《Agricultural Water Management》：Classification of paddy field water conditions with unmanned aerial vehicle: A novel method incorporating the short-wave infrared band
编辑推荐：
监测稻田水分状况（PFWC）因频繁的干湿交替循环和复杂的冠层条件而面临独特挑战。现有基于无人机（UAV）的田间水分状况识别研究整合了多源信息，包括热红外（TIR），这限制了监测时间窗口至较短时段，并降低了数据采集与处理效率。此外，这些模型在复杂田间条件下的评估
监测稻田水分状况（PFWC）因频繁的干湿交替循环和复杂的冠层条件而面临独特挑战。现有基于无人机（UAV）的田间水分状况识别研究整合了多源信息，包括热红外（TIR），这限制了监测时间窗口至较短时段，并降低了数据采集与处理效率。此外，这些模型在复杂田间条件下的评估也较为罕见。本研究利用从包含短波红外（SWIR）的多光谱（MS）加热红外（TIR）传感器获取的UAV数据，开发了多个PFWC分类模型，随后选择了最优模型和信息源，并验证了模型在多个场景下的泛化能力。结果表明：（1）包含SWIR的MS源在9:00–15:00时间窗口内实现了令人满意的PFWC分类性能，最优模型（支持向量机，SVM）在三个生长阶段的平均Accuracy=0.918，Macro-F1=0.899；而排除SWIR的MS+TIR仅能在12:00–15:00时间窗口内有效。同时，在包含SWIR的MS中添加TIR无法有效提升分类精度。（2）多场景测试显示，除水稻倒伏场景表现欠佳外，本研究的PFWC分类方法在农民实际耕作条件、氮素不足和虫害侵扰等田间场景中均表现良好，展现出较强的跨场景泛化能力。总体而言，使用包含SWIR的MS作为SVM的输入是一种有效的基于UAV的PFWC分类方法，该方法相较于TIR延长了可操作监测窗口，提升了数据采集与处理效率，并为稻田灌区智能灌溉预报的发展提供了有益支持。
# 论文解读：基于无人机短波红外波段的稻田水分状况分类新方法
## 研究背景与问题
水稻（*Oryza sativa* L.）是一种高耗水作物，其不同生长阶段需要频繁灌溉以满足生理需求并保障产量。在全球水资源日益稀缺的背景下，合理制定灌溉计划成为平衡节水和稳产的关键。因此，准确、高效地监测稻田水分状况（paddy field water conditions, PFWC）对于科学制定灌溉方案和优化灌区水资源分配具有重要意义。
传统原位传感器虽能快速测量田间水分状况，但存在成本高、易损坏、维护困难以及空间代表性差等问题，尤其是在交替干湿（alternate wetting and drying, AWD）管理的稻田中，传感器易脱落失效。无人机（unmanned aerial vehicle, UAV）遥感技术凭借高分辨率和灵活部署的优势，已被广泛证明可实现大范围、快速、准确的田间水分监测。然而，现有研究多集中于旱地作物土壤含水量估算，针对稻田的研究相对匮乏。稻田中地表水、土壤和植被冠层共存，导致辐射响应更为复杂；尤其是冠层闭合后，背景被遮蔽，而冠层蒸腾和大气条件可能干扰热信号，使得传统光学或热红外观测难以直接反映实际水分状态。
现有基于UAV的田间水分状况识别研究主要依赖多源信息，包括可见光、多光谱（multispectral, MS）、热红外（thermal infrared, TIR）和高光谱数据等。虽然多源信息可提高精度，但降低了数据采集与处理效率（通常MS和TIR需要两台独立传感器分别采集和处理）。此外，TIR依赖地表温度间接反映水分状况，其有效监测时间窗口通常限制在午后（12:00–15:00）高温时段，限制了大规模、长期监测的应用。同时，现有模型多基于标准管理试验田开发，在农民实际耕作条件或生长异常田块中的泛化能力尚未得到验证。
为克服上述局限，本研究利用包含短波红外（short-wave infrared, SWIR）波段的UAV多光谱和热红外数据，旨在：（1）识别最优信息源和模型，以提升数据采集处理效率并延长监测窗口；（2）评估模型在多种管理实践和生理条件下的泛化能力。
