基于无人机光谱与纹理特征融合的棉花地上生物量估算 Guldana Sarsen, Qiuxiang Tang, Yabin Li, Longlong Bao, Yuhang Xu, Guangyun Sun, Jianwen Wu, Yierxiati Abulaiti, Qingqing Lv, Tao Lin + 另有5位作者

《Agronomy》：Estimation of Cotton Above-Ground Biomass Based on Fusion of UAV Spectral and Texture Features Guldana Sarsen, Qiuxiang Tang, Yabin Li, Longlong Bao, Yuhang Xu, Guangyun Sun, Jianwen Wu, Yierxiati Abulaiti, Qingqing Lv and Tao Lin + 5 authors

　　

棉花地上生物量（Above-Ground Biomass, AGB）是评估作物生长状况与产量潜力的关键指标。传统监测方法依赖人工采样，具有耗时耗力、破坏性强的特点，限制了其在精准农业中的应用。本研究通过融合无人机（UAV）多光谱与RGB影像提取的光谱与纹理特征，构建了高精度、非破坏性的棉花AGB估算模型。研究人员于2024年主要生育期采集了无人机数据，提取了8种植被指数（Vegetation Indices, VIs）和8种纹理特征（Texture Features, TFs）。利用支持向量回归（SVR）、随机森林回归（RFR）、偏最小二乘回归（PLSR）和极限梯度提升（XGB）四种机器学习算法，结合独立验证数据进行评估。结果表明，基于光谱与纹理特征融合的模型性能优于单一特征模型。其中，随机森林回归（RFR）表现最佳（R2= 0.811；RMSE = 2.931 t ha?1）。仅纹理特征也显示出较强的预测能力（R2= 0.789），突显了其在捕捉冠层结构信息方面的价值。这些结果证实，光谱-纹理融合显著提升了棉花AGB估算精度，且RFR为基于无人机的作物监测提供了稳健的建模框架。

棉花地上生物量无人机遥感估算研究解读

研究背景与立项依据

棉花地上生物量（Above-Ground Biomass, AGB）是评价棉花长势、估算产量潜力及养分吸收的核心指标，与氮素积累显著正相关。随着精准农业的发展，传统依赖地面人工破坏性采样的AGB监测方法因耗时耗力、难以捕捉田间空间异质性且无法动态监测，已无法满足大规模农业生产的需求。尽管无人机（UAV）遥感技术凭借高时空分辨率与非破坏性优势在作物监测中展现出巨大潜力，但现有研究多局限于单一传感器数据源。这种方法易受光谱饱和效应影响，即在冠层郁闭度高时植被指数对生物量增加不敏感，且忽视了不同传感器间的互补信息，导致高覆盖度下AGB估算存在偏差。此外，多数研究仅关注单一生育期，缺乏对棉花全生育周期动态变化的系统性分析。因此，本研究旨在开发一种融合无人机多光谱与RGB影像的光谱与纹理特征的高精度棉花AGB估算模型。

该研究由Guldana Sarsen、Qiuxiang Tang、Yabin Li等学者合作完成，发表于农学领域期刊《Agronomy》。

关键技术方法概述

研究人员在新疆农业科学院棉花研究所试验基地设计了二因素裂区试验，设置5个灌溉水平（基于作物需水量CWR：40%至100%）和4个施氮水平（0至450 kg ha^?1）。利用搭载MicaSense RedEdge MX Dual多光谱相机和Zenmuse XT2 RGB相机的DJI M210 RTK V2无人机平台，在2024年 squaring、flowering、boll、boll-opening 四个关键生育期进行飞行作业，飞行高度30 m。数据处理方面，采用Pix4Dmapper进行影像拼接与辐射校正，ArcGIS进行几何配准与掩膜提取。特征提取阶段，利用ENVI软件从多光谱影像中提取8种广泛使用的植被指数（VIs），并将RGB正射影像转为灰度图后，基于灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）提取8种纹理特征（TFs）。最后，采用支持向量回归（SVR）、随机森林回归（RFR）、偏最小二乘回归（PLSR）和极限梯度提升（XGB）四种机器学习算法构建并验证估算模型。

研究结果

1. 引言

研究人员指出，传统AGB测量方法的低效性与破坏性催生了对无人机遥感技术的需求。然而，单一传感器数据存在光谱饱和及忽略冠层结构信息的问题。本研究假设光谱信息反映生理生化特征，纹理特征表征冠层空间结构异质性，二者融合可互补优势，缓解光谱饱和与冠层重叠干扰，从而提高监测精度。

2. 材料与方法

2.1. 研究区域

试验于2024年在新疆塔里木盆地北缘的棉花研究所试验基地进行，该地区属典型干旱大陆性气候，光照充足，依赖灌溉。

2.2. 实验设计

采用二因素裂区设计，主区为灌溉处理，副区为施氮处理。共包含20个处理组合，每个处理4次重复，小区面积47.6 m²。

2.3. 数据采集

2.3.1. 地面测量

在上述四个生育期，每小区选取三株代表性棉花进行破坏性采样，经杀青、烘干至恒重后测定干物质重量，计算单位面积AGB（t ha^?1）。最终获得240个观测样本，按7:3划分为训练集（168个）和验证集（72个）。

2.3.2. 光谱影像数据采集

利用DJI M210 RTK V2无人机搭载多光谱与RGB相机，在晴朗无云条件下采集冠层影像，地面采样距离（GSD）分别为约2.1 cm/像素和1.2 cm/像素。

2.3.3. 光谱影像预处理

使用Pix4Dmapper进行辐射定标与拼接，利用校准板将原始数字值（DN）转换为地表反射率。RGB影像仅进行畸变矫正与色彩平衡。

2.4. 特征提取

2.4.1. 植被指数提取

基于文献综述，选取了8种广泛用于作物生物量监测的植被指数作为特征变量。

2.4.2. 纹理特征提取

将RGB影像转为灰度图，应用GLCM量化像素灰度值的空间关系，提取了均值（Mean, MEA）、同质性（Homogeneity, HOM）、方差（Variance, VAR）、熵（Entropy, ENT）、二阶矩（Second Moment, SEC）、对比度（Contrast, CON）、 dissimilarity（DIS）和相关性（Correlation, COR）共8种纹理特征。

3. 结果与讨论

研究人员通过对不同特征组合与算法模型的比较发现，融合光谱与纹理特征的模型在所有算法中均表现出优于单一特征的性能。具体而言，随机森林回归（RFR）在处理融合特征时取得了最佳的验证精度（R²= 0.811; RMSE = 2.931 t ha^?1），证明了其在处理高维非线性数据方面的鲁棒性。值得注意的是，仅使用纹理特征构建的模型也展现了强劲的预测能力（R²= 0.789），这一发现强调了纹理特征在捕捉棉花冠层三维结构与空间异质性方面的独特价值，有效弥补了光谱数据在高生物量阶段易饱和的缺陷。

结论

本研究成功构建了一种基于无人机多源数据融合的棉花地上生物量估算模型。主要结论如下：首先，光谱特征与纹理特征的融合策略能够显著提升棉花AGB的估算精度与稳定性，有效克服了单一数据源的局限性。其次，在所评估的四种机器学习算法中，随机森林回归（RFR）表现最为优异，为本研究提供了最可靠的建模框架。最后，研究证实了纹理特征不仅是光谱信息的有效补充，其本身也蕴含了丰富的冠层结构信息，对于实现大范围、非破坏性的棉花生长精准监测具有重要的理论与实践意义。