利用多光谱无人机影像通过机器学习回归方法估算干旱且地形复杂的农田中的细尺度土壤含水量与小麦产量

《Computers and Electronics in Agriculture》：Estimating fine-scale soil moisture content and wheat yield in drought-heterogeneous farmlands using machine learning regressions on multispectral UAV imagery

　　杨明德|苏东清|许玉春•基于无人机影像的土壤线指数可估算精细尺度的土壤含水量及小麦产量。•较高的干旱异质性会提升干旱指数对土壤含水量的敏感度。•机器学习回归方法可在小麦生长的早期阶段实现精准的产量估算。•在小麦成熟期临近时，产量估算的精度会有所提升。•时间验证表明，跨年度的小麦产量预测能够提供早期产量预警。

引言
气候变化日益影响着水资源匮乏且地理位置偏远的地区的农作物种植。台湾的外岛金门便是此类挑战的典型代表。在金门，小麦从11月中旬到次年4月在旱地条件下种植，是当地高粱酒生产中的重要原料。由于缺乏大规模灌溉设施，小麦完全依赖降水生长（CGIAR，2022）。为支持当地农业发展，金门高粱酒公司提供保价收购服务，覆盖约1,930公顷土地，每年可产出约4,100吨小麦（农业研究所以及县政府，2021）。然而，小麦的生长状况易受气候条件影响，尤其是在抽穗期，温暖潮湿的天气会增加锈病和白粉病的发生风险。

金门的年平均降水量约为1,100毫米，大约仅为台湾本岛的一半，而年蒸发量却超过1,500毫米。农田主要依靠降雨，若降水不足可能会延迟或无法进行播种。当地种植的小麦品种“台中选2号”于1978年从国际玉米小麦改良中心引入，其成熟期需125–130天（金门县农业研究所，2021）。土壤含水量对小麦的生长至关重要：从播种到抽穗阶段需要充足的土壤含水量，而在抽穗后则宜保持较低的含水量，以避免成熟延迟和倒伏现象（Lin等人，2012）。该地区表层土壤为沙质，透气性高但保水能力差，进一步加剧了水分流失。温度、相对湿度以及降水量等气象因素会直接影响地表及根系的土壤含水量，进而影响作物产量（Fan等人，2019；Zhong等人，2018；Ma等人，2018）。

及时准确的土壤含水量监测对于评估作物健康状况、光合作用、养分吸收以及产量具有重要意义（Dong和Crow，2019；Wu等人，2020；Guo等人，2022；Yao等人，2022）。不过，现有研究大多侧重于利用光学和雷达遥感技术估算裸土的土壤含水量，而在植被覆盖的情况下这种方法就难以应用。图像处理和人工智能技术已被广泛用于土壤含水量估算（Su和Yang，2014）。基于卫星影像的干旱指数和植被指数——如Sentinel卫星数据（Farhan和Al-Bakri，2019）、Landsat卫星数据（Nie等人，2020；Gao等人，2013；Zhan等人，2007；Xu和Guo，2013；Ghulam等人，2006；Ghulam等人，2007；Zhang等人，2019）以及MODIS卫星数据（Ghulam等人，2006；Ghulam等人，2007；Tao等人，2021；Zhang等人，2015、2019）——也被用于土壤含水量估算。然而，卫星数据的空间分辨率较低，不适合在小规模农田中应用，而且还需要对大气效应进行校正。此外，卫星的观测间隔较长，且云层覆盖频繁，往往会导致影像获取时间与实际田间状况存在差异。

