《Smart Agricultural Technology》：A new approach for estimating the three-dimensional spatiotemporal distribution of wheat canopy water content based on multi-source data and machine learning
编辑推荐：
准确表征小麦冠层含水量（Canopy Water Content, CWC）的三维（3D）时空分布对于诊断水分胁迫和实现精准田间管理至关重要。然而，宽带多光谱数据缺乏水分敏感波段，而传统光学遥感表征CWC三维空间分布的能力有限。为解决上述局限，本研究提出一种利
准确表征小麦冠层含水量（Canopy Water Content, CWC）的三维（3D）时空分布对于诊断水分胁迫和实现精准田间管理至关重要。然而，宽带多光谱数据缺乏水分敏感波段，而传统光学遥感表征CWC三维空间分布的能力有限。为解决上述局限，本研究提出一种利用多源数据和机器学习估算小麦CWC三维时空分布的新方法。研究人员将多光谱植被指数（Vegetation Indices, VIs）与累积生长度日（Accumulated Growing Degree Days, AGDD）整合至随机森林（Random Forest, RF）、XGBoost、高斯过程回归（Gaussian Process Regression, GPR）和神经网络（Neural Networks, NN）四种机器学习算法中，构建精确的CWC估算模型；随后将所得CWC反演图直接与激光雷达（Light Detection and Ranging, LiDAR）点云融合，重建小麦CWC的三维时空分布。结果表明，融合VI与AGDD的机器学习模型（R2＝0.65–0.73，RMSE＝0.021–0.025 g/cm2，rRMSE＝29.04%–34.17%）均优于仅基于VI的线性回归模型（R2＝0.57，RMSE＝0.027 g/cm2，rRMSE＝36.68%）。在各模型中，神经网络达到最高估算精度（R2＝0.73，RMSE＝0.021 g/cm2，rRMSE＝29.04%），且在十折交叉验证中残差范围最窄、平均RMSE最低。将CWC影像直接与LiDAR点云融合的结果与传统多光谱影像—点云融合法高度一致（r＝0.96，p＜0.001）。此外，所提方法将处理时间从1.2 h缩短至0.2 h，内存消耗从620.5 MB降至103.6 MB。该方法有效表征了小麦CWC的三维及垂直分布，揭示CWC在不同生育期、品种、施氮水平及冠层层次间存在显著差异（p＜0.05），为作物水分状况的精确、高通量三维监测提供了新方案。
论文解读——《A new approach for estimating the three-dimensional spatiotemporal distribution of wheat canopy water content based on multi-source data and machine learning》（发表于Smart Agricultural Technology）
一、研究背景与意义
传统植株水分监测依赖破坏性取样，费时费力；被动光学遥感虽可非破坏性地获取冠层含水量（Canopy Water Content, CWC＝等效水厚度 Equivalent Water Thickness, EWT × 叶面积指数 Leaf Area Index, LAI），但宽带多光谱传感器多缺失短波红外等水分敏感波段，且常规光学遥感仅提供二维信息，无法刻画CWC在冠层内的三维（3D）水平与垂直异质性。激光雷达（Light Detection and Ranging, LiDAR）可获取植被三维结构点云，已有研究通过将多光谱影像与点云融合来获取三维理化参数，但多涉及高维多波段数据融合，计算量大、效率低。此外，单纯植被指数（Vegetation Index, VI）与CWC的线性关系受生育进程影响大，估算精度有限。因此，研究人员开展本研究，旨在（1）通过融合多光谱VI与累积生长度日（Accumulated Growing Degree Days, AGDD）并采用机器学习提升小麦CWC估算精度，弥补宽带多光谱缺水敏波段的不足；（2）提出将机器学习反演得到的CWC二维栅格图直接与LiDAR点云融合，降低融合维度与计算成本，实现小麦CWC三维时空分布的高效重构，并分析其沿品种、施氮量与生育期的垂直分异特征。
二、主要技术方法概述
