基于无人机（UAV）多光谱特征融合与机器学习的覆盖作物生物量估算

《Smart Agricultural Technology》：Cover Crop Biomass Estimation using UAV-Based Multispectral Feature Fusion and Machine Learning

　　

覆盖作物可提供关键农田生态系统效益，包括减少土壤侵蚀、抑制杂草和改善土壤健康。地上生物量（Aboveground Biomass, AGB）是表征这些效益的关键指标；然而，基于田间的定量方法往往存在局限，从而妨碍对覆盖作物的有效管理决策。本研究将基于无人机（Unmanned Aerial Vehicle, UAV）的多光谱影像与机器学习（Machine Learning, ML）模型相结合，以估算得克萨斯州两个限水区域覆盖作物的AGB。研究人员采集了地面实测与影像数据，其中包括Lamesa地区冬黑麦（Secale cereale L.）连续3年（2023–2025）的数据，以及Chillicothe地区冬小麦（Triticum aestivum L.）连续2年（2023–2024）在不同灌溉制度下的数据。研究评估了5种ML算法，即随机森林（Random Forest, RF）、支持向量回归（Support Vector Regression, SVR）、极端梯度提升（eXtreme Gradient Boosting, XGB）、偏最小二乘回归（Partial Least Squares Regression, PLSR）和人工神经网络（Artificial Neural Network, ANN），并在4类单一特征集与11类特征融合数据集上开展比较。ANN模型始终获得最高预测精度，尤其是在将植被指数与结构特征联合使用时表现最佳（R² = 0.87，RMSE = 9.08 g m^-2），而PLSR表现最弱。分组验证（逐年留一、逐物种留一和逐处理留一）显示，与合并数据随机划分（70/30）相比，模型性能有所下降；但ANN仍保持中等预测能力，表明其在年份、物种和管理条件之间具有一定的泛化性。Shapley加性解释（Shapley Additive Explanations, SHAP）分析表明，ANN模型中的关键预测因子包括株高、叶绿素植被指数、叶绿素敏感指数、蓝光波段反射率、改进叶绿素吸收反射指数、非相似性、相关性和增强型绿色植被指数。这些结果表明，UAV-ML集成对于AGB精准估算是有效的，并凸显了其在限水环境及更广泛场景中实现可扩展、数据驱动的覆盖作物监测的潜力。

该论文发表于《Smart Agricultural Technology》，聚焦于限水农业环境下覆盖作物地上生物量（Aboveground Biomass, AGB）的高精度估算问题。覆盖作物在可持续农业体系中具有重要生态功能，包括降低土壤侵蚀、增强养分循环、提升土壤有机质积累、改善持水能力以及抑制杂草等，而这些生态服务的实现程度在很大程度上取决于其地上生物量水平。AGB不仅是评价覆盖作物生态效益和农艺价值的核心指标，也是指导覆盖作物终止时期、灌溉管理和后续经济作物配置的重要依据。然而，在半干旱和限水条件下，覆盖作物群体生长呈现显著的时空异质性，传统破坏性取样方法劳动强度高、耗时长，难以满足高通量、连续化和空间显式监测需求。因此，建立兼具精度、效率和泛化能力的非破坏性生物量估算方法，成为覆盖作物精准管理中的关键技术瓶颈。

为解决这一问题，研究人员构建了基于无人机（Unmanned Aerial Vehicle, UAV）多光谱遥感与机器学习（Machine Learning, ML）相结合的AGB预测框架，在美国得克萨斯州两个具有代表性的限水农业区开展连续多年田间试验。Lamesa试验点位于Southern High Plains，以冬黑麦（Secale cereale L.）为覆盖作物，连续观测3个年度；Chillicothe试验点位于Rolling Plains，以冬小麦（Triticum aestivum L.）为覆盖作物，连续观测2个年度。不同地点配置了不同灌溉制度和覆盖作物终止时期处理，使数据涵盖了较丰富的环境与管理变异。研究的核心目标包括：系统比较5种ML算法在不同UAV特征输入条件下的AGB预测能力；评估结构特征、光谱波段、植被指数和纹理特征的单独作用及其融合效果；进一步检验模型在跨年份、跨物种和跨管理处理条件下的稳健性与可迁移性。研究表明，人工神经网络（Artificial Neural Network, ANN）在多数情境下优于随机森林（Random Forest, RF）、支持向量回归（Support Vector Regression, SVR）、极端梯度提升（eXtreme Gradient Boosting, XGB）和偏最小二乘回归（Partial Least Squares Regression, PLSR）；其中，以植被指数和结构特征融合的方案预测效果最佳。该研究的重要意义在于，为覆盖作物生物量快速监测提供了可扩展的数据驱动方法，并为限水地区覆盖作物管理、节水决策和土壤健康提升提供了技术支撑。

