考虑生长阶段差异的玉米地上生物量无人机高光谱自适应分数阶特征选择估算

《Smart Agricultural Technology》：Maize above-ground biomass estimation using UAV hyperspectral adaptive fractional-order feature selection considering growth-stage differences

　　

地上生物量（AGB）是作物生长和产量形成的关键指标，其准确估算对于玉米生长监测和田间管理至关重要。在本研究中，研究人员利用在三个玉米生长阶段采集的无人机（UAV）高光谱反射率数据来估算AGB参数。然后应用Grünwald-Letnikov分数阶微分（FOD）方法，以0.2为间隔生成分数阶从0到2的候选光谱植被指数特征集。基于统一的训练/测试划分，构建了三种基于PLSR的策略：固定策略（v = 0）、全局最优分数阶策略和阶段特异性最优分数阶策略。对于每种策略，选择变量投影重要性（VIP）排名前十的特征进行模型构建，并使用R²、RMSE和nRMSE评估模型性能。结果表明，与固定策略（v = 0）相比，分数阶优化提高了AGB估算性能，表明适当的分数阶变换可以增强AGB敏感光谱信息的表达。在三种策略中，阶段特异性最优分数阶策略取得了最佳整体性能（R² = 0.91，RMSE = 131.14 g/m²），并在不同生长阶段表现出最强的适应性，尤其是在中后期。此外，通过进一步比较预测和观测的AGB分布结果，阶段特异性最优分数阶策略在所有三个生长阶段表现出最佳的分布匹配能力，表明该策略能更有效地保留和区分不同样方和样本之间的差异。这些发现表明，对于多阶段玉米AGB估算，阶段特异性分数阶优化比统一分数阶策略更有效，并在精细化生物量监测和作物生长评估方面具有巨大潜力。

玉米（Zea mays L.）是全球最重要的谷类作物之一，在粮食、饲料和生物能源生产中占据核心地位。地上生物量（AGB）作为作物生长状况和产量形成的关键指标，可提供作物活力、养分积累和最终生产力的关键信息。传统的AGB测量主要依赖破坏性采样，该方法劳动强度大、耗时长，且难以在样方尺度上重复实施，严重限制了其在精准农业中的应用。近年来，无人机（UAV）遥感作为一种高效灵活的替代方案日益得到应用，尤其是高光谱成像（HSI）技术，它能将高空间分辨率与连续窄波段光谱信息相结合，相较于常规RGB或多光谱成像更能详细地表征作物冠层的生化和结构特性。然而，高光谱数据存在高维度、强冗余和噪声敏感等问题，有效特征提取和选择是提高模型稳定性和可解释性的关键步骤。分数阶微分（FOD）方法将导数阶从离散整数扩展到连续域，能够更灵活地调整变换强度，在增强细微光谱特征的同时抑制背景效应。尽管已有研究采用FOD优化高光谱特征，但作物冠层光谱响应随生长阶段变化而动态变化的问题尚未得到充分解决。玉米从营养期到生殖期，冠层覆盖度、叶面积指数、叶绿素含量、水分状态和冠层结构持续变化，导致高光谱特征与AGB之间的关系具有明显的阶段依赖性。许多现有研究仍采用原始反射率或固定阶导数进行统一建模，可能忽视阶段特异性机制，限制模型适应性。因此，本研究旨在探讨不同分数阶特征选择策略对多阶段玉米AGB估算的影响，并检验阶段特异性优化是否更能表征时间异质性。

研究人员在三个玉米生长阶段（早期喇叭口期、晚期喇叭口期和抽雄期）利用UAV高光谱数据进行了系统研究。实验地点位于中国农业科学院新乡基地，种植三个品种和三种密度，共108个样方。地面AGB通过采集3-4株代表植物测定干重计算。UAV高光谱采集使用DJI Matrice 300搭载X20P-LIR传感器，获取164个波段（350-1000 nm），空间分辨率1 cm，并经过辐射定标、几何校正、拼接和Savitzky-Golay平滑预处理。应用Grünwald-Letnikov FOD方法以0.2步长生成0到2的分数阶光谱，并构建了六种植被指数（VI）：差异植被指数（DVI）、比值植被指数（RVI）、归一化差异植被指数（NDVI）以及三波段指数（TBI1、TBI2、TBI3）。通过变量投影重要性（VIP）分析，每种策略下选择排名前十的特征。基于偏最小二乘回归（PLSR）建立了三种策略：固定策略（v = 0）、全局最优分数阶策略（通过五折交叉验证确定统一最优v）和阶段特异性最优分数阶策略（每个生长阶段独立选择最优v）。模型性能利用决定系数（R²）、均方根误差（RMSE）和归一化均方根误差（nRMSE）评估，并进一步比较了预测与观测AGB的分布一致性。

