从试验田到商业种植领域：利用来自无人机和PlanetScope时间序列的功能性生长指标，实现可扩展、可转移的棉花形态与生产力估算方法

《Plant Phenomics》：From plots to commercial fields: scalable, transferable cotton morphology and productivity estimation using functional growth proxies from UAV and PlanetScope time series

　　弗朗西斯卡·德沃托 | 迈克尔·班格 | 卡洛斯·卡米诺 | 威廉·伍德盖特 | 斯科特·查普曼 | 安德烈斯·波特吉特
昆士兰农业与食品创新联盟，昆士兰大学，布里斯班，澳大利亚

**摘要**
产品需求和气候变化的增加，使得实时、可扩展的作物监测变得愈发重要，以支持品种选择和生长季节中的投入优化。然而，除了点尺度田间调查外，生产者对棉花健康状况和表现的时间和空间变化仍知之甚少。此外，鉴于棉花具有高度的表型可塑性，近乎实时的指标对于提高投入效率并加强澳大利亚棉花产业的长期可持续性至关重要。因此，我们提出了一个功能集成预测传感框架，用于估计和预测大范围地块（12米×6米）内棉株的形态（如高度）和生产力特征（如干物质和 lint 产量）。通过将该框架应用于商业田块的棉花产量估计和绘制，验证了其可扩展性。为此，我们分析了来自两个平台（无人机（UAV）和 PlanetScope（PS）的高分辨率多光谱图像的准确性，这些数据是在两个棉花生长季节中对144个地块进行采集的。这些试验设置了不同的氮肥施用量、遮荫条件和两种生长调节剂剂量，从而创造了多变的环境。传感器数据分别于2022/23年度采集一次（像素大小为1.3–1.6厘米），以及2023/24年度采集八次（PS合成图像的像素大小为3米），提供了近乎实时的数据覆盖。利用 Savitzky–Golay 平滑算法填补了时间序列中的空白，从而可以提取生长动态指标（GDMs），包括单日（SD；例如，峰值冠层高度）和多日（MD；例如，日均生长率）指标。在减少共线性和维度后，使用随机森林（RF）、支持向量回归（SVR）和高斯过程回归（GPR）进行了训练，并通过 SHAP 分析了各特征对预测的贡献。基于无人机的单日模型（SD_UAV）在高度（R2 = 0.77）、生物量（R2 = 0.73）和产量（R2 = 0.81）方面取得了较高的准确性。结合无人机时间序列数据（MD_UAV）后，模型在高度、生物量和产量方面的性能进一步提高至 R2 = 0.87、0.86 和 0.85。使用高分辨率卫星数据（MD_PS）应用于不同种植系统时，模型在预测棉花产量方面的准确度达到了显著水平（R2 = 0.67），从而实现了田块范围内的详细空间预测。预计所提出的功能传感框架将提升关键棉花生产特征的估计精度，支持田间及田块内的决策制定，最终有助于澳大利亚棉花生产的韧性和可持续性。

**1. 引言**
棉花（Gossypium spp.）是一种多年生灌木，在80多个国家的热带和亚热带地区作为一年生作物栽培，中国、印度和美国是主要生产国[1]。尽管澳大利亚的棉花产量仅占全球总量的3–5%，但其品质、环境管理和创新得到了国际认可[2]。这一声誉得到了包括 myBMP 计划在内的强大研究框架的支持，并由行业愿景 2029 引领[3]。然而，气候变化、水资源短缺、土壤退化和生物多样性丧失继续威胁着棉花生产的可持续性和效率。应对这些挑战需要改进用于监测作物健康的工具，特别是能够近乎实时地关注高度（冠层形态）和产量（如生物量和产量）等特征。因此，了解作物状况和投入响应性对于做出更明智的农艺管理决策至关重要。

以往关于棉花的研究表明，监测特定作物特征（如主茎节点数、高度和叶面积指数（LAI）可以为冠层生长动态提供关键见解，从而支持投入优化并提高生产力[4, 5]。例如，开花前的良好营养生长对结铃至关重要[6]。资源限制会导致“掐尖”现象[7]，此时新的营养生长和生殖生长停止；而资源过剩则会导致“疯长”，使营养结构占比超过生殖结构[8]。这种表型可塑性导致在不同环境和管理措施下高度、生物量和产量存在显著差异。通常通过测量植物高度和节点数来反映环境条件和压力，因此高度与节点比（HNR）是一个有用的压力指标[9]。虽然节点发育主要由温度驱动，但压力通常会影响节间长度，使得植物高度比节点数更敏感。例如，灌溉延迟等压力会缩短节间长度，而不会显著影响节点形成[10]。此外，生物量是一个关键特征，整合了植物和冠层层面的物候和光合作用活动。然而，目前这些特征（如节点和果实数量、叶面积、生物量和高度）大多是在田块中的少数几个地点（2至3个）手动收集的。这种监测方式劳动密集，因此当样本数量较少时，难以考虑田块间的差异且存在偏差[11]。此外，与许多谷物作物不同，棉花的多年生特性使其对碳水化合物分配的干扰非常敏感[12]。这进一步复杂化了棉花的生长和生产监测。例如，热应激或虫害压力会导致大量掉铃，使资源偏向营养生长，延迟生殖发育，最终降低产量[13]。

遥感（RS）提供了可扩展、无破坏性的工具，可用于监测田间作物变异性（例如小麦的产量和生物量，R2 = 0.9[14]）、追踪物候（例如大麦和小麦[15]），并近乎实时地预测产量（例如小麦，R2 = 0.93[16]）。然而，由于棉花复杂的冠层结构、异步开花以及营养和生殖阶段的重叠，其特征估计仍然具有挑战性[17]。近期无人机（UAV）和高分辨率卫星平台的进步为手动收集的田间数据提供了有前景的替代方案。此外，这些平台提供了高空间、光谱和时间分辨率的图像，可用于监测和估计冠层健康和生产力特征。结合机器学习（ML），可以模拟复杂的非线性关系，RS 数据已被证明可用于预测田间尺度的形态、生化和生理特征[18]。基于 RGB 或多光谱传感器的无人机技术在地形测量中显示出了较高的潜力，可用于估计棉花的高度、冠层结构和生物量。通过数学结合光谱带，可以构建植被指数（VIs），这些指数已成为非侵入式探索植物特性的宝贵工具，可用于反映形态（包括近红外（NIR）光谱区域）和生化特征（涉及红边（RE）光谱区域）。传统指数如归一化差异植被指数（NDVI）已被广泛用于非破坏性和高频率地追踪作物的生物物理属性[4]。例如，NDVI 与棉花结构参数 LAI 和高度的相关性分别为 R2 = 0.87 和 0.96[4]。Pokhrel 和 Virk[20] 研究表明，棉花的 lint 产量主要由冠层截获的光线比例（IPAR）、辐射利用效率（RUE）和收获因素决定，强调了早期生长阶段冠层动态的重要性。然而，如 Adams 和 Ritchie[21] 所指出的，NDVI 在约为 0.8 的值时趋于饱和[22]，这通常对应于棉花的 LAI 约为 3[23]。

