aggarwal & Chauhan，2025年）。在这方面，Zhou等人（2020年）将UAV图像与先进的深度学习算法相结合，实现了准确且成本效益高的CRC数据采集。与传统的图像处理方法（例如OTSU）相比，深度学习架构（如广泛使用的U-Net和DeepLab系列）可以直接从数据中自主提取层次化和区分性特征（Gon?alves等人，2021年；Wang等人，2024年），显著提高了模型在图像采集过程中对外部环境因素的鲁棒性——这对于现场CRC评估尤为重要。然而，大多数先前涉及UAV图像应用的研究仅集中在有限的空间范围和时间内。实际上，评估CRC的时空动态需要一个包含多个季节和年份的各种土壤类型和地表条件的综合UAV数据集。一个关键的未测试问题是，当空间分布的图像库与优化的深度学习架构结合时，是否能够建立一个能够捕捉这些复杂动态的大规模时空CRC数据集。

此外，将基于地面的测量与光学卫星图像相结合，使得在广泛的空间尺度上进行高分辨率CRC映射成为可能（Zheng等人，2014年）。使用光学遥感估计CRC的基本原理是，作物残茬中的木质素和纤维素在短波红外（SWIR）光谱区域（2100和2300纳米）表现出独特的吸收特征，使它们能够与裸土区分开来（Daughtry等人，2004年）。利用这些光谱特征，研究人员开发了预测模型，结合了光学卫星图像的地表反射率数据来映射CRC动态（Lamb等人，2025年）。基于SWIR的光谱指数，包括窄带纤维素吸收指数（Daughtry等人，1996年）和宽带归一化差异耕作指数（NDTI）（Van Deventer等人，1997年），也被用于使用高光谱和多光谱遥感图像估计CRC（Dong等人，2023年；Hively等人，2019年；Serbin等人，2009年）。高光谱图像提供了更高的光谱分辨率，提供了与CRC相关的土壤地表特征的详细光谱信息，但其在大规模应用中的实用性受到有限的空间时间覆盖范围和高成本的限制（Tao等人，2021年）。相比之下，多光谱卫星（例如Landsat、Sentinel-2）具有频繁的重访率、更广泛的空间覆盖范围和开放访问的数据，使其更广泛地用于大规模CRC监测（Gao等人，2022年；Yue等人，2020年；Zheng等人，2013年）。然而，大多数开发基于光谱的CRC预测模型的研究都集中在单日期映射上，其中使用狭窄时间窗口内的CRC测量数据生成仅限于该特定时期的地图。这是因为基于卫星的成像只能在收获后和耕作前的短暂时间内捕捉到作物残茬的信号，此时残茬覆盖在表面上可见。这种农艺现实，加上缺乏有效的CRC地面调查方法来构建多时相数据集，限制了以往研究仅限于单日期或单季节的观察。因此，开发一种具有时间转移性的方法论框架，以在不同空间和时间条件下实现CRC动态的一致监测具有重要意义。

本研究的目的是通过将UAV图像的深度学习与Sentinel-2多光谱预测建模相结合，开发一种具有时间转移性的CRC映射方法。为此，有三个具体目标：（1）基于改进的U-Net深度学习生成多时相CRC数据集；（2）开发基于光谱的建模框架，以实现准确的CRC映射，并测试其在不同季节和年份的迁移性；（3）利用多时相地图分析中国东北部一个重要农业区域的田间级别CRC动态及其与不同耕作方式的关联。

研究区域

研究区域位于中国东北部的吉林省西部，面积为23,038平方公里。该地区地形以平坦的平原为主，属于温带大陆性季风气候。作为中国东北部主要的玉米生产区，研究区域的耕地主要用于玉米种植，主要土壤类型为黑土和砂壤土（WRB，2022年）。长期的集约化耕作导致了严重的土壤退化问题。

改进的U-Net模型评估

为了评估所提出的图像分割算法的性能，图4展示了75个时期的模型训练和验证准确率及损失曲线。两个数据集都显示出一致的趋势：随着时期数量的增加，模型准确率逐渐提高，同时损失值逐渐下降，直到大约70个时期时达到稳定的性能。

将基于UAV的CRC估计与基于卫星的成像相结合的优势

对改进的U-Net图像分割算法在两个季节中的独立测试证实了其在变化的地表条件下的鲁棒性。如表2所示，所提出的深度学习框架的表现明显优于常用的OTSU算法，这归因于它们方法论构造的根本差异。

结论

本研究通过将基于UAV的地面数据采集与Sentinel-2光谱建模相结合，开发并验证了一个具有时间转移性的CRC监测框架。对于基于UAV的地面观测，改进的U-Net图像分割算法（ResNet-50主干网络）实现了高度准确的CRC量化，独立测试显示mPA为92.02%，比传统的OTSU方法高出30%以上。这些基于UAV的多时相CRC测量结果随后被用作地面

CRediT作者贡献声明

张俊：撰写——审稿与编辑，撰写——初稿，可视化，验证，软件，方法论，调查，正式分析，数据管理，概念化。董娜：撰写——审稿与编辑，撰写——初稿，验证，方法论，调查，正式分析，概念化。马建民：撰写——审稿与编辑，撰写——初稿，调查，正式分析，数据管理。蔡洪光：撰写——审稿与编辑，撰写——初稿

写作过程中生成式AI和AI辅助技术的声明

在准备这项工作时，没有使用任何生成式AI或AI辅助技术。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本研究得到了中国国家重点研发计划（2023YFD1501100）和吉林省科学技术发展计划（20250205024 GH）的资助。