基于无人机LiDAR与高光谱数据融合的工业大麻地上与地下碳计量新方法

《Smart Agricultural Technology》：A novel approach to estimate total carbon accounting for below and above-ground carbon content of industrial hemp with UAV LiDAR and hyperspectral data fusion

为应对气候变化背景下准确估算作物碳储量的挑战，圣路易斯大学等机构的研究人员开展了一项主题为“利用无人机LiDAR与高光谱数据融合估算工业大麻总碳含量”的研究。他们通过融合结构与生化特征数据，构建了知识蒸馏模型，实现了对地上与地下生物量的高精度预测（AGB与BGB模型R2分别达0.915与0.926），并绘制了总植物碳（TPC）空间分布图。该研究提供了一种更全面、非破坏性的农业碳汇评估新范式，对推动遥感技术在精准农业和碳循环研究中的应用具有重要意义。

　　

气候变化已成为全球性的严峻挑战，而植物通过光合作用固存大气中的二氧化碳（CO₂）是缓解这一挑战的重要自然途径。工业大麻（Cannabis sativaL.），作为一种生长迅速、生物量高且用途广泛的经济作物，展现出巨大的碳汇潜力，据估计每年每公顷可固存高达22吨的CO₂。然而，要准确评估其真实的碳贡献，一个核心难题横亘在科学家面前：如何高效、无创地同时估算植物地上部分与藏匿于地下的根系所含的碳量。传统的破坏性取样方法虽然准确，但耗时耗力，且难以在大尺度上应用。尽管无人机（UAV）遥感技术，如激光雷达（LiDAR）和高光谱成像，已在估算森林等生态系统地上生物量方面取得显著进展，但对于农业作物，特别是其地下生物量（BGB）的精确遥感估算，始终是一个被忽视的“黑箱”。以往的研究往往只关注地上生物量（AGB），或使用简单的比例关系推测BGB，这导致对总植物碳（TPC）的估算存在系统性偏差，无法全面反映作物在不同基因型、管理措施和环境条件下的碳固定能力。为了破解这一难题，一个由Ashutosh Pawar、Vasit Sagan等研究人员组成的国际团队，在《Smart Agricultural Technology》上发表了一项开创性研究，他们提出了一种融合无人机LiDAR与高光谱数据的新方法，旨在实现对工业大麻AGB与BGB的协同精确估算，从而绘制出更可靠的TPC分布图。

为开展研究，研究人员主要运用了以下几个关键技术方法：首先，他们利用配备RIEGL miniVUX-3UAV传感器的无人机获取了高精度LiDAR点云数据，用于提取表征冠层结构的系列高度指标（如H_max、H_mean等）。其次，利用配备NanoHyperspec相机的无人机采集了可见光-近红外（VNIR）波段的高光谱影像，并通过主成分分析（PCA）筛选出关键生理生化特征波段。第三，在位于美国密苏里州的三个试验田（林肯大学的LU Trial 1、Trial 2和丹佛斯植物科学中心的North Field 8）进行了系统的实地破坏性采样，精确测量了AGB和BGB的干重，并进行了实验室元素分析以获得生物量到碳的转换因子（%C）。第四，他们构建并比较了三种统计机器学习模型（随机森林RFR、偏最小二乘回归PLSR、支持向量回归SVR）和一种基于教师-学生范式的知识蒸馏框架，用于从融合的遥感特征中预测AGB和BGB。最后，通过不确定性传播分析，量化了AGB/BGB预测误差和碳转换因子变异对最终TPC估算的总影响。

3.1. UAV-based LiDAR and hyperspectral fusion for hemp biomass estimation

研究结果显示，对于AGB的估算，单纯使用LiDAR结构特征时，模型表现一般且易过拟合（如RFR测试R²仅为0.538）。但当融合LiDAR和高光谱数据后，所有模型的性能均得到显著提升，其中SVR模型表现最佳，测试R²达到0.817。而采用知识蒸馏框架后，学生模型在AGB预测上取得了更优异的成绩，测试R²高达0.915，RMSE降至0.495 kg/plot，表明该方法能有效实现跨时间点的稳健预测，捕捉植物生长的动态过程。

3.2. Remote sensing-based estimation of below-ground biomass

对于更具挑战性的BGB估算，仅使用高光谱生理特征时，RFR模型取得了0.718的测试R²。然而，融合LiDAR的形态学特征后，SVR模型性能大幅跃升，测试R²达到0.869。同样，知识蒸馏框架的学生模型在BGB预测上展现了卓越的能力，测试R²为0.926，RMSE低至0.090 kg/plot。这表明，结合冠层结构信息和生理状态信号，能够有效揭示与地下根系生物量相关的复杂关系。

3.3. Benchmark comparisons against classical baseline models

为了评估新方法的优越性，研究团队将其与多种经典基线模型进行了比较。结果表明，仅使用单一LiDAR最大高度（H_max）或宽波段植被指数（如NDVI）的线性模型，其预测精度（AGB R²约0.683，BGB R²约0.505）远低于本研究提出的融合方法。即使将高度和NDVI进行简单线性融合，提升也有限。这证明了所提出的多传感器数据融合与先进机器学习框架的必要性和有效性。

3.4. Integrated estimation of total plant carbon

基于最优的学生模型预测的AGB和BGB，并结合实验室测定的碳转换因子，研究成功绘制了各试验田的TPC空间分布图。结果显示，不同田块和基因型间的TPC存在显著差异，在LU试验田，单个样方（plot）的最大TPC可达6.176 kg。这直观地揭示了碳储量的空间异质性，为针对性管理和选育高碳汇品种提供了数据支持。

3.5. Uncertainty propagation and dominant error sources in TPC

不确定性分析表明，TPC估算的总不确定性主要来源于AGB的预测误差，其贡献度约占80%。这是因为AGB的绝对数值和变化范围远大于BGB。碳转换因子本身的变异对总不确定性的贡献相对较小（0.6%-4.0%），但在预测误差被知识蒸馏框架大幅降低后，其相对重要性会有所增加。这一分析明确了未来进一步提高TPC估算精度的关键方向在于优化AGB的遥感反演模型。

该研究的主要结论和创新意义在于，它成功开发并验证了一种利用无人机多模态遥感数据（LiDAR+高光谱）协同估算工业大麻地上与地下生物量的创新方法。通过引入知识蒸馏框架，模型不仅实现了高精度预测（AGB和BGB的R²均超过0.9），还具备了良好的时间泛化能力。这项工作首次在作物尺度上，将遥感碳计量从传统的“只看地上”推进到“兼顾地下”，实现了对总植物碳（TPC）更为全面和准确的评估。研究绘制的TPC空间分布图，能够清晰展示碳储量的田间变异，这对于指导精准农业实践、优化作物管理以最大化碳汇效益、以及评估不同基因型在气候变化下的适应性具有重要意义。该方法为农业生态系统的碳循环研究、碳汇交易市场的监测、报告与核查（MRV）提供了一种高效、可扩展的技术工具，标志着无人机遥感在农业碳核算领域向更深、更广维度迈出了关键一步。