尽管取得了这些进展，大多数棉花 RS 研究仍依赖于在季节内少数几个关键日期（如开花、结铃前期）收集的有限数据，这限制了它们捕捉冠层生长时间动态的能力。因此，从上方估计冠层特征的准确性在生长季节中会有所变化，通常在营养生长和早期生殖阶段达到峰值[24]。因此，图像采集的时机至关重要，因为模型性能高度依赖于作物生长阶段[24]。最近的研究表明，结合时间特征可以提高特征估计的准确性。例如，da Silva 和 Andrea 与 de Oliveira Nascimento[25] 发现，在 ML 模型中加入出苗后天数（DAE）作为预测因子，可以提高基于 PlanetScope（PS）卫星图像的冠层高度估计精度。棉花的多年生生长特性及其对基因型与环境条件和管理措施相互作用（G × E × M）的敏感性使其特别适合使用时间序列方法来追踪生长模式[26]。因此，时间序列 RS 数据还能够重建生长轨迹，整合整个季节内环境和管理措施的综合影响。时间积分的植被指数与 lint 产量高度相关，表明它们作为光合能力和生物量代理指标的潜力[27]。因此，除了与生长季节特定时间点（如单日 SD，例如峰值冠层高度）相关的观测数据外，曲线拟合植被指数还可以提供生长指标（例如，在给定时间间隔内的变化率，即多日 MD），这些指标直接与产量相关[28]。这些曲线衍生特征，包括曲线下面积（AUC）和日均生长率（GR），已在其他作物中改善了产量预测，强调了它们在监测季节动态中的重要性[29, 30]。此外，植物发育是一个主要由热量积累驱动的生理过程，而非时间流逝[31]。因此，使用基于物候的传感指标和生长积温天数（GDD）而非 calendar 天数或播种后天数（DAS）来估计生长，有助于更好地表征温度驱动的过程，并支持跨地点的泛化[32]。提前了解作物生长特征（如植物高度、生物量积累、生长率和冠层覆盖率）为棉花农民提供了及时、基于数据的管理决策机会。产量潜力主要在生长季节早期通过果实的保留来确定，而后期生长阶段则主要通过结铃和纤维质量来保护这一潜力[33]。

本研究源于最近的一次行业研讨会，会上强调了需要更准确、无破坏性和可扩展的监测工具，以便在大面积生产区域提供及时的信息。因此，本研究的主要目的是确定是否可以利用基于多光谱 UAV 和 PS 图像重建的生长动态指标（GDMs），通过 GDD 来准确预测棉花的关键形态（如高度）和生产力（如地上生物量和 lint 产量）特征，提供一种实用的、适用于行业的框架。具体目标包括：
(i) 量化 UAV 多光谱 GDMs 与单日（SD）和多日（MD）时间段内棉花形态和生产力特征之间的关系；
(ii) 评估基于 UAV 的方法在预测大范围地块冠层高度和产量方面的可扩展性；
(iii) 验证所提出的功能传感框架在商业田块中预测产量方面的可扩展性和应用潜力。

**2. 材料与方法**
2.1. 研究地点
田间实验在澳大利亚昆士兰东南部的昆士兰大学加顿校区（152°19′54″ E, 27°34′1″ S）进行了两个连续的夏季生长季节（2022/23 和 2023/24）[34]。作为现有棉花管理试验的一部分，收集了作物特征（如冠层高度、干物质和产量）和传感数据（如多光谱 UAV 图像）[2.2 节有更多细节]。该地区属于亚热带气候，夏季平均气温在 19°C 至 32°C 之间，每月平均降雨量为 5 至 8 天[35]。土壤类型为黑色 Vertosol[36]，90 厘米深度土壤剖面中粘土含量约为 60%，具有深层裂隙和自覆盖特性，pH 值呈碱性（8.0–8.6），0–90 厘米土层中的总氮含量低于 0.17%，硝酸盐氮含量低于 3 mg kg-1。为了研究所提出框架的可扩展性，Cotton Seed Distributors Ltd.（CSD；行业合作伙伴）为 2024–25 季度提供了八个商业田块（30–60 公顷）。

**下载：**
- 下载高分辨率图像（467KB）
- 下载全尺寸图像

**图 1.**
(a) 澳大利亚各州边界（黑色）和主要棉花种植区（红色），来源 [37]。
(b) 2022/23（蓝色）和 2023/24（橙色）夏季棉花生长季节的月平均温度（折线图）和总平均降雨量（条形图），数据来源于昆士兰大学加顿校区 [38]。此外，垂直虚线（2022/23 年为蓝色，2023/24 年为红色）分别表示每个季节的播种日期（1 和 2），生物量收割日期（3-4）和收获日期（5-6）。**棉花冠层性状及商业田块变异性的实验数据设计**

本实验旨在通过单一基因型（Sicot 748B3F）评估在不同环境和管理条件下的冠层及产量响应。该品种于2015-2016年推出，因其具备优异的除草剂和杀虫特性（B3F；具有农达耐性的Bollgard 3）而受到种植者的青睐，包括对草甘膦、二甲四氯和草胺的耐受性[39]。播种时间分别为2022/23年的11月7日和2023/24年的12月7日，播种密度为每平方米13粒种子，以期达到每平方米10株植物的密度。每个试验包含144个小区（12米×6米；行间距1米；附录9.1，图7），分别设置三个和六个重复组。处理间的变异通过不同的氮（N）施用量和时间点、遮荫处理以及2022/23年度的高生长调节剂施用来引入。

共施用了八种氮肥剂量，范围从0到350公斤/公顷，间隔为50公斤/公顷。氮肥为尿素酶抑制剂（Green Urea NV? 46% N，Incitec Pivot Fertilisers，澳大利亚维多利亚州），施用方式有两种：一次性播种前施用或分次施用——2023年为播种前施用一半，第二次在开始结铃期（64 DAS；447 GDD）；2024年为开花期（69 DAS；700 GDD）。

