《Computers and Electronics in Agriculture》：Improving rice leaf area index monitoring accuracy via robot-integrated multi-sensors and meteorological data fusion with explainable machine learning
编辑推荐：
精准非破坏性监测水稻叶面积指数（LAI）对产量预测至关重要。本研究开发基于phenotyping机器人的多源数据融合方法，集成高分辨率RGB影像提取的植被指数、颜色指数、纹理特征及冠层覆盖度，结合气象数据构建随机森林模型（R2=0.92，RMSE=0.302），通过SHAP分析揭示冠层覆盖度、NDVI和Clgreen为关键因子，其协同作用有效缓解高LAI阶段饱和效应及土壤背景干扰。该框架为田间表型组学及智慧农业提供技术支撑。
苗苏|罗少阳|云雅泽|丁冰|王海龙|周向明|朱燕|姚霞|曹卫星|周东
国家农业信息技术工程技术中心，作物系统分析与决策关键实验室（农业农村部），智能农业工程研究中心（教育部），江苏省农业信息技术重点实验室，江苏省现代作物生产协同创新中心，南京农业大学，南京210095，中国
摘要
准确且无损地估算水稻叶面积指数（LAI）对于作物生长评估和产量预测至关重要。通常使用近距离、非接触式的光学方法进行LAI监测。然而，这些方法的准确性往往受到平台限制，且大多数方法依赖于单一数据源，容易受到饱和效应和背景干扰的影响。为了克服这些限制，本研究开发了一种基于表型识别机器人的多源高分辨率数据融合方法，用于田间规模的LAI监测。使用配备多光谱和高分辨率RGB相机的表型识别机器人收集植被指数、颜色指数、纹理特征以及从高分辨率RGB图像中提取的冠层覆盖度信息。这些特征进一步与气象变量结合，构建了机器学习模型。随机森林模型取得了最佳性能（R2 = 0.92，RMSE = 0.302）。通过SHAP（Shapley加性解释）方法对模型进行解释，并量化了多光谱特征、RGB衍生的纹理信息、冠层覆盖度和气象因素的重要性。研究表明，冠层覆盖度、NDVI和Clgreen是提高模型性能的关键因素，冠层覆盖度与其他特征之间的互补机制可以缓解高LAI阶段的饱和效应。结果表明，将机器人的高分辨率遥感数据与气象数据结合使用，可以有效减轻LAI估算中的饱和效应和土壤背景干扰，显著提高LAI估算的准确性。本研究为田间表型分析提供了一个实用且可扩展的框架，并为精准水稻种植和智能农业提供了技术支持。
引言
水稻是世界主要作物之一，确保水稻产量对于保障粮食安全至关重要（Ge等人，2025年；黄和邹，2018年）。水稻的叶面积指数（LAI）是其生长状况的关键指标。LAI定义为单位土壤面积上的植物叶片面积，在水稻生长、光合作用和产量形成中起着重要作用（刘等人，2012年；李等人，2023年）。传统的LAI调查方法通常依赖人工测量，这些方法劳动强度高、耗时较长，并且容易产生较大的随机误差。光学遥感技术能够低成本地获取高时空分辨率的作物冠层图像及其光谱反射率信息（陈等人，2025年），从而实现了无损的作物监测，使其得到广泛应用。由于植物中色素和化学成分的光谱吸收和反射特性，冠层光谱方法可以用于监测LAI。邵等人（2023年）利用无人机拍摄的去雄穗多光谱图像有效监测了玉米的LAI，获得了0.816的R2值。李等人（2021年）将RGB图像与卷积神经网络结合，监测小麦的LAI，获得了0.82的R2值。
然而，单一数据源在LAI监测中存在局限性，如植被饱和效应和背景光谱干扰，这些因素直接影响监测准确性。通过融合来自不同平台和传感器系统的多源数据流，可以显著提高作物遥感监测的精度。刘等人（2024年）证明，近红外荧光传感器获取的多源数据可以提高不同生长阶段冬小麦氮营养状态的预测精度。将气象数据与遥感数据结合使用也有助于提高作物生长状况的监测精度。江等人（2025年）利用无人机多光谱数据与气象数据相结合，显著提高了茶叶干物质和氮积累的监测精度。此外，冠层覆盖度（COV，即作物冠层的垂直投影面积与地面面积之比）也是提高LAI监测精度的关键指标。乔等人（2022年）通过融合无人机多光谱图像中提取的冠层高度、冠层覆盖度和冠层体积以及两个植被指数，提高了玉米LAI监测的精度。此外，冠层覆盖度与LAI之间存在直接相关性：从RGB图像中提取的冠层覆盖度与LAI之间的拟合关系达到了0.89（蔡等人，2020年）。然而，在作物生长过程中，冠层覆盖度容易受到饱和效应的影响，土壤背景干扰会导致作物生长参数的反演出现较大误差，这是准确反演水稻LAI的核心挑战。现有研究表明，光谱信息（植被指数或反射率）在高冠层覆盖度时容易饱和，将光谱信息与图像纹理特征融合可以在一定程度上缓解这种饱和问题（岑等人，2019年；万等人，2018年；麦麦提江等人，2017年）。因此，将冠层覆盖度与多源数据（如冠层光谱数据和气象因素）融合，可以有效缓解上述问题，提高水稻LAI监测的准确性。