研究人员主要采用以下关键技术方法：以田间样方烘干实测AGB作为真值数据，样本来自Lamesa冬黑麦与Chillicothe冬小麦试验，共395份；利用DJI Phantom P4 multispectral获取蓝、绿、红、红边和近红外波段影像，生成正射镶嵌图和数字表面模型（DSM）；提取结构特征（株高、冠层覆盖度）、光谱波段、30个植被指数及基于灰度共生矩阵（GLCM，表征纹理空间关系）的6个纹理特征；通过Pearson相关与方差膨胀因子（VIF）筛选变量；构建单一特征、双特征融合、三特征融合及全特征融合数据集；采用RF、SVR、XGB、PLSR和ANN建模，并结合随机划分与分组留一验证，以及SHAP开展模型解释。

在研究结果部分，论文首先报告了覆盖作物生物量的统计分布。
3.1. Statistical distribution of cover crop biomass
研究人员对两个试验点不同灌溉处理下的AGB进行了描述性统计。结果显示，Lamesa的低灌溉与基础灌溉处理平均AGB分别为25.0和22.6 g m^-2，Chillicothe的旱地与灌溉处理平均AGB分别为48.3和33.2 g m^-2。各处理均伴随较高标准差和变异系数，说明限水环境下覆盖作物生长存在明显组内异质性，这也为后续建模提出了较高要求。

3.2. Interrelationship between UAV-derived features and AGB
研究人员分析了UAV衍生特征与AGB之间以及特征内部的相关关系。结果表明，结构特征中的株高（PH）和冠层覆盖度（CC）与AGB呈较强正相关，其中PH相关性最高。部分纹理特征如能量（energy）和同质性（homogeneity）与AGB呈较强负相关。多数植被指数（Vegetation Indices, VIs）与AGB呈正相关，叶绿素敏感指数（CSI）尤为突出。与此同时，不同特征组内部存在较强共线性，如部分植被指数之间、蓝绿波段之间以及红边与近红外之间高度相关，这为后续采用VIF进行变量筛选提供了依据。

3.3. Model comparison and performance evaluation
这一部分是论文的核心，系统比较了不同特征集和不同算法的AGB预测效果。

3.3.1. Individual-feature models
在单一特征建模中，ANN在结构特征、光谱波段、植被指数和纹理特征四类数据上均表现最佳，SVR次之。仅就ANN而言，以植被指数建模的测试精度最高，R²达到0.86，RMSE为9.49 g m^-2；结构特征取得中等精度；纹理特征表现最弱。SHAP分析进一步显示，结构特征组中PH最关键，光谱波段组中近红外（NIR）最重要，植被指数组中冠层叶绿素含量指数（CCCI）贡献最大，纹理特征组中熵（entropy）最具影响力。结果说明，单独使用植被指数即可较好反映覆盖作物AGB，但不同特征组的信息含量差异显著。

3.3.2. Two-feature fusion models
在双特征融合中，ANN继续保持最优性能。研究结果表明，将植被指数与结构特征融合时模型效果最佳，测试集R²为0.87，RMSE为9.08 g m^-2；将植被指数与光谱波段融合时效果次之；而涉及纹理特征的若干组合则使预测精度下降。SHAP结果显示，在包含结构特征的组合中，PH均为最重要变量；在植被指数与纹理融合中，CVI占主导；在植被指数与波段融合中，CCCI贡献最高。总体上，PH和CCCI在多数组合中均呈稳定正向贡献，说明结构生长信息与生理光谱信息的协同可明显提升模型表现。

3.3.3. Three-feature fusion models
三特征融合共形成四种组合。除VIs_SFs_TFs情形下SVR略优外，ANN在大多数三特征组合中仍为最佳模型。其中，VIs_SFs_SBs组合取得最高测试精度，R²为0.87，RMSE为9.15 g m^-2；VIs_SBs_TFs则表现较差。包含结构特征的模型中，PH始终具有最高SHAP值；而contrast等纹理变量贡献相对较低，CSI和correlation在部分模型中呈负向作用。结果表明，适度引入多类型特征有助于提高模型可靠性，但并非特征越多越好，关键在于特征之间是否提供互补信息。