使用能减少30%入射辐射的遮荫网来调节光合作用能量的可用性，并影响结铃数量和产量[40]。2022/23年度，遮荫网分别在第一次开花（79 DAS，572 GDD）至剪除遮荫网（136 DAS，1085 GDD）期间共设置了三次；2023/24年度则设置了两次，时间分别为815 GDD（81 DAS）至1066 GDD（110 DAS）。遮荫处理应用于施用0、50、150、250和350公斤氮/公顷的处理的小区中，其中2022/23年度采用一次性施用氮肥的方式，2023/24年度采用分次施用的方式。

为了限制生长并提高果实保留率，所有处理中均添加了氯化甲基喹啉酸（MQ）。测试了三种产量潜力方案：（1）标准MQ剂量，（2）三倍MQ剂量，（3）标准MQ剂量结合遮荫处理[41, 42]。在结铃期（72 DAS，514 GDD；30 ml L-1）和早期灌浆期（112 DAS，865 GDD；75 ml L-1）对所有处理施用了约105毫克/升的MQ；高剂量处理组还在第一次开花期（79 DAS，572 GDD；100 ml ha-1）和早期灌浆期（112 DAS，865 GDD；75 ml ha-1）进行了额外施用。棉花通过喷灌系统灌溉，每个生长季节提供345毫米的水量，浇水间隔为两到四周，从播种后两周开始直至成熟。杂草、病害和害虫的管理遵循标准农艺措施[43, 44]，脱叶工作根据《澳大利亚棉花生产手册》[45]进行。

商业验证田块涵盖了丰富的遗传（G）、环境（E）和管理（M）多样性：在同一和不同地点种植了多种品种，田块分布在昆士兰州南部的八个地点（相距约100公里），管理方式主要以供水方式不同为区别（六个为灌溉田块，两个为自然降雨田块）。这种G×E×M的组合创造了多样的生长条件。

## 2.3 观测性状与传感数据

### 2.3.1 形态学与生产性状
在施用0、50、150、250和350公斤氮/公顷的小区内，分别采集了第一季和第二季的70个和90个样区的冠层高度（米）和干物质（克/公顷）数据。采样时间分别为2023年3月22-23日（136 DAS；1085 GDD）和2024年4月11-12日（127 DAS；1187 GDD），即在作物脱叶前进行，以捕捉生物量的峰值状态（表1）。每个小区内采集2米2（2022/23年度）或1米2（2023/24年度）范围内的两行植物样本（附录9.1，图7）。在非遮荫小区中，样本来自距离小区边缘2米的第三和第五行；在遮荫小区中，研究区域（ROI）包括位于遮荫网内侧1米处的第三和第四行。2022/23年度还额外采集了每条2×1米剪切线两侧各四株棉花植物的样本，以评估植株生长参数（如植株高度、节数等）。2023/24年度的样本用于植株的详细测量，包括节数统计、平均植株高度、结铃数、营养枝和果枝数量以及总结铃率的记录。冠层高度用卷尺测量，并计算为每个小区的平均植株高度。随后将植物材料在60°C下烘干，以测定地上生物量碳含量（C%）、干物质（Mg/ha）、氮吸收量（kg/ha，通过生物量氮浓度与干物质的乘积计算）及氮浓度（N%）。烘干后的样品被称重并粉碎用于氮分析。最后，在2023年5月31日（203 DAS；1273 GDD）和2024年5月28日（137 DAS；1305 GDD）进行机械收割，收获第三和第四行的棉花。记录了籽棉产量和皮棉出丝率，从而可以计算出皮棉产量和籽棉中的氮含量。2024-25年度的八块商业田块的最终产量数据由CSD提供。

### 表1. 不同日期及生长积温（GDD）和物候阶段下，多个小区采集的形态学（如高度（米）和生产力（干物质（Mg/ha）及产量（kg/ha）性状

| 季节 | 变量 | 性状 |
| -------- | ------------ | ------------------ |
| 2022-2023 | n | 70 | 30 May |
| | DAS | 136 | |
| | GDD | 1085 | |
| | 2023-2024 | n | 90 | |
| | DAS | 11-12 April | |
| | 28 May | 127 | |
| | GDD | 1187 | |

### 2.3.2 无人机搭载的多光谱数据
2022/23年度，在冠层发育高峰期（28 February；113 DAS；883 GDD）进行了一次无人机飞行，使用的是MicaSense Altum相机。图像在固定高度30米处获取，多光谱波段的地面采样距离（GSD）为每像素1.34厘米，热波段的地面采样距离为每像素20厘米（表2）。

### 2.4 分析框架
为了预测棉花的形态学和生产性状，将田间棉花冠层观测数据与无人机和PlanetScope卫星平台的数据结合，具体步骤如图2所示：数据收集与预处理、指标提取、探索性分析、降维与共线性降低、建模与结果扩展。植物性状（如高度、干物质和籽棉产量）的实测值与无人机和卫星图像数据同时采集。

#### 下载：高清图像（513KB） | 下载：全尺寸图像

#### 图2. 从传感数据预测棉花性状的工作流程
将实测观测值（高度、干物质、产量）与无人机和PlanetScope卫星图像结合，提取植被指数（VIs）、冠层结构指标（CSMs）和生长动态指标（GDMs）。在完成降维和共线性降低后，应用统计和机器学习模型（如随机森林（RF）、支持向量回归（SVR）、高斯过程回归（GPR）和线性模型（LM）来预测形态学和生产性状。表现最佳的模型通过PlanetScope卫星数据在田间尺度上进行结果扩展。

所有数据集均经过了预处理流程：无人机图像经过拼接和地理配准，卫星图像调整为光谱反射率格式。随后提取了小区级别的指标，包括植被指数（VIs）、冠层结构指标（CSMs，见第2.6.1节）以及从三维点云（3D pointcloud）中得到的生长动态指标（GDMs，详见第2.7.3节）。为了描述时间动态，对植被指数时间序列进行插值并拟合生长曲线，从而得出关键物候阶段对应的GR、AUC和SD值。

#### 2.3.3 PlanetScope卫星数据
通过教育和研究（E&R）计划获取了PS正射分析表面反射率图像[46]。获取了具有八种窄光谱带的Level-3B产品（图8，附录9.2）：沿海蓝光（431–452 nm，20nm带宽）、蓝光（B，465–515 nm，50 nm带宽）、绿光I（GI，513–549 nm，36nm带宽）、绿光II（GII，547–583 nm，36nm带宽）、黄光（Y，600–620 nm，20nm带宽）、红光（R，650–680 nm，31nm带宽）、红边光（RE，680–750 nm，12 nm）、近红外（NIR，750–1050 nm，57 nm）和长波红外（LWIR，7,500–13,500 nm；6 μm）。PlanetScope相机还包括一个全色波段以增强空间细节。

