基于无人机多光谱与RGB影像的多生育期冬小麦地上部生物量估算:特征选择与融合方法研究

《Agronomy》:Estimation of Winter Wheat Aboveground Biomass Across Multiple Growth Stages Using UAV Multispectral and RGB Imagery: Feature Selection and Fusion Approaches

【字体: 大 中 小 】 时间:2026年06月16日 来源:Agronomy 3.4

编辑推荐:

  准确估算冬麦地上部生物量(Aboveground Biomass, AGB)对作物生长监测和精准农业管理至关重要。为降低冠层结构复杂性和光谱饱和效应对AGB估算的影响,研究人员以不同堆肥替代比例和种植密度条件下的冬小麦为研究对象,基于两个生长季四个关键生育期获

  
准确估算冬麦地上部生物量(Aboveground Biomass, AGB)对作物生长监测和精准农业管理至关重要。为降低冠层结构复杂性和光谱饱和效应对AGB估算的影响,研究人员以不同堆肥替代比例和种植密度条件下的冬小麦为研究对象,基于两个生长季四个关键生育期获取的无人机(Unmanned Aerial Vehicle, UAV)多光谱和RGB影像,提取并整合了光谱植被指数(Spectral Vegetation Indices, SVIs)、颜色植被指数(Colour Vegetation Indices, CVIs)和冠层结构特征。采用递归特征消除(Recursive Feature Elimination, RFE)、弹性网络(Elastic Net, EN)和支持向量回归(Support Vector Regression, SVR)构建分生育期AGB估算模型。结果表明,最优特征策略因生育期而异,说明AGB估算需要针对特定生育期的特征选择而非单一固定特征组合。所提框架在拔节期、孕穗期、开花期和灌浆期的验证决定系数(R2)分别达到0.872、0.898、0.867和0.895,相应的相对均方根误差(Relative Root Mean Square Error, RRMSE)分别为12.5%、12.1%、14.3%和12.0%。与基于分生育期最优特征集的部分最小二乘回归(Partial Least Squares Regression, PLSR)、随机森林(Random Forest, RF)和极端梯度提升(eXtreme Gradient Boosting, XGBoost)的进一步比较证实了SVR在当前小样本和多源特征条件下的竞争优势。模型改进在开花期和灌浆期更为明显,在这些生育期,筛选后的光谱、颜色和结构特征的整合更好地表征了冠层闭合、穗层形成和后期生物量变化。在20%堆肥替代与4.5×106株·ha?1种植密度组合处理下,冬小麦在各生育期保持相对较高的AGB水平。该研究的创新之处在于证明了多源UAV特征融合对冬小麦AGB估算的有效性具有生育期依赖性,且与特征选择相结合时效果增强。这些发现为类似田间条件下的多时效AGB监测和精准栽培管理提供了方法学参考。
本研究聚焦于冬小麦多生育期地上部生物量的无人机遥感估算问题,旨在通过特征选择与多源特征融合策略的协同优化,克服传统遥感方法在作物发育中后期因冠层结构复杂化及光谱饱和而导致的估算精度下降难题。

研究背景方面,冬小麦作为全球最重要的粮食作物之一,其AGB直接反映作物干物质积累状况,是评价冠层生长状态和产量潜力的核心指标。田间管理措施中,种植密度与肥料管理通过调控群体结构、叶片分布、光截获及养分供给显著改变冠层结构,进而影响生物量积累与冠层光学信号。然而,随着作物发育推进,冠层结构系统性变化,AGB积累呈现明显的生育期特异性和非线性特征。尤其在冠层闭合和穗抽出后,光谱饱和现象日益突出,AGB与光谱响应的关系趋于复杂,制约了常规遥感方法在多生育期AGB估算中的稳定性与准确性。尽管无人机多光谱和可见光影像在空间细节表达和时序数据获取方面优势显著,但单纯增加特征变量数量并不能有效提升模型性能,冗余和弱相关变量反而可能降低模型稳定性、加剧过拟合风险。因此,如何通过特征筛选保留信息性变量,确保多源融合反映的是互补冠层信息而非简单变量叠加,成为提升多生育期AGB估算精度的关键。