虽然无人机为LAI监测提供了快速便捷的方法，但其RGB传感器获取的图像质量相对较低，常常影响冠层覆盖度估算的准确性（金等人，2017年；车等人，2023年）。相比之下，表型识别机器人拍摄的RGB图像具有较高的空间分辨率，能够准确提取冠层覆盖度，这是表型识别机器人平台的一个主要优势。基于地面的表型识别监测机器人是重要的高通量表型分析平台（徐和李，2022年）。它们可以携带多个表型信息传感器，在近地面水平收集高分辨率数据，并在与自主导航系统集成时实现更高的智能性和自主性。范等人（2022年）利用装有RGB-D相机的超窄轮式机器人平台，提出了一种方法，利用卷积神经网络基于点云数据集准确识别玉米茎秆并计算玉米种植行的茎秆直径。苏等人（2025a）通过融合表型识别机器人上安装的多光谱和RGB相机捕获的多源数据，有效监测了水稻的SPAD值。尽管利用表型识别机器人平台进行多传感器数据采集具有很高的潜力，但关于其用于精确LAI估算的报告仍然较少。此外，开发能够有效整合表型识别机器人产生的丰富多源数据与影响LAI监测精度关键指标（如气象因素和冠层覆盖度）的算法仍是一个重要的技术挑战，这阻碍了表型识别机器人在LAI分析中的应用。
为了通过减轻饱和效应和土壤背景干扰来实现高精度、无损且快速的LAI监测，本研究主要探讨和评估了基于表型识别机器人的多源数据融合在LAI监测中的应用潜力和技术方法。首先，研究证实了融合表型识别机器人使用多光谱和RGB相机同时提取的植被指数、颜色指数和纹理特征等多源数据，能够支持高精度的LAI监测。其次，将高分辨率近地面RGB图像得到的冠层覆盖度与气象数据和其他多源数据结合使用，可以有效缓解饱和效应和土壤背景干扰，从而提高LAI监测的准确性。第三，利用可解释工具SHAP（Shapley加性解释）定量分析了融合5种特征类型的最优机器学习模型，明确了影响作物LAI估算的关键特征的交互机制，并揭示了它们融合如何共同提高估算精度。
材料与方法
2024年和2025年，在两个生态地点进行了水稻田实验。使用配备多光谱相机和RGB相机的表型识别机器人收集了水稻的多光谱图像和RGB照片，同时获取了气象数据和水稻LAI测量值。通过分析多光谱图像获得了植被指数。同时，通过处理高分辨率图像得到了颜色指数、纹理特征和冠层覆盖度信息。
LAI的统计分析
实验共获得了264个LAI样本数据点，范围从0.693到6.688。水稻LAI的最大值出现在灌浆期，总体变异系数（CV）为0.385，涵盖了水稻LAI的整个生长周期。抽穗期的LAI范围为0.693到3.373，CV为0.337。抽穗期的LAI范围为1.628到6.515，CV为0.28。灌浆期的LAI范围为1.697到6.688。
基于表型识别机器人的多源信息融合对LAI监测精度的提升作用
基于表型识别机器人平台，同步获取多光谱和RGB图像以提取包括VI、CI和纹理特征在内的多维信息。同时，使用高分辨率近地面RGB图像准确提取冠层覆盖度，并将其与气象因素结合，从而实现高精度的LAI监测。作为反映植被冠层结构的核心指标，LAI与植被信息形成了互补关系。
结论
准确且无损的水稻LAI监测对于水稻种植和管理至关重要。单一数据源在LAI监测中存在固有局限性，尤其是植被指数饱和和土壤背景光谱干扰会降低估算精度。为了解决这些问题并实现高精度的LAI监测，从表型识别机器人平台的多光谱和RGB图像中提取了植被指数、颜色指数、纹理特征和冠层覆盖度等信息。
写作过程中生成式AI和AI辅助技术的声明
在数据解释、结论形成或科学推理过程中未使用任何AI辅助技术。AI工具仅用于优化英文表达。
CRediT作者贡献声明
苗苏：写作——审稿与编辑，撰写初稿，可视化，验证，方法论，资金获取，概念构思。罗少阳：写作——审稿与编辑，撰写初稿，可视化，验证，方法论，资金获取，概念构思。云雅泽：写作——审稿与编辑，软件开发，数据整理。丁冰：撰写初稿，监督，正式分析。王海龙：软件开发，数据整理。周向明：
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本研究部分得到了中国国家重点研发计划（项目编号2021YFD2000101）的支持；部分得到了江苏省自然科学基金（项目编号BK20241544）的支持；部分得到了江苏省研究生研究与实践创新计划（项目编号KYCX25_0974）的支持。