每次飞行在实验区域四个角放置了四个地面控制点（GCPs），并使用Propeller Aeropoints（Propeller，澳大利亚）进行地理配准。图像采集时前后重叠率为80%，并在太阳中午前后两小时内完成，以减少光照变化的影响。辐射校准使用MicaSense反射率校正板在每次飞行前后拍摄的 nadir 图像进行。为确保数据一致性，所有飞行都在当地时间10:00至12:00之间在清晰或轻微多云的条件下进行，每次飞行时间不超过15-20分钟。

#### 2.3.4 PlanetScope卫星数据
通过教育和研究（E&R）计划获取了PS正射分析表面反射率图像[46]。获取了八种窄光谱带的Level-3B产品：沿海蓝光（431–452 nm，20nm带宽）、蓝光（B，465–515 nm，50 nm带宽）、绿光I（GI，513–549 nm，36nm带宽）、绿光II（GII，547–583 nm，36nm带宽）、黄光（Y，600–620 nm，20nm带宽）、红光（R，650–680 nm，31nm带宽）、红边光（RE，697–713 nm，15nm带宽）和近红外（NIR，845–885 nm，40nm带宽）。图像的地面采样距离为3×3米，几乎每天重复采集一次，并投影到标准地图参考系统中。绿色区域代表从播种到生长点2（GP2）的AUC（曲线下面积），虚线灰线表示土壤基线值。共采用了三种方法来预测棉花特性（表3），这些方法因季节、数据来源、生长点（GP）和预测变量而有所不同。

- **SD_UAV**：一种基于光谱差异（SD）的方法，使用2022/23和2023/24季节收集的无人机多光谱图像来估计冠层高度、干物质和产量。该方法依赖于SD形态学和生化指标（VI），并在整个地块层面（高度和干物质为165个地块；产量为288个地块）以及两个季节的数据上定义感兴趣区域（ROI）。
- **MD_UAV**：一种基于多时相（MD）的时间序列分析方法，利用2023/24季节的无人机多光谱图像来模拟冠层高度、干物质和产量（144个样本）。将八个无人机图像日期与三个生长点的地面破坏性测量数据（生物量切割和产量样本）结合。预测变量包括SD和MD指标，以及从第1-3生长点收集的图像中的生化变量，以及从数字高程模型（DEM）派生的CSMs（Construed Soil Structures）。
- **MD_PS**：使用2022/23和2023/24季节的PS多光谱合成图像来重建生长曲线，以预测冠层高度（以第95百分位数作为代理）。预测变量包括SD和MD指数，以及捕捉生化特性的VI（包括叶绿素含量（RE）信息）。根据第2.6.2节和补充文件1.1.2-1.1.3中的方法，选择纯植被像素并按氮肥施用量（N treatment）进行聚合，得到两个季节中的16个聚合点。

**产量可扩展性评估**：使用两个季节中的共125个地块来训练机器学习（ML）模型，利用生长差异模型（GDMs）进行SD和MD分析，以及来自PS的生化指标。然后将表现最佳的模型应用于2024/25季节的八个商业田地（第2.6.3节），以生成田地尺度和田内空间变异性下的产量估计。

**表3.** 用于预测棉花冠层特性的三种方法的概述，这些方法在季节、尺度、数据来源、生长周期（GPs）、预测变量（即单次和多次测量、SD和MD、生化（Bio）和冠层结构指标（CSMs）以及感兴趣区域（ROIs）方面存在差异。

| 方法 | 特性 | 规模 | 季节 | 数据来源 | 生长点（GP） | 预测变量 | 描述 | ROI（样本数量） |
|---------------------------|----------------------------|-----------------|-----------------|-----------------|------------------|-----------------------------|-------------------------|
| SD_UAV | 高度、干物质、产量 | 大地块 | 2022/23 | 2023/24 | 单次光谱图像 | 基于SD的形态学和生化指标 | 整个地块（165个地块用于高度和干物质；288个地块用于产量） |
| MD_UAV | 高度、干物质、产量 | 大地块 | 2023/24 | 八次光谱图像 | 基于多时相的时间序列分析 | 生长差异模型（GDMs） | 144个样本 |
| MD_PS | 冠层高度（第95百分位数） | 大地块 | 2022/23 | 2023/24 | 基于PS的多光谱合成图像 | 生长曲线重建 | 95百分位数作为代理值 |

三种方法的主要区别在于所考虑的生长点（GP）或时间点。每个生长点都整合了截至该阶段的所有可用指标，包括历史数据和特定阶段的数据。定义了三个生长点：
- **GP1**：从播种到最大生物量产生（GR）的日子。
- **GP2**：从播种到冠层达到峰值的日子。
- **GP3**：从播种到生物量切割的日子。

跨方法，预测变量包括形态学特征（来自SD和MD指标）、所有特性的生化VI，以及专门用于高度的CSMs。根据方法的不同，感兴趣区域（ROI）也有所不同（图4和附录9.1、图7）。

**下载：** 下载高分辨率图像（928KB）
**下载：** 下载全尺寸图像

**图4.**
(a) 来自PlanetScope (PS) 的2023-2024季节棉花试验的DVI地图。白色多边形代表地块边界，红色多边形代表内部缓冲区。红色点突出显示了从每个地块提取的纯植被像素。
(b) 放大显示带有生物量切割区域的地块（黄色虚线方块）、收获时的产量ROI（蓝色）和完全被PS像素覆盖的区域（红色）。

这些互补策略捕捉了不同层次的时间细节和空间可扩展性：SD_UAV提供了快速的单次时间点洞察；MD_UAV整合了时间、生化和结构信息；而MD_PS提供了与无人机飞行任务相协调的可扩展卫星监测。

**2.5. 图像预处理**
**2.5.1. 无人机多光谱图像正射镶嵌**
根据Smith [48] 描述的方法，使用Pix4D Mapper Pro软件（版本4.7.5）生成点云，用于地理参考和拼接原始无人机图像成正射镶嵌图，以及进行放射度校准和数字高程模型（DEM）的创建。Pix4D的专用反射率地图生成引擎实现了放射度校准，通过插值MicaSense校准面板的 nadir图像反射率值与每次飞行前后捕获的图像时间戳之间的关系来完成。这种方法允许根据估计的特定时间点的反射率来校正飞行中的反射率值。正射镶嵌图的平均地面控制点（GCP）标记误差为2厘米。