近年来，基于无人机的遥感技术因其在精准农业中的应用而受到重视（Duan等人，2017；Su和Chou，2015；Su，2017；Deng等人，2018；Kamilaris和Prenafeta-Boldú，2018；Yang等人，2020a）。与传统卫星相比，无人机具有更高的空间分辨率、更强的时间灵活性，且受云层干扰较小。无人机已广泛应用于多种精准农业任务，包括作物监测（Lee等人，2023）、马铃薯的生长监测与产量估算（Liu等人，2023；Liu等人，2024a；Liu等人，2025）、作物叶面积指数的监测与预测（Zhang等人，2025a）、智能灌溉管理（Zhang等人，2025b）、小麦病害监测与早期预警（Liu等人，2024b）、水稻倒伏检测（Yang等人，2017），以及利用卷积神经网络和边缘计算技术进行的自动田间巡检（Yang等人，2020b；Yang等人，2020c；Yang等人，2021a）。迁移学习技术也被用于加速无人机影像中的幼苗识别工作（Tseng等人，2022）。在土壤含水量评估方面，Casamitjana等人（2020）分析了不同土地利用类型上的多光谱无人机影像，而Ge等人（2019）则将高光谱无人机影像与机器学习技术相结合，用于估算0–10厘米深度的表层土壤含水量。Bertalan等人（2022）发现，多光谱相机在土壤含水量测绘方面比热传感器更为有效。

土壤深度和海拔等环境因素对小麦的适宜种植区域有着重要影响（K?l?c等人，2022）。地形湿度指数能够为了解土壤含水量的空间变化提供依据（Ma等人，2010），而同时监测地表和根区的土壤含水量则有助于更好地理解作物的生长规律及季节性变化（Sure和Dikshit，2019）。目前常用的土壤含水量估算方法包括地面测量仪器以及被动/主动微波遥感技术（Petropoulos，2017）。此外，使用秸秆和塑料薄膜覆盖等节水措施也被证明能够提高小麦产量（Chen等人，2017；Li等人，2019；Ma等人，2018；Gao等人，2019；Zhang等人，2021）。

为克服卫星影像在空间和时间上的局限性，本研究采用了一种适用于精细尺度农田监测的近地无人机传感系统。研究人员利用安装在无人机上的多光谱传感器，对台湾金门的两块小麦田进行了多时相影像采集。为分析土壤含水量与小麦生长之间的关系，研究者基于土壤线概念，计算出了三种干旱指数——垂直干旱指数、修正垂直干旱指数以及植被调整垂直干旱指数，以及两种植被指数——归一化差异植被指数和垂直植被指数（Ghulam等人，2006；Ghulam等人，2007；Zhang等人，2015；Farhan和Al-Bakri，2019；Nie等人，2020；Tao等人，2021；Li和Tan，2013；Richardson和Wiegand，1977）。这些指数与实地测量的土壤含水量数据一起被用于构建多种回归模型，包括线性回归模型、梯度提升回归模型、支持向量回归模型以及卷积神经网络回归模型。此外，在收获前还记录了实地的小麦产量数据，以便在早期阶段进行产量估算并验证模型效果。

据我们所知，这是首项将基于土壤线的干旱指数和植被指数——这些指数是通过无人机多光谱影像生成的——应用于旱地系统中小麦生长及产量精细尺度监测的研究。通过将指数计算建立在土壤线理论基础上，本研究提升了所使用指标的可解释性和生理学意义。此外，该研究还系统地评估了包括卷积神经网络回归模型在内的多种机器学习模型在预测土壤含水量和产量方面的性能，从而能够更全面地判断这些模型在不同生长阶段和不同季节中的适用性。

了解土壤含水量与小麦产量之间的定量关系，对于优化灌溉策略、提升作物在水资源受限环境中的抗逆性以及提高预测模型的可解释性具有重要意义。在金门这样的旱地农业系统中，降雨是主要的供水来源，而干旱的异质性又会显著影响小麦产量，因此弄清土壤含水量究竟如何以及为何会影响产量尤为重要。正因如此，本研究不仅致力于利用基于无人机多光谱指数的方法来估算土壤含水量和小麦产量，还旨在通过回归分析揭示二者之间的内在关联。这样的研究结果有助于推动可解释性机器学习的发展，为制定适应性灌溉计划提供依据，同时也能在土壤含水量出现异常时提前发出产量损失的预警。