3.3.4. Four-feature (all) fusions
当融合全部四类特征时，ANN仍显示出最稳定的综合性能，测试集R²为0.85，RMSE为9.91 g m^-2，SVR紧随其后。RF与XGB虽然训练阶段精度很高，但测试表现较差，显示出过拟合倾向；PLSR则始终表现最弱。全特征融合下，经VIF筛选后保留的关键变量包括PH、Blue、CVI、MCARI、CSI、EGVI、Dissimilarity和Correlation。SHAP汇总结果显示，PH和CVI在全部模型中都位居前列，是最稳定的核心预测因子。敏感性分析进一步表明，当前四个最重要特征——PH、CVI、CSI和Blue——已能捕获大部分预测信息，继续加入后续变量仅带来边际增益。这说明构建结构合理、变量精简的模型，可能在保持精度的同时降低计算复杂度。

3.4. Generalizability assessment using grouped validation
为检验模型泛化能力，研究人员基于VIs + SFs这一最佳特征组合开展了逐年留一、逐物种留一和逐处理留一验证。结果显示，所有分组验证的表现均低于随机70/30划分，说明随机混合划分可能高估模型对未知情境的迁移能力。逐年留一验证平均测试RMSE为17.44 g m^-2，R²为0.57，提示年际环境波动显著影响模型时序泛化。逐物种留一验证平均测试RMSE为17.59 g m^-2，R²为0.54，但由于本研究中物种与地点混杂，物种效应同时叠加了环境差异。逐处理留一验证表现相对最好，平均测试RMSE为16.27 g m^-2，R²为0.63，显示模型在不同管理处理间具有相对更好的稳健性。总体而言，ANN虽在严格独立验证中性能下降，但仍保持中等预测能力，表明其具有一定的跨条件应用潜力。

讨论部分围绕模型优劣、特征融合机制及泛化限制展开。研究人员认为，将冬黑麦与冬小麦数据整合建模，是基于二者均属于冷季禾本科覆盖作物，在物候进程、冠层结构与环境响应方面具有相似性，这使统一建模框架具有生态学合理性。算法比较显示，ANN之所以优于其他方法，主要在于其更善于刻画多维输入与AGB之间复杂的非线性关系；SVR同样表现稳健，而RF与XGB更容易在训练集中过拟合；PLSR由于属于线性模型，难以充分捕捉特征间复杂交互。特征方面，虽然PH和CC与AGB相关性最高，但单独建模时VIs效果最佳，说明生理状态信息具有较高解释力。进一步结合SHAP可见，CCCI、CSI、CVI、EGVI和TCARI/OSAVI等叶绿素相关指数是关键变量，反映出冠层叶绿素含量、氮素状态和光合活性对生物量预测的重要性。讨论还指出，纹理特征独立作用有限，但作为辅助信息嵌入更大融合框架时仍可提供增益。研究同时强调，训练数据若不能充分覆盖高低生物量范围及年份、物种、管理差异，模型外推能力将受限；此外，本研究中物种与地点未完全解耦，也限制了对跨地点、跨物种迁移性的严格解释。

研究结论部分可译为：
本研究凸显了将基于无人机（UAV）的遥感与机器学习（ML）算法相结合，用于限水农业系统中覆盖作物生物量可靠估算的潜力。该建模框架利用多种UAV衍生特征，在若干特征组合和模型架构下均表现出较强预测能力。在所评估的ML算法中，人工神经网络（ANN）始终优于其他算法，尤其是在植被指数（VIs）与结构特征（SFs）结合时，突显了生理信息与结构信息之间的协同作用。株高（PH）和叶绿素植被指数（CVI）作为最重要预测因子的突出地位，进一步强调了联合使用这些指标进行稳健生物量评估的重要性。更为重要的是，特征融合被证实可提升模型精度与可靠性，从而为不同田间条件下覆盖作物表现监测提供一种可扩展且灵活的方法。分组验证（逐年留一、逐物种留一和逐处理留一）显示，与对合并数据进行随机划分相比，ANN模型性能有所下降，这表明模型可迁移性受到时间、物种和管理差异的限制。尽管如此，ANN在独立验证方案下仍保持中等预测性能，支持其在具备足够多样化训练数据条件下的更广泛应用潜力。这些进展对于精准农业的发展具有高度相关性，可支持覆盖作物管理、节水和土壤健康改善的数据驱动决策。未来研究应通过引入更多环境因子并探索集成学习技术，进一步提高该框架在更广泛农业生态系统中的预测精度与适应性。