**2.5.2. 卫星数据管理**
使用端到端的基于Python的工作流程下载了八波段的Planet数据产品。使用Planet API（https://www.planet.com/）用户面板指定整个实验区域至少80%无云覆盖，使用了所有无云像素，没有应用额外的过滤数据。该产品已经通过Planet的处理流程进行了放射度校准和大气校正[49]。

**2.6. 指标提取**
**2.6.1. 无人机图像指标**
在QGIS（https://qgis.org/）中手动数字化ROI，以确保所有日期和季节的手动测量结果的场地几何对齐（附录9.1，图7；附录9.3，表5）。
SD_UAV采用整个地块作为ROI来提取两个季节的VI的纬向统计，因为两个峰值图像都是在切割前收集的。MD_UAV使用2023/24季节生物量切割的ROI。对于生物量切割，采样面积为1平方米。然而，ROI形状文件被绘制为覆盖3平方米（3米×1米），在切割区域前后的每侧各延伸1米。这种调整允许更大的代表性区域，而不影响信息质量（见补充部分1.1.1）。产量ROI被定义为24平方米（12米×2米），对应于每个地块中收获的两排植物。

**2.6.2. 考虑混合像素的卫星数据**
为了考虑PS中的土壤/背景效应，我们仅保留每个地块内的纯植被像素，并使用内部缓冲区（图4和补充部分1.1.2）。从这些像素计算VI（附录9.3中的表5），并在地块层面进行平均，然后进行最小-最大标准化，以进一步减少残余背景和双向反射效应[52]（补充部分1.1.3）。由于生物量切割采样区域（图4中的黄色虚线方块）较小且与纯植被像素（图4中的红色方块）对齐不佳，MD_PS仅限于冠层高度（使用第95百分位数作为代理）和产量。从2022/23和2023/24的峰值冠层图像中提取第95百分位数，并按地块平均。通过聚合氮肥施用量（N-rate treatments 53, 54）来缓解地块间的变异性。产量预测在地块层面使用每个地块的平均VI进行校准，然后扩展到CSD提供的2024/25季节的八个商业田地；为了最大化校准样本量，产量模型没有应用氮肥施用量的聚合。这允许使用卫星数据更准确地将其扩展到商业田地。

**2.6.3. 田间尺度应用的背景效应空间评估**
对八个商业田地应用20米的内部缓冲区，以减少边缘效应，使用与2.6.2节中描述的方法相同。然后计算每个缓冲区域的平均VI值，以获得每个田地和日期的唯一值。

**2.7. 重建每日作物生长曲线**
**2.7.1. 作物生长动态的间隙填充方法**
为了捕捉作物动态，通过测试多种曲线拟合方法将时间序列重建为连续生长曲线，如我们之前的研究[55]所示。为每个地块选择了Savitzky-Golay (SG)滤波器方法[56, 57]，因为它是一种更稳定的曲线拟合技术，适用于此数据集。SG滤波器最初由Savitzky和Golay [58]开发，是一种计算技术，旨在在保留有意义信号特征的同时减小随机噪声。它特别适合用于光谱测量或VI的时间序列等数值数据集[57]。在对图像进行预处理和对齐后，根据补充部分1.1.4中描述的方法，对无人机和PS的VI应用相同的SG滤波器。

**2.7.2. 生理发育日期（GDD）用于物候发展**
GDD提供了一个基于温度时间尺度来跟踪作物物候（阶段进展），而不是日历天数。通过将生长曲线拟合到累积的GDD，可以调整不同地点和季节的温度差异，并将关键作物生长曲线（如出现、开花、成熟）与确切的物候阶段对齐，以每日时间尺度显示。结构性VI根据方程1[59]计算：
**方程[1]**
其中Tmax和Tmin分别表示每日最高和最低温度。当Tmax超过32°C时，将其限制在32°C，以反映物种的最佳发育阈值。任何负的DD值被设置为零，确保在寒冷的日子里没有累积。用于此计算的每日最高和最低温度来自附近的气象站[38]。

**2.7.3. 生长曲线动态指标**
从重建的作物生长曲线中，我们为无人机和PS图像的SD和MD方法派生了GDMs（图3）。SD指标捕捉了每个生长点（例如，最大生物量产生日（GP1）、冠层峰值日（GP2）和生物量切割日（GP3）的VI值。GP1被确定为导数的最大值，GP2被确定为该季节观察到的最高VI值，GP3被确定为生物量切割日的VI值。MD指标总结了曲线的各个时期，包括每日GR和从播种到每个生长点的AUC，为棉花生长和产量建模提供了物候学基础。对于无人机数据，GR是根据从播种到GP1和GP2的GDD计算的VI平均变化；AUC是通过从播种（0 GDD）到每个生长点的数值积分获得的（表5，附录9.3）。相同的框架应用于PS时间序列，额外提取了截至400和800 GDD的SD和MD指标，以捕捉平方和最大棉铃大小。

**2.8. 维度和共线性减少**
包含过多的输入变量通常无法改善模型性能，还可能增加过拟合。为了降低数据复杂性和共线性，我们在RStudio（v4.5.1）[60]中对所有三种方法（SD_UAV、MD_UAV和MD_PS）应用了主成分分析（PCA）[60]。为了可解释性，我们使用Varimax旋转来保持正交性并简化加载结构[61]。每个变量都被分配到它具有最高绝对载荷的主成分（PC），并且只保留了Varimax旋转后载荷大于0.15的变量。然后计算皮尔逊相关性，以消除高度相关（|r| > 0.95）的预测变量，这些变量与其他变量有很高的相关性，同时与因变量相关性较低。剩余的预测变量，包括形态学（SD和MD）、生化信息和CSMs，构成了建模过程的最终输入集。

**2.9. 探索性分析方法**
**2.9.1. 使用SHAP量化每个传感指标对ML模型中冠层特性预测的边际贡献**
为了量化每个传感指标在ML模型中对冠层特性预测的边际贡献，我们应用了SHAP作为事后、模型不可知的方法。基于合作博弈论，SHAP为每个特征分配一个值，表示其相对于基准线（模型从背景数据集中得到的平均预测）对个体预测的贡献[62, 63]。特征重要性通过平均绝对SHAP值（mean|SHAP|）进行总结，较大的值表示对模型输出有更大的影响。有关SHAP可视化和解释的更多细节，请参见补充材料1.1.5.2.9.2。

