《Computers and Electronics in Agriculture》：Monitoring vertical SPAD distribution of winter wheat using UAV cross-circle oblique photography
编辑推荐：
基于无人机交叉圆偏摄影与SFM-MVS方法构建冬小麦叶绿素垂直分布模型并验证机器学习算法有效性。
杨旭|顾晓波|程志凯|杜亚丹|李鹏林|魏春宇|赵同同|张正涛|刘静雅
教育部干旱半干旱地区农业水土工程重点实验室，西北农林科技大学，中国陕西省杨凌市712100
摘要
及时获取作物叶绿素含量对于有效的田间管理决策和全面的作物营养监测至关重要。无人机（UAV）已被广泛用于叶绿素含量的监测。然而，以往的研究主要集中在SPAD的横向变化上，很少有研究致力于监测SPAD的垂直分布。本研究旨在通过结合基于UAV的交叉圆偏振（CCO）摄影与结构从运动（SFM）和多视图立体（MVS）方法，开发出一种高分辨率的冬小麦SPAD垂直分布模型。根据植株高度将冠层分为上层、中层和下层。使用天底摄影和CCO摄影来获取图像，天底摄影用于构建上层冠层的SPAD模型，而CCO数据则用于垂直分布模型的建立（包括上层、中层和下层）。通过Shapley值评估不同机器学习模型（GBR、梯度提升回归；RF、随机森林；SVM、支持向量机；RR、岭回归）中的特征重要性。最终，得到了一个分辨率为0.1米的冬小麦SPAD垂直分布模型。结果表明，使用单一机器学习算法（KNN：k最近邻，RR：岭回归）进行SPAD垂直分布反演的准确性低于集成学习方法（堆叠，RF：随机森林）所达到的准确性。集成学习使训练集的R2和RMSE分别提高了0.13和1.23，测试集分别提高了0.09和0.56。CCO摄影在捕捉冬小麦SPAD的时空分布方面表现出高准确性，训练集的R2值在三个生长阶段均超过0.8，测试集的R2值介于0.6到0.81之间。在抽穗阶段，SPAD垂直分布反演的准确性最高，训练集和测试集的R2值分别为0.89、2.58和0.80、3.34。因此，基于UAV的CCO摄影结合SFM-MVS算法在SPAD表型分析和精准营养管理方面显示出初步潜力；然而，需要在不同生长季节和小麦品种中进行进一步验证以确认其广泛的通用性。
引言
光合作用过程在驱动作物生长发育中起着至关重要的作用。（Wan等人，2023年；Yang等人，2021年；Zhang等人，2024年；Zhang等人，2024年）叶绿素含量是影响光合作用效率的关键因素（Chen等人，2023年；Zhang等人，2024年；Zhang等人，2024年），并反映了植物的氮吸收能力、养分利用情况和整体生长状况（Sudu等人，2024年）。作物在水平和垂直方向上的生长差异导致三维空间内叶绿素含量的显著空间异质性。冬小麦是中国重要的主粮作物，提高其生产效率对于保障国家粮食安全和促进经济发展至关重要（Al-Shammari等人，2021年）。准确评估冬小麦叶绿素含量的时间和空间变化对于田间管理决策和作物生长监测至关重要。
传统的叶绿素测量方法包括田间采样和实验室测试分析，这既耗时又会对叶片造成一定程度的损伤。（Ma等人，2024年；Yan等人，2024年）尽管SPAD-502设备能够快速且无损地测量作物叶绿素含量（Yuan等人，2016年），但它缺乏在大范围和空间维度上进行精确评估的能力（Zhu等人，2022年）。相比之下，无人机（UAV）遥感技术的最新发展为监测作物叶绿素含量提供了一种可靠的方法，其特点在于经济性、可扩展性、多功能性和最小干扰。（Zhou等人，2024年）采用图像分割方法评估玉米冠层的叶绿素含量，而Ma等人（2024年）利用基于UAV的多光谱成像技术在各种灌溉条件和生长阶段预测玉米冠层的SPAD值。尽管上述研究取得了较高的反演准确性，但仍存在一些局限性。UAV获取的光学图像只能捕捉水平方向（冠层表面）的遥感信息，而垂直方向的信息通常难以获取（Liu等人，2025年；Liu等人，2024年；Liu等人，2024年；Zhu等人，2020年）。大多数研究仅检查了水平方向的叶绿素含量变化。尽管光探测与测距（LiDAR）已被广泛用于高通量作物表型分析以实现3D作物模型的点云重建，但这些传感器通常价格昂贵，限制了其在农业中的应用（Fiorani和Schurr，2013年；Xie和Yang，2020年），并为后续的点云处理带来了新的挑战（Zermas等人，2020年；Jin等人，2024年）。