研究人员以皖麦43品种为材料,于2022—2023和2023—2024两个生长季在安徽省凤阳县开展试验,采用裂区设计,主区为0(T0)、10%(T1)、20%组织培养替代化肥(T2)和30%(T3)四个堆肥替代比例,副区为1.5×106(D1)、3.0×106(D2)和4.5×106株·ha?1(D3)三个种植密度,共12个处理,3次重复。利用大疆Mavic 3多光谱无人机在拔节期、孕穗期、开花期和灌浆期四个关键生育期进行航拍,获取绿光(560±16 nm)、红光(650±16 nm)、红边(730±16 nm)和近红外(860±26 nm)波段多光谱影像及RGB影像,地面采样距离约2.77 cm·像素?1。同步进行地面采样,采集1 m×1 m样方内30株均匀生长小麦,105°C杀青30 min后80°C烘干至恒重,换算为单位面积AGB(t·ha?1)。从影像中提取17个光谱植被指数、10个颜色植被指数,以及通过改进的绿光 excess 指数(Modified Green Excess Index, ExG)与归一化差值植被指数(Normalized Difference Vegetation Index, NDVI)辅助Otsu自适应阈值分割获取的植被覆盖度(Fractional Vegetation Cover, FVC)、冠层孔隙度(Gap)和阴影比例(Shadow)三项结构特征。采用递归特征消除和弹性网络两种特征选择策略,结合分层递进与交叉策略融合方法,构建多源特征优化框架,以支持向量回归为主模型,并以部分最小二乘回归、随机森林和极端梯度提升算法进行模型对比验证,采用独立验证集评估模型性能。

研究结果显示,冬小麦AGB数据集呈现明显的生育期变化特征,从拔节期到灌浆期持续积累,校准集均值由1.83增至13.63 t·ha?1,验证集由1.95增至12.93 t·ha?1;T2处理在多数生育期保持相对较高AGB水平,同一堆肥替代比例下AGB随种植密度增加而增加。特征筛选结果表明,不同生育期保留变量数量差异显著,主导筛选特征集因生育期而异:拔节期和开花期E-SVCV保留较强,孕穗期E-SV优势,灌浆期R-SVCV最优;敏感特征呈现生育期特异性,拔节期以红边、近红外和冠层颜色响应为主,孕穗期起叶绿素状态和红边敏感性相关变量保留增多,开花期和灌浆期颜色指数纳入增加。

单源特征选择策略效应方面,基于筛选特征的模型多数优于原始特征集,但提升幅度因生育期和特征类型而异。校准集中R-SV在早期表现更优,E-SV在后期更强;验证集呈现相似规律,R-SV拔节期最优(验证R2=0.755),E-SV孕穗期至灌浆期表现最佳(验证R2=0.760~0.850)。CV模型精度普遍低于SV模型,原始CV模型灌浆期验证R2仅0.612。引入结构特征后,各生育期最优模型精度较对应最优筛选模型均有提升,但最优特征组合仍因生育期而异:R-SV+SF拔节期最优,E-SV+SF孕穗期至灌浆期更强;SV+SF组合四生育期均优于CV+SF组合。

光谱—颜色融合及结构扩展的协同效应方面,与无SF的SVCV模型相比,SF扩展组合在各生育期均有精度提升,但最优选择策略仍具生育期差异。校准集R-SVCV+SF表现稳健,验证集则R-SVCV+SF拔节期(0.825)和灌浆期(0.815)更优,E-SVCV+SF孕穗期(0.863)和开花期(0.837)更佳。此时最优模型已从简单SV-CV融合转向含SF的三源特征组合,最优选择策略仍因生育期变化。交叉策略深度融合进一步提升了模型性能,验证集呈现更清晰的生育期分化:R-SV+R-CV+SF适用于拔节期,E-SV+R-CV+SF孕穗期最优,R-SV+E-CV+SF为开花期和灌浆期最优组合。相较于SV-CV融合及SF扩展模型,交叉策略深度融合在多数生育期进一步改善精度,开花期和灌浆期增益尤为明显:开花期R2由0.837提升至0.867,RMSE由1.653降至1.285;灌浆期R2由0.815提升至0.895,RMSE由3.123降至1.552。