机器学习模型实现
训练了三种机器学习方法（即随机森林（RF）、支持向量回归（SVR）和高斯过程回归（GPR）来预测SD_UAV、MD_UAV和MD_PS数据集中的因变量（仅针对产量数据集）（图2）。预测变量集因方法、GP和性状而异，包括形态学（如SD、MD）、生物化学和CSMs）。模型调整使用了RStudio（v4.4.4）中的重复四折交叉验证（CV），训练-测试比例为75:25，并采用留一法重复方案（n–1）。超参数通过网格搜索[64]进行优化，选择最小化交叉验证均方根误差（RMSE）的配置。有关模型设置和优化超参数的更多细节，请参见补充材料1.1.6。对于MD_PS方法中的高度预测，在第95百分位数和最具解释性的传感指标之间应用了一个简单的线性模型（LM），因为按N率聚合总共产生了16个样本。

模型评估
模型的准确性通过决定系数（R2）[65]和RMSE来确定，通过汇总n-1次CV迭代中的所有交叉验证预测值来计算，以确保对模型泛化性能的无偏估计。

3. 结果
3.1. 跨方法的维度降低和共线性减少
使用基于PCA的维度降低和皮尔逊相关性过滤来识别跨数据集、时间尺度和方法的信息丰富、独立的预测变量，减少VI、CSMs和GDMs之间的冗余。PCA一致解释了>94%的方差，与观察到的性状的相关性很强（大多数变量的r > 0.8），支持了它们的预测相关性。因此，最初的预测变量集（5-82个变量）被减少为小的、非冗余的子集（通常每个性状和生长阶段2-6个变量），提高了可解释性和模型稳定性。保留的特征包括EVI、OSAVI、DVI、GEMI（SD和MD）、NDRE和冠层高度百分位数，捕获了互补的形态学、生物化学和时间信息。有关变量数量、选定预测变量、负荷、解释的方差和性状相关性的完整细节，请参见附录9.4。

3.2. 使用UAV数据对性状的单日期估计
3.2.1. VI对模型准确性的贡献
SHAP分析量化了各模型中指数的边际贡献（图5 a-c）。对于冠层高度，OSAVI在SVR和GPR中的影响最大，分别使预测值移动了0.09米和0.06米。相比之下，NDRE在RF中影响最大（mean|SHAP| = 0.06）。对于干物质，OSAVI在SVR中的贡献大于NDRE（1.54 Mg/ha）和GPR（1.19 Mg/ha），而在RF中NDRE占主导地位（mean|SHAP| = 1.17 Mg/ha）。对于产量，EVI在所有模型中都是主要预测变量，其mean|SHAP|值范围为457.7至511 kg/ha，超过了NDRE（195.5-228.3 kg/ha）。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图5. SD_UAV（a-c）和MD_UAV在GP2（g-i）的violin图显示了SVR的SHAP值分布，SVR在这两种方法中对高度（a, g）、干物质（b, h）和产量（c, i）都有最佳表现。特征按mean|SHAP|（括号内）的降序排列，表示它们对模型的贡献。高度（a, g）以米为单位，干物质（b, h）以Mg/ha为单位，产量（c, i）以kg/ha为单位。样本根据SHAP值进行着色（viridis色阶），而小提琴宽度表示值密度。箱线图显示了GPR（绿色）、RF（蓝色）和SVR（红色）的交叉验证R2和RMSE。箱子代表第25-75百分位数，中位数（黑色线条），平均值（红色十字线），须状图（1.5 × IQR）和个别重采样值（黑色点）。结果与SD_UAV（d-f）和MD_UAV在GP2（j-l）相关。

3.2.2. 模型校准和性能
所有三种算法都产生了统计上显著的结果（p < 0.01），在各种性状上的准确性相当（图5 d-f）。具体来说，冠层高度（165个样本）的估计R2 > 0.77，RMSE = 0.08米，SVR相比其他模型略有优势。对于干物质（165个样本），准确性R2 > 0.73，RMSE < 1.61 Mg/ha，GPR的表现略好于其他模型。产量的预测R2 = 0.81，RMSE = 363 kg/ha，SVR略有优势。关于高度、干物质和产量的完整模型结果，请参见附录9.5。

3.3. 从连续多光谱UAV数据预测冠层性状
3.3.1. SHAP中最具信息量的变量
DVI作为一个SD指标，在GP1的最大生理生长率（GR）时以及GP2和GP3的冠层峰值时，始终被证明是最具影响力的预测变量。在GP1中，SVR是表现最好的算法，DVI在高度上的mean|SHAP|值为0.10米，在干物质上为1.9 Mg/ha，在产量上为233 kg/ha，反映了预测值变化的平均幅度。在后期阶段（GP2），NDRE在所有模型中的影响紧随DVI之后。从SVR（图5 g-i）来看，DVI和NDRE使预测值分别在高度上移动了0.042米和0.027米，在干物质上移动了1.04 Mg/ha和1.04 Mg/ha，在产量上移动了229 kg/ha和54 kg/ha。在GP3中，DVI在高度上的mean|SHAP|值为0.04米，在干物质上为1.2 Mg/ha，在产量上为221 kg/ha，而NDRE分别贡献了0.02米、0.45 Mg/ha和56 kg/ha。在所有其他机器学习算法中也观察到了特征 importance的一致模式（数据未显示）。

3.3.2. 不同物候阶段的高度、干物质和产量模型准确性
高度（90个样本）的预测在所有GP和模型中都具有统计显著性和中等到高的准确性。在GP1中，SVR的表现优于其他方法，R2为0.75（RMSE = 0.06米），而GPR和RF的R2分别为0.68（RMSE = 0.07米和0.73（RMSE = 0.06米）。在GP2（图5j）和GP3中观察到更高的准确性，模型表现相当，SVR在GP2中的R2为0.88（RMSE = 0.05米），在GP3中的R2为0.87（RMSE = 0.04米）。GPR和RF在这些阶段始终实现了R2 = 0.86（RMSE = 0.05米）。

3.4. 用于早期和冠层峰值阶段的冠层高度和产量估计的卫星图像
3.4.1. 使用百分位数高度和PS图像进行高度估计
高度预测在两个生长时期都具有统计显著性（p < 0.001），但在GP1中的性能较低（DVI在400 GDD时：R2 = 0.40；RMSE = 0.07米），而在GP2中的性能显著提高（EVI在冠层峰值时：R2 = 0.76；RMSE = 0.04米；表4）。