本研究的科学贡献可归纳为以下几点：
(1) 开发了一种基于无人机的框架，可用于在存在较大干旱异质性的情况下估算精细尺度的土壤含水量及小麦产量。
(2) 评估并确定了不同小麦生长阶段中较为可靠的干旱指数和植被指数，提升了回归学习模型的可解释性。
(3) 证明了在小麦生长早期阶段进行产量估算的可行性，为农业管理提供了实用的早期预警手段。
(4) 通过跨年度数据初步评估了模型的时间迁移能力，未来有望通过迁移学习和技术适配进一步提升模型的稳定性。

土壤干旱指数综述
气候变化导致全球气温上升以及干旱频发，这对粮食安全及农业经济构成了威胁。农业领域约占由气候变化带来的经济损失总量的25%（Baas等人，2015）。土壤含水量是影响光合作用（Li等人，2004）、作物生长及产量的关键因素。充足的土壤含水量有助于提升作物的养分吸收能力、微生物活性以及温度调节功能（Casamitjana等人，2020），因此它是作物生长过程中极为重要的参数。

研究地点
金门位于中国大陆东南沿海，地理坐标为北纬24°22′至24°32′，东经118°13′至118°28′，属于受海洋和大陆双重影响的亚热带季风气候。尽管夏季有西南气流和台风带来的降水，但由于蒸发强烈、保水能力差以及地形起伏较小，金门的年平均降水量仅约为1,100毫米，约为中国福建省降水量的一半（中央气象局，2022）。作为一座孤立的岛屿，金门的可耕地资源十分有限。

研究方法
本研究的工作流程如图5所示。在完成多时相无人机影像采集后，首先会对影像进行相对辐射校正，以提高在不同特征点上的光谱一致性。与此同时，也会进行实地的土壤含水量采样。随后，根据无人机影像计算出基于土壤线概念的各类指数，并将这些指数值与实测的土壤含水量及小麦产量数据相结合，用于构建回归模型。本研究的方法优势之一在于将干旱/植被指数与土壤含水量的线性回归分析相结合。

表4展示了利用线性回归法分析的第一轮数据中，各指数值与土壤含水量之间的相关性。在2021年12月19日至2022年1月8日期间，PN 713区域的干旱指数与土壤含水量之间存在中度到高度的负相关关系。此后，大多数模型的相关性有所减弱。如图4所示，2022年1月25日至2月26日期间，PN 713区域的土壤含水量显著上升，之后又开始下降，直到2022年3月11日才再次出现中度的相关性。

土壤含水量与小麦产量之间的相关性
为探究土壤含水量与小麦产量之间的关联，研究者以指数图作为输入，通过线性回归分析生成土壤含水量及小麦产量的专题地图。为减少异常值的影响，仅考虑了处于第25百分位到第75百分位之间的产量数据及其对应的土壤含水量估算值。PN 713区域（2022年4月13日）和PN 253区域（2022年2月11日）的专题地图未被纳入分析，因为这两个区域的各项指数对应的决定系数r2均低于0.2（见表5）。最终选定的数据用于后续分析。

结论
本研究评估了将基于土壤线的干旱指数和植被指数与无人机多光谱影像及机器学习回归技术相结合，用于台湾金门两块农田中土壤含水量及小麦产量精细尺度估算的可行性。研究结果表明，像VAPDI和PVI这类对植被变化敏感的指数，以及PDI这类干旱指数，都能在不同生长阶段有效地辅助土壤含水量和产量的估算。在土壤含水量变化较大的PN 713区域，这类指数发挥了更好的作用。

CRediT作者贡献说明
杨明德：撰写——审阅与编辑、研究指导、方法设计、资金申请、正式分析、概念构思。苏东清：撰写——初稿撰写、数据可视化、软件应用、方法设计、正式分析。许玉春：撰写——初稿撰写、数据可视化、概念构思。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究部分得到了NSTC 114-2634-F-005-002项目“智慧可持续新型农业研究中心（SMARTer）”的支持。