《Smart Agricultural Technology》：Tree-Based Machine Learning Models to Predict Maize Growth, Nitrogen Uptake, and Yield using UAV Remote Sensing
编辑推荐：
为克服传统植被指数方法在预测作物生长和产量时精度不足的问题，本研究评估了支持向量机(SVM)、随机森林(RF)和极端梯度提升(XGBoost)三种机器学习算法结合无人机多光谱影像预测玉米叶面积指数(LAI)、叶绿素含量(SPAD)、地上生物量(AGB)、株高、氮素吸收量和籽粒产量的性能。研究表明，机器学习模型在预测多数表型参数时均优于逐步多元线性回归(SMLR)，为无损、高通量表型分析和精准氮管理提供了稳健框架。
玉米（Zea mays L.）是全球种植最广泛的谷物之一，也是氮肥的最大消耗者。氮是决定作物生长和生产力的关键元素，但施入农田的氮肥有很大一部分会通过淋溶、径流、氨挥发等方式损失，不仅造成资源浪费，还带来严重的环境污染。因此，精确监测作物氮素状况、实现精准施肥，对于提高产量、保障粮食安全和保护环境都至关重要。传统上，卫星遥感被用于大范围的农业监测，但其空间分辨率粗糙、时间分辨率低且易受云层干扰，难以满足田块尺度的精细化管理需求。近年来，搭载传感器的无人机系统因具备灵活调度、超高空间分辨率等优势，在农业遥感应用中迅速普及。然而，基于无人机影像的传统分析方法，如单一植被指数回归，常常因“指数饱和”等问题，难以准确捕捉作物生长的复杂性，尤其是在预测叶绿素含量、氮素吸收等关键生理参数时表现不佳。机器学习方法能够处理多个预测因子之间的非线性关系和相互作用，为解决这一问题带来了新希望。但是，机器学习模型在农业应用，特别是利用无人机多光谱数据预测玉米氮素吸收方面的表现，仍需深入评估。为此，研究团队在《Smart Agricultural Technology》上发表了一项研究，旨在探究机器学习模型在整合无人机多光谱数据以预测玉米生长、氮吸收和产量方面的潜力。
本研究主要运用了以下关键技术方法：在美国德克萨斯州College Station附近的研究农场开展了为期两年（2021和2022年）的田间试验，设置了包含不同施氮量（0至240 kg ha-1）和施用时期（播种、V6叶期、R1丝穗期）的10个处理。利用配备五波段（蓝、绿、红、红边、近红外）多光谱相机的无人机，在多个关键生长阶段（V6、V14、R1、R2、R5）采集冠层影像。通过地面实测同步获取了叶面积指数(LAI)、相对叶绿素含量(SPAD)、株高、地上生物量(AGB)、植株氮吸收量和成熟期籽粒产量等数据。基于影像提取的光谱反射率和8个常用植被指数，研究人员构建并比较了三种机器学习模型（支持向量机SVM、随机森林RF、极端梯度提升XGBoost）与逐步多元线性回归(SMLR)在预测上述玉米表型和生理参数方面的性能。
3.1. 表型变量、反射波段和植被指数之间的相关性
分析表明，所有表型变量（LAI、SPAD、AGB、株高、氮吸收）均与近红外(NIR)反射率呈强正相关，与可见光波段（红、绿、蓝）反射率呈负相关。植被指数与植物参数的相关性普遍强于单一光谱波段，例如LAI与叶绿素指数绿波段(CIg)相关性最强(r=0.76)。这凸显了结合多种光谱信息能更好地表征冠层结构。
3.2. 机器学习模型性能
- •
叶面积指数(LAI)预测：所有三种机器学习模型（SVM、RF、XGBoost）在预测LAI时均优于SMLR。SVM、RF和XGBoost表现出可比的性能，验证集R2在0.82至0.83之间。
- •
叶绿素含量(SPAD)预测：SMLR预测SPAD表现不佳。SVM验证集R2为0.73，优于RF(验证R2 0.73)和XGBoost(验证R2 0.54)，后两者在训练中表现出过拟合迹象。
- •
地上生物量(AGB)预测：所有机器学习模型均优于SMLR。SVM、RF和XGBoost性能相当，验证R2在0.86至0.92之间，但XGBoost存在一定过拟合。
- •
氮吸收预测：机器学习模型显著优于SMLR。SVM验证R2最高(0.80)，RF和XGBoost分别为0.77和0.68，XGBoost再次表现出过拟合。
- •
株高预测：所有模型表现优异，验证R2均超过0.87，机器学习模型略优于SMLR，其中XGBoost表现最佳(验证R2 0.97)。
3.3. 随机森林模型中的重要预测因子
通过沙普利加和解释(SHAP)值分析随机森林模型中各预测因子的重要性发现：对于LAI，叶绿素指数绿波段(CIg)和绿度归一化差异植被指数(GNDVI)最为重要；对于SPAD和氮吸收，红边相关的指数和反射率是最有影响力的预测因子；对于AGB，近红外反射率贡献最大；对于株高，蓝光反射率显示出主要的负贡献。
3.4. 不同生长阶段玉米籽粒产量预测的模型性能
生长阶段显著影响产量预测精度。在V6营养生长早期，SMLR的预测准确性(R2=0.83)甚至优于SVM和RF。然而，在生殖生长阶段(R2和R5)，所有模型的预测准确性均大幅提高，且机器学习模型普遍优于SMLR。特别是在R5阶段，XGBoost取得了最高的验证准确率(R2=0.98)。这表明利用生殖生长阶段的影像进行产量预测最为可靠。
本研究通过整合无人机多光谱遥感与机器学习算法，成功构建了高精度的玉米关键表型参数和产量预测模型。总体而言，支持向量机(SVM)、随机森林(RF)和极端梯度提升(XGBoost)三种机器学习模型在预测叶面积指数(LAI)、地上生物量(AGB)、株高、氮素吸收和生殖期产量方面，均显著优于传统的逐步多元线性回归(SMLR)。这证实了机器学习在处理多光谱数据复杂非线性关系方面的优势。研究也揭示了一些重要细节：例如，在预测易变的叶绿素含量(SPAD)时，SVM相比树模型(RF和XGBoost)表现出更好的泛化能力，后者更易过拟合；而在预测株高和生殖期产量时，XGBoost等树模型能达到近乎完美的拟合。此外，研究明确了预测的最佳时机——利用生殖生长阶段（特别是R5期）的影像进行产量预测准确性最高。通过SHAP值分析，研究还明确了不同表型参数的关键光谱驱动因子，如红边相关指数对叶绿素和氮吸收预测至关重要，这增强了模型的可解释性。这些结论具有重要意义。该研究为利用低成本、可频繁获取的无人机遥感数据进行无损、高通量的作物表型分析提供了坚实的方法学框架。所开发的模型能够实时、准确地监测玉米生长状况和氮素营养水平，从而为精准氮肥管理提供决策支持。这有助于农民在最佳时机施用适量氮肥，减少因过量施肥造成的经济损失和环境污染，同时保障作物产量，对于推动智慧农业和可持续农业发展具有重要的实践价值。尽管该研究在单一地点进行，其方法框架具有可扩展性，未来通过纳入更多环境和管理变量的多地点验证，有望进一步提升模型的普适性和实用性。