研究结果如下：

**3.1 FOD光谱曲线分析**：随着分数阶从0.2增加到2.0，光谱曲线形状和幅度逐渐变化，全波段反射率值趋近零，标准差减小。当阶数从0.2增至1.0时，红边区域（约740 nm）的导数峰变得更加尖锐，表明对冠层色素特征和植物健康状况的敏感性增强；当阶数从1.2增至2.0时，550 nm附近的绿峰和970 nm附近的水吸收特征更加明显。然而，阶数超过1.2后，光谱曲线出现更明显的高频波动和更复杂的光谱模式，表明高阶变换虽能增强细微特征，但也会增强噪声敏感性。

**3.2 VIP特征重要性分析**：不同策略下前十重要特征的组成差异显著。固定策略（v = 0）中特征重要性差异较小，特征分布分散；全局最优分数阶策略（v = 1.8）中，三波段指数（TBI1、TBI2、TBI3）占主导，主要集中在714-898 nm的红边-近红外波段组合区域；阶段特异性策略中，第一生长阶段（早期）最优分数阶v₁ = 2.0，前十特征以TBI指数为主，并包含RVI（506, 754）；第二生长阶段（中期）最优v₂ = 1.6，DVI指数（如DVI（742, 990））占主导；第三生长阶段（后期）最优v₃ = 1.8，仍以DVI指数为主。这表明敏感特征类型和最优分数阶随生长阶段变化，具有明显的阶段性动态特性。此外，TBI3（714, 914, 778）、DVI（742, 986）和DVI（778, 890）在多个模型重复出现，表明这些波段组合具有相对稳健的敏感性。

**3.3 AGB估计结果**：固定策略（v = 0）总体测试R² = 0.87，nRMSE = 19.02%；全局最优策略总体测试R² = 0.89，nRMSE = 17.12%；阶段特异性策略总体测试R² = 0.89，nRMSE = 17.17%，但在训练集和散点图整体拟合上表现最佳（整体R² = 0.91，RMSE = 131.14 g/m²）。在Period 1（早期），固定策略测试效果最佳（R² = 0.59），阶段特异性策略次之（R² = 0.52），全局最优策略最差（R² = 0.33）。在Period 2（中期），阶段特异性策略表现最优（测试R² = 0.59），远高于固定策略（R² = 0.03）和全局最优策略（R² = 0.39），且散点图最接近1:1线。在Period 3（后期），全局最优策略（R² = 0.45）略优于阶段特异性策略（R² = 0.37），两者均优于固定策略（R² = 0.33）。阶段特异性策略在训练集上表现出最佳拟合能力（Train R² = 0.56），整体适应性最强。

**3.4 分布一致性分析**：固定策略和全局最优策略预测分布标准差明显小于观测值，出现分布压缩，低估了样本变异；阶段特异性策略在所有三个生长阶段预测分布的均值、峰值位置和离散度与观测分布最为接近，尤其在Period 2和Period 3优势最明显，能有效保留样方间差异。

讨论部分指出，分数阶优化能增强特征敏感性，但统一最优分数阶策略假设所有阶段共享相同变换模式，无法适应各阶段生理和结构差异；阶段特异性策略通过逐阶段选择最优分数阶，能更准确地捕捉各阶段主导的AGB相关光谱信息，与冠层动态变化更一致。不同生长阶段估算难度不同：早期冠层结构简单，原始光谱已有效；中期快速生长导致光谱非线性增强，策略差异最显著；后期高生物量带来光谱饱和效应，统一策略难以兼顾均值和离散度。

研究结论翻译如下：本研究系统评估了不同分数阶特征选择策略对利用多阶段UAV高光谱数据估算玉米地上生物量（AGB）的影响。结果表明，与固定策略（v = 0）相比，分数阶优化提高了AGB估算性能。然而，全局最优分数阶策略仅实现有限改进，表明统一特征变换模式无法充分适应玉米生长的阶段依赖性变异。相比之下，阶段特异性最优分数阶策略在三种策略中实现了最佳整体性能，不仅提供了更高的总体精度，还在关键生长期（尤其是中后期）表现出更强的适应性。分布分析进一步表明，该策略更准确地再现了AGB的均值和离散特征，从而更有效地保留了样方和样本间的差异。这一优势在冠层结构和生理条件更复杂的中后期尤为显著。因此，考虑生长阶段差异的阶段特异性分数阶优化更符合玉米生长的时间异质性，为多阶段AGB估算提供了更合适的框架。总体而言，该策略对改善生物量监测精度和支持精细化作物生长评估与管理具有巨大潜力。