最优模型综合比较显示,分生育期最优特征组合明显不同:拔节期为R-SV+SF,孕穗期转为E-SV+R-CV+SF,开花期和灌浆期R-SV+E-CV+SF表现最佳,表明随冠层复杂度增加,交叉策略融合愈加重要。分生育期最优模型验证R2介于0.867~0.898,RRMSE介于12.0%~14.3%。算法比较表明,SVR在四生育期均达最高验证精度,尤其灌浆期优势明显,证实了其在当前小样本和多源特征条件下的竞争力。最优模型跨生育期的不一致性表明不存在普适最优特征组合,最优策略从早生育期的筛选光谱特征联合结构特征,逐渐过渡到中后期筛选光谱、颜色和结构特征的交叉策略融合,体现了特征类型与选择方法贡献强度的生育期依赖性。

讨论部分,研究人员从四个方面深入分析了研究结果。关于冬小麦AGB时序积累特征及其遥感响应的生育期差异,AGB从拔节至灌浆持续积累,受种植密度和堆肥替代水平共同调控;20%堆肥替代处理维持相对较高生物量水平,与适宜有机物料输入改善土壤理化性质、增强养分供应的研究结论一致。遥感响应机制上,拔节至孕穗期营养生长为主,近红外、红边波段及相关植被指数对冠层生长状态维持高敏感性;开花和灌浆期穗抽出、叶层增厚及冠层闭合增强空间异质性和光谱混合,单光谱变量表征力下降,需结构信息增强对AGB变化的响应能力。FVC、Gap和Shadow分别表征冠层覆盖度、不连续性和阴影状况,在光谱饱和、背景干扰和冠层异质条件下提供互补结构信息。

关于特征选择策略的分生育期效应,RFE通过迭代剔除低贡献变量重构模型,更利于从冗余特征中识别关键变量;EN通过L1和L2正则化实现变量收缩和共线性控制,更适合处理高度相关的高维数据。从拔节至开花期光谱变量对AGB响应相对明确,RFE易于识别高贡献特征组合;灌浆期变量关系因冠层闭合、穗层形成和光谱饱和增强而复杂化,EN对冗余信息和共线性的约束更有利于维持模型稳定性。CV对选择策略更敏感,RFE四生育期均优于EN和原始CV,表明颜色变量含更多冗余不稳定信息,更依赖特征选择。

关于多源特征融合与选择协同对精度的影响,单源SV在冬小麦中后期逐渐受冠层闭合、穗抽出和阴影增强制约,多源融合为改善AGB估算精度提供重要途径。但融合增益并非同步出现于所有生育期,也非简单取决于变量数量增加,而主要取决于不同信息源间的互补性。无效筛选约束下的特征扩展甚至可能因冗余信息累积而削弱模型性能。开花期和灌浆期协同优化增益更为突出,因冠层空间异质性增加,单源SV表征力减弱,CV补充叶色变化、穗抽出和局部失绿等可见表型信息,SF中FVC、Gap和Shadow从覆盖度、孔隙度和阴影分布角度提供额外空间状态信息,增强复杂冠层条件下AGB变异的表征能力。

研究局限性方面,试验在单一地点、单一品种条件下开展,所得模型应解释为当前试验条件下的分生育期模型而非普适模型;FVC、Gap和Shadow有效描述了冠层覆盖、间隙分布和阴影变化等水平结构特征,但未充分表征三维冠层架构。未来研究需扩展试验规模,纳入更多品种、不同环境区域和 contrasting 轮作制度,引入冠层高度模型、冠层体积指标和无人机点云特征等 advanced 结构参数,以提升方法的稳健性、可迁移性和方法学完整性。

研究结论翻译如下:本研究表明,冬小麦不同生育期AGB估算不存在普适最优特征组合,特征选择与多源特征融合的协同优化对提升模型性能至关重要。两年田间试验显示,20%堆肥替代与4.5×106株·ha?1种植密度组合处理维持相对较高AGB水平,表明将农艺变异性整合入基于无人机的生物量监测的重要性。最优特征策略随生育期变化:拔节期筛选光谱特征结合冠层结构特征更有效,孕穗期至灌浆期筛选光谱、颜色和结构特征的交叉策略融合更具优势。四生育期分生育期最优模型验证R2达0.867~0.898,RRMSE为12.0%~14.3%,表明估算性能稳定。总体而言,光谱特征在早期生长阶段表征能力更强,颜色特征提供互补可见表型信息,冠层结构特征在中后期贡献更为突出。这些发现凸显了生育期特异性特征选择和多源融合对基于无人机的冬小麦AGB估算的重要性,为类似田间条件下的多时效生物量监测提供了方法学参考。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号