研究于江苏睢宁（Exp. A，48个小区）和如皋（Exp. B，16个小区）冬小麦试验场开展，供试8个品种、两个施氮水平（150与300 kg/ha）。于拔节—灌浆期同步采集无人机（Unmanned Aerial Vehicle, UAV）AIRPHEN六波段多光谱影像（经拼接、几何校正与辐射定标，用绿波段与可见光大气抗性指数 Visible Atmospherically Resistant Index, VARI 剔除土壤背景）、地面RIEGL-VZ1000地基LiDAR点云（配准去噪）、破坏性取样的叶片鲜重（Fresh Weight, FW）/干重（Dry Weight, DW）及叶面积（测定EWT＝(FW－DW)/A，CWC＝EWT×LAI），并结合气象站数据计算AGDD（基温0℃）。从10个常用VI中筛选与CWC相关性最高的光化学波段比值指数（Photochemical Reflectance Band Index, PBI＝R850/R570）作为光谱输入，分别以仅VI的线性回归（Linear Regression, LR）及VI＋AGDD为输入的RF、XGBoost、GPR、NN建立CWC估算模型，十折交叉验证评价。选取最优模型生成CWC反演图，基于数字表面模型（Digital Surface Model, DSM）配准控制点，将LiDAR点云按1 cm×1 cm×2 m柱体划分，取各柱最高点坐标赋予对应CWC像元值完成直接融合；对比传统先融合多光谱再按LR推算CWC的流程。点云按5 cm间隔分层提取垂直分布，用单因素方差分析（One-way ANOVA）与Duncan多重比较检验差异。
三、研究结果
3.1. Evaluation of the accuracy of wheat CWC estimation models using different methods（不同方法的小麦CWC估算模型精度评价）
经筛选PBI与CWC线性决定系数最高（R2＝0.61）。仅VI输入的LR模型精度较低（R2＝0.57，RMSE＝0.027 g/cm2，rRMSE＝36.68%）；加入AGDD后，XGBoost（R2＝0.65）、RF（R2＝0.70）、GPR（R2＝0.71）及NN（R2＝0.73，RMSE＝0.021 g/cm2，rRMSE＝29.04%）精度显著提升，NN残差范围最窄（－0.05～0.05 g/cm2）、均值近零、十折交叉验证平均RMSE最低（0.0218 g/cm2），综合表现最优。RF与XGBoost中VI重要性（0.67、0.63）高于AGDD（0.33、0.37）。
3.2. Comparison of 3D wheat CWC distributions obtained using different methods（不同方法获得的三维小麦CWC分布比较）
以NN模型CWC反演图直接与LiDAR点云融合所得三维分布，与传统多光谱—点云融合并再经LR推CWC的结果呈极显著相关（r＝0.96，p＜0.001）。新方法处理时间由1.2 h降至0.2 h，内存占用由620.5 MB降至103.6 MB，CPU占用由0.8%降至0.2%。
3.3. 3D spatial and vertical distribution of wheat CWC across cultivars, growth stages, and N fertilization rates（不同品种、生育期和施氮率下小麦CWC的三维空间及垂直分布）
CWC三维分布显示各生育期均自上而下递减，拔节—孕穗期递减陡于开花—灌浆期；上、中、下冠层CWC差异极显著（p＜0.001）。高氮（N2）处理整体CWC高于低氮（N1）（p＜0.01），且垂直剖面更复杂。8个品种间垂直CWC分布差异极显著（p＜0.001），其中品种Jimai 22（V1）与Zhenmai 12（V8）上下冠层CWC梯度大于其余品种。
四、讨论与结论翻译
讨论部分指出：引入AGDD补充了作物物候发育与积温信息，弥补单纯VI受时序光谱非线性影响的不足；NN因多层非线性结构最好捕捉VI与AGDD交互效应；直接融合CWC图与LiDAR点云降维（四维vs九维）且精度不损，适合高通量表型分析；三维垂直分布揭示上冠层CWC偏高可使传统遥感产生高估偏差，施氮与品种差异经三维解析有助于水氮互作理解与品种选育；作者也指出方法依赖AGDD获取、未涵盖极端气候外推验证、地基LiDAR效率低未来可用UAV-LiDAR替代、当前取最高点赋值的网格融合法损失部分内部点信息、未做器官级分割等局限。
结论（Conclusions）：
本研究通过融合植被指数（VI）与累积生长度日（AGDD）构建机器学习模型估算小麦冠层含水量（CWC），并将模型生成的CWC分布图直接与激光雷达（LiDAR）点云融合，高效表征小麦CWC的三维时空分布。结果表明，引入AGDD提供了作物物候发育与积温的互补信息，显著提升了宽带多光谱数据对CWC的估算能力。在随机森林（RF）、XGBoost、高斯过程回归（GPR）和神经网络（NN）中，神经网络模型性能最优（R2＝0.73，RMSE＝0.021 g/cm2，rRMSE＝29.04%），交叉验证残差分布最窄且稳定性最高。CWC图与LiDAR点云直接融合结果同传统多光谱—点云融合法高度一致（r＝0.96，p＜0.001），且处理时间与内存消耗均降低约83.3%，大幅提升数据融合效率。进一步三维分析显示CWC在生育期、品种、施氮水平及冠层层次间具显著差异（p＜0.05）。综上，所提方法在估算精度与计算效率间取得良好平衡，为作物水分状况的高通量三维监测提供了可靠技术支撑。