表4. 两个生长时期（GP1和GP2）中每个性状的预测性能（R2）。显著性表示为* p < 0.05、** p < 0.01和*** p < 0.001。冠层高度用线性模型（LM）建模，而产量则使用随机森林（RF）预测最佳。对于百分位数高度，GP1中使用的是400 GDD时的DVI（DVI_400GDD），GP2中使用的是冠层峰值时的EVI（EVI_peak）。对于产量，GP1使用的是最大生长率时的DVI（DVI_maxGR）、最接近最大生长率的PlanetScope图像的CLRE（CLRE_maxGR），以及从播种到最大生长率的DVI AUC（DVI_AUC_to_maxGR）；GP2使用的是冠层峰值时的DVI（DVI_peak）、峰值时的CLRE（CLRE_peak）以及从播种到冠层峰值的DVI AUC（DVI_AUC_to_peak）。相同的预测变量用于田间尺度扩展，仅在GP2中获得了统计上显著的结果（GP1未显著）。

附录9.5中的表格总结了各种方法、GP和所有机器学习模型的高度、干物质和产量结果。

4. 讨论
4.1. 从UAV图像进行性状预测：单日期与多日期方法
棉花性状监测很重要，因为作物生长是不可预测的，同时发展蔬菜组织和生殖器官。因此，管理重点在于平衡冠层的“源”能力和新枝条和棉铃的“汇”需求，以最大化产量和纤维质量。可靠地估计高度、生物量和产量等性状有助于实时决策氮肥和灌溉，同时减少环境影响。当这些测量数据通过UAV或卫星收集时，还可以减少田间劳动，并为育种者提供可扩展的数据来选择高产且耐逆的基因型。
SD_UAV方法解释了超过75%的性状变异性，具有很强的统计显著性，表明可以从捕获的冠层峰值处的单张UAV图像中估计关键性状。这可以降低田间和飞行成本，因为冠层峰值是一个关键窗口，此时叶面积指数（LAI）和光合面积接近最大值，且冠层状况与产量形成密切相关[66]。冠层峰值通常发生在剪切之前或之后不久（约5 NAWF，第一个白色花的节点以上），此时棉铃需求与光合供应相匹配或超过，生长从产生新的节点转变为填充棉铃[67]。然而，时机高度依赖于环境：压力（例如干旱或氮缺乏）可能会触发过早的剪切和较早、较小的峰值，而过多的资源或 fruit 流失可能会延迟剪切并延长冠层扩展。因此，该方法可以提供有关冠层峰值、植物健康和压力的有用信息，但对图像时机非常敏感，无法捕捉生长动态，并且在作物已经达到生长峰值后提供的洞察力有限。
相反，MD_UAV将冠层性状的预测准确性提高了约10%，可能是因为它为机器学习模型提供了更丰富的信息：时间序列生长模式和GDM，将SD和MD特征与生物化学指标和作物状态测量相结合，捕捉了与产量形成生理相关的叶绿素和LAI的时间变化。因此，早期生长率（绿色上升斜率）可以捕捉到活力和输入响应；压力（例如氮缺乏）通常会使这种趋势变平，限制冠层峰值并加速衰老。曲线拐点还可以标记出当繁殖需求增加时植被扩展放缓的时间，表明源-汇平衡的变化。此外，在热时间（GDD）中拟合曲线通过更好地对齐不同季节、环境和播种日期的物候转变，增强了生物可解释性。GDD衍生的指标，如AUC，总结了冠层绿色的强度和持续时间（“绿色天数），作为累积光合能力的代理，因此也代表了棉絮产量。这解释了为什么MD_UAV可以优于SD_UAV方法，并在整个季节内保持信息量。重要的是，MD_UAV能够比之前报道的方法更早地进行预测（约38 DAS）。预测准确率从生长季初期（GP1）到冠层高峰期（GP2）提高了10%以上，然后从GP2开始保持稳定（详见第3.3节GP2–GP3）。这一模式与Gutierrez和Norton [22]的研究结果一致，他们发现作物在生长初期表现较弱，这可能是因为早期的生物量和叶面积指数（LAI）较低，限制了光谱指数代表光合作用能力和产量潜力的能力。与此一致的是，开花高峰期是最适合估计棉花产量的阶段，因为此时冠层发育充分且与产量成分紧密相关 [22]。因此，根据具体目的和地点，可以使用SD（尺度分解）或MD（混合密度）方法。然而，应当认识到SD方法会丢失更多关于作物生长的信息，通常会导致预测准确率低于MD方法。

4.2. 使用高分辨率PlanetScope在大面积地块上进行的高度预测
MD_PS方法展示了其可扩展性和操作潜力，而不仅仅是绝对准确率。如第2.6.2节和补充材料1.1.2-1.1.3中所建议的，PS的空间分辨率较低（3米）会导致混合像素的出现，从而降低特征估计的准确率，相比之下基于UAV的数据更为准确。尽管如此，各特征和生长阶段的准确率仍然具有统计学意义，并且趋势与基于UAV的方法相似。因此，到生长后期，准确率有所提高，最高可达30%（例如，产量，R2 = 0.76至0.91），相比早期阶段有所改善。

4.3. 向预测表型框架迈进，以支持澳大利亚的棉花产业
4.3.1. 将传感器指标应用于商业田块规模的产量估计
MD_PS方法在田块规模上的应用表明，高分辨率卫星图像的传感器指标可以有效支持关键农艺特征的扩展应用（参见第3.4节）。由于这些田块种植了商业品种，且有些品种在不同地点普遍存在，因此变异性的主要驱动因素被认为是管理方式（如灌溉与旱作）和环境因素（相距约100公里的地点），而不是基因型，这支持了该方法的广泛应用潜力。然而，如图9（附录9.6）所示，当模型从大面积地块训练规模转移到商业田块时，往往会高估产量。这可能部分反映了田块规模上的氮素范围较窄，导致生长和产量变异性的不同。此外，田块规模的汇总实际上平均了不同品种的产量；尽管每个地点内的品种表现大致相当，但如果提供品种分布和空间产量信息，可以进行分层像素汇总，从而可能提高准确率。总体而言，所提出的框架能够实现近乎实时的田间变量和指标估计，以支持在生物和非生物压力下的主动农艺决策。