结合结构从运动（SFM）和多视图立体（MVS）方法（SFM-MVS）实现了成本效益高的点云获取（Gu等人，2024年）。Wu等人（2022年）采用UAV偏振摄影与SFM-MVS方法结合，生成了代表棉花的密集RGB点云数据。研究结果突显了基于UAV的密集点云重建作为评估作物高度和叶面积指数的有效方法的潜力。Xiao等人（2023年）引入了交叉圆偏振摄影（CCO）；这种飞行路径设计用于从多个角度捕捉大规模田间图像，为在广阔田间环境中估计器官级结构特征提供了一种创新方法。该方法有效地从多个视角捕捉了全面的田间图像，为在大规模田间条件下评估器官级结构特征提供了新的解决方案，同时也实现了三维冠层结构的重建和器官级特征的高效计算。先前的研究表明，基于UAV的CCO摄影结合SFM-MVS可以用于估算玉米叶面积指数和产量，并提高大豆产量预测的准确性（Fei等人，2023年；Sun等人，2024年），所有这些都取得了良好的预测准确性。然而，关于利用CCO摄影重建冬小麦冠层三维结构的研究有限，特别是在种植密度高的小麦田中处理作物冠层内的遮挡问题尤其具有挑战性。
许多机器学习模型已被应用于监测作物SPAD，显示出在提高预测准确性方面的显著优势（Colorado等人，2020年）。例如随机森林回归（Zhu等人，2020年）、支持向量机回归（Zhai等人，2023年）和梯度提升回归树（Wang等人，2022年）。然而，这些模型的复杂“黑箱”性质使得解释其输出极其困难。此外，堆叠学习是一种强大的集成学习技术，它可以增强输入多样性，提取互补的数据特征，从而提高模型的性能（Liu等人，2020年）。
因此，为了准确评估冬小麦SPAD的垂直分布，具体目标包括：（1）利用基于UAV的CCO摄影结合SFM-MVS方法重建冬小麦冠层的三维结构，并评估天底摄影和CCO摄影结合植被指数和纹理特征估计上层冠层和SPAD垂直分布的能力；（2）对各种建模算法（单个机器学习模型和集成模型）进行比较分析，并结合SHAP理论评估它们在田间尺度模拟SPAD的适用性；（3）使用最优算法生成冬小麦SPAD值的时空分布。
实验地点
实验地点
冬小麦实验在中国陕西省杨凌区的教育部干旱地区农业水土工程重点实验室进行（34°17′N，108°04′E，海拔521米）。该地区地形平坦，年平均降水量为635毫米，年平均气温为12.9°C。实验区域属于亚湿润干旱气候，主要种植冬小麦和夏玉米。
冬小麦SPAD的垂直分布
方差分析显示，在不同生长阶段（拔节期、抽穗期和灌浆期），不同垂直层次（上层、中层和下层）的SPAD平均值存在显著差异（P < 0.001）（表7）。在拔节期和抽穗期，上层和中层之间没有显著差异，而在灌浆期，上层、中层和下层之间存在显著差异（上层：46.92；中层：42.73；下层：34.01）。
总体而言，
UAV CCO摄影
低成本的天底摄影，包括RGB和多光谱成像，已被广泛用于监测作物生长状况（Wu等人，2022年）。然而，缺乏侧视图和底视图图像往往导致点云质量较低。此外，由于作物冠层内生理特性的垂直梯度，仅依赖天底摄影的遥感方法在全面描述冠层结构和功能方面存在局限性。
结论
本研究采用基于UAV的CCO摄影结合SFM-MVS方法对冬小麦冠层的三维结构进行了建模。通过整合机器学习算法和SHAP理论，开发出了冬小麦SPAD的垂直分布模型，并评估了不同特征变量对模型的贡献。主要结论如下：
- (1)
基于UAV的CCO摄影为绘制SPAD垂直分布提供了可靠的工具，特别是
作者贡献声明
杨旭：撰写——原始草稿、软件开发、方法论设计、数据整理、概念构思。
顾晓波：撰写——审稿与编辑、可视化处理、验证、项目管理、资金筹集、概念构思。
程志凯：验证、方法论设计、数据分析。
杜亚丹：撰写——审稿与编辑、方法论设计、数据分析、资金筹集。
李鹏林：方法论设计、数据分析。
魏春宇：方法论设计、数据分析。
赵同同：方法论设计。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。
致谢
本研究得到了中国国家重点研发计划（2021YFD1900700）、国家自然科学基金（52479049和51909221）、陕西省重点研发计划（2023-YBNY-040和2024NC-ZDCYL-02-08）的共同支持。