此外，两个实际限制因素通常会影响遥感数据的工作流程：（i）影响数据可用性的环境条件（例如云层覆盖）；（ii）与大型图像时间序列相关的处理需求。在本研究中，我们通过实施一种稳健的填补策略来处理缺失或噪声较大的UAV和PS观测数据，从而在任何物候阶段都能提取出有生物学意义的传感器指标。展望未来，地球观测数据流和人工智能驱动处理的持续进步预计将进一步简化模型校准和在多样化G×E×M条件下的田间应用[69]。

4.3.2. 可扩展性和可转移性对澳大利亚棉花产业运营决策的影响
为了满足产业需求，需要在大型生产系统中进行及时、非破坏性的、可扩展的棉花监测，以改进田间和区域规模的农艺和战略决策。因此，本研究提出了一个综合框架，利用地球观测（EO）数据结合机器学习（ML）方法来估计劳动密集型的田间棉花产量数据。通过将表现最佳的模型应用于Cotton Seed Distributors Ltd.（CSD）提供的八个商业棉花田块（30–60公顷），并在两个季节（144个地块×两年）和八种不同的氮肥施用方案下进行校准，帮助分离出预测信号和混淆因素。此外，广泛采用的Sicot 748B3F品种增强了框架的稳健性，为更广泛的应用提供了可靠的基准。这些田块涵盖了多种基因型×环境×管理（G×E×M）条件，包括多种品种、灌溉和旱作系统、不同的种植行配置以及地理上相距约100公里的地点，确保了在真实农场条件下的稳健评估。结果表明，EO-ML模型在田间和小区尺度上实现了中等到高的预测准确率（图6），解释了48–72%的产量变异性。

下载：下载高分辨率图像（917KB）
下载：下载全尺寸图像
图6. 产量地图（R2 =0.72，RMSE = 491kg/ha，p-value < 0.01），分别对应（a）Nobby旱作田块（60公顷）和（b）Forest Hill灌溉田块（20公顷）。颜色代表估计的产量，红色（低）到绿色（高）。由于土壤特性（例如坡度，图a）和灌溉不均（例如滴灌管堵塞，图b）等原因，同一田块内的产量可能会有所不同。这些因素可能导致某些区域生长受阻，而其他区域生长旺盛，从而产生明显的田间空间变异性，可以通过特定地点的农艺决策来调整。预计所提出的EO-ML框架的成果在澳大利亚棉花系统中将特别有用。由于棉花具有强烈的表型可塑性及庞大的农场规模，常规的地面监测变得不切实际。同时，精确管理氮肥、灌溉和生长调节剂对于确保盈利能力和可持续性至关重要。因此，与作物健康和压力相关的空间估计将更好地指导生产者做出季节性农艺决策，例如关于变量施肥的应用。具体来说，生长季初期的冠层发育指标（例如GP1，生长拐点）可以用于指导施肥和灌溉计划，而开花后的指标（例如GP2，即冠层高峰期）可以指导生长调节剂的应用，以控制过度的营养生长并保护产量潜力[72]。

为了展示可转移性，我们使用温度驱动的生长时间差（GDD）重建了生长曲线，确保EO-ML衍生的特征保持地点特异性，并与实际植物发育情况一致。这提高了不同季节、环境和管理实践之间的可比性。因此，通过在整个生长期间动态整合近每日EO和温度（GDD）数据，可靠地预测了特定地点的特征。最后，本研究清楚地表明，从UAV和高分辨率卫星数据中提取的功能性特征在时间和空间尺度上对扩展棉花生产和形态属性（包括产量）具有中等到高的实用性和准确性，为在田间、农场和区域尺度上应用EO-ML方法提供了坚实的科学基础。

5. 结论
研究表明，高分辨率遥感技术可以可靠地捕捉从大面积地块到田间尺度的主要棉花冠层生长特征，为行业决策支持和表型分析提供了一个简单且可实施的框架。通过在校准两个季节内UAV和PS数据的统一传感-ML流程，并在热时间尺度（GDD）上拟合生长曲线，我们提高了模型的泛化能力，并证明了整个生长季节都可以提取有信息量的SD和MD指标。从大约82个候选预测因子中（涵盖时间动态、CSMs和生化代理），我们确定了关键描述符（例如，SD_UAV的OSAVI/EVI；MD_UAV的DVI/NDRE；MD_PS的基于EVI和GEMI的生长指标），对于所测量的特征具有较高的解释能力（R2 ≈ 0.75–0.90）。结合SD和MD特征一致地提高了准确率（>10%），并在生长季节早期就能进行特征预测（例如，在38天生长期后，解释了约75%的变异），突显了提取有意义的基于曲线的信息的重要性。重要的是，这些GDMs具有明确的生物学意义：早期绿化和生长率（GR）描述符反映了作物的活力和对应激的响应能力，拐点与营养生长与生殖生长的平衡变化有关，而基于GDD的AUC总结了累积的冠层“绿色天数”（作为季节性光合作用能力和产量潜力的代理）。因此，我们的发现强调了传感-ML衍生产物的实用性，尤其是对于早期和非破坏性评估冠层特征的重要性，同时强调了跟踪生物量积累和冠层高度等中间变量的重要性。此外，本研究还概述了探索形态学、生化及冠层结构传感器指标与产量和高度等特征之间关系的研究步骤。将这里提出的功能框架应用于大型多样化的商业田块，展示了其在未来田间操作的扩展潜力。将这种方法扩展到其他棉花生产环境，预计将更好地表征田间尺度的时间和空间产量变异性，从而实现更积极的、针对具体地点的农艺决策（例如，施肥和生长调节剂管理），从而促进澳大利亚棉花生产的可持续性。

未引用的参考文献
73.
作者贡献
F. Devoto：概念化、方法论、软件开发、验证、正式分析、调查、原始草稿撰写、可视化。
M. Bange：概念化、审阅与编辑、监督。
C. Camino：审阅与编辑。
W. Woodgate：审阅与编辑、监督。
S. Chapman：审阅与编辑、监督。
A. Potgieter：概念化、方法论、撰写-审阅与编辑、监督、可视化、资金获取。

利益冲突
作者声明在本文的发表过程中不存在利益冲突。

数据可用性
数据可根据请求向昆士兰大学索取。

关于手稿准备过程中使用生成式AI和AI辅助技术的声明
在准备本论文时，作者使用了ChatGTP和ClaudeAI来辅助编码和完善语法。使用这些工具后，作者根据需要审阅和编辑了内容，并对发表文章的内容负全责。

资助
本工作得到了SmartSat CRC的支持，其活动由澳大利亚政府的CRC计划资助。