## 主要关键技术方法
研究人员使用大疆M350 RTK无人机搭载长光禹辰AQ300 Pro传感器（集成7个通道：蓝B、绿G、红R、红边RE、近红外NIR、短波红外SWIR、长波红外LWIR/TIR），在2025年两个水稻季内，于中国江西省赣抚平原灌区7个地点（包括江西省灌溉试验中心站试验田及6个村庄的实际农户田块）共执行122次飞行（9:00–15:00）。数据预处理后，计算每个田块的96个特征：6个MS波段均值、38个植被指数、42个基于灰度共生矩阵（GLCM）的纹理特征，以及TIR相关的3个指数和7个纹理特征。采用两阶段特征选择方法（MultiSURF + 递归特征消除交叉验证RFECV）。采用四种机器学习模型：随机森林（RF）、支持向量机（SVM）、反向传播神经网络（BPNN）和极限学习机（ELM），以7:3比例随机划分训练集和测试集进行建模与评估，并在四个外部测试场景（农民实际耕作、氮素不足、虫害侵扰、植株倒伏）中验证泛化能力。
## 研究结果
### 3.1 不同模型对稻田水分状况的分类性能
通过比较四种模型在三个生长阶段的表现，发现SVM、BPNN和ELM均能有效分类PFWC，其中SVM模型表现最佳（测试集宏F1分数在各信息源组中分别为0.684–0.941、0.419–0.917、0.398–0.843，随生长阶段变化）。RF模型在训练集上表现优异（平均宏F1达0.858–0.976），但在测试集上性能较差，表明存在过拟合倾向。模型排名总体为SVM > ELM > BPNN > RF（各生长阶段略有差异）。
### 3.2 不同信息源对稻田水分状况的分类性能
#### 3.2.1 9:00–15:00时间窗口内的分类性能
在9:00–15:00时间窗口内，包含SWIR的多光谱源（Group 1）和包含SWIR的多光谱+热红外源（Group 2）均表现出良好的PFWC分类性能，且两者差异很小；而排除SWIR的多光谱+热红外源（Group 3）性能较差。例如，在拔节期，Group 1的测试集宏F1范围为0.571–0.917，Group 2为0.561–0.912，Group 3仅为0.419–0.424。这说明包含SWIR的MS源可有效分类PFWC，而添加TIR无法有效提升精度；排除SWIR后，MS+TIR在9:00–15:00窗口内性能不佳。
#### 3.2.2 两个子时间窗口（9:00–12:00和12:00–15:00）内的分类性能
Group 3在12:00–15:00子窗口内的PFWC分类性能显著优于9:00–12:00子窗口（例如返青期最优宏F1从0.630提升至0.829）。而Group 1和Group 2在两个子窗口间的性能差异很小（Group 1在返青期最优宏F1分别为0.921和0.906）。这表明TIR仅在午后高温时段有效，而SWIR在整个9:00–15:00均表现稳定。因此，包含SWIR的MS源不仅可在任何子窗口取得满意结果，且相比包含TIR的多源方案仅需单传感器，提升了数据采集与处理效率。
### 3.3 多场景外部测试集评估
在最优信息源（Group 1）下，模型在场景1（农民实际耕作）、场景2（氮素不足）和场景3（虫害侵扰）中表现良好。例如在拔节期，场景1的最优宏F1为0.851（SVM），场景2为0.911（SVM），场景3为0.936（SVM）。但在场景4（植株倒伏）中性能下降（拔节期最优宏F1仅0.720）。这说明本研究的PFWC分类方法在大多数实际场景中适用，但在冠层结构严重改变的倒伏条件下仍面临挑战。
## 总结讨论
研究人员首先讨论了所定义的四类PFWC（淹水Ⅰ、部分淹水Ⅱ、未淹水但未干旱Ⅲ、已干旱Ⅳ）的实践意义：它们可直接指导不同灌溉策略（如连续淹灌或AWD）的灌溉决策，尽管不提供连续的水深或土壤含水量估计，但能与灌溉操作直接关联。在模型比较方面，SVM凭借核函数映射和最大间隔原则，在输入特征以SWIR为主时能清晰区分不同PFWC类别，对样本量依赖较小；而BPNN和ELM在不同阶段表现差异与特征维度和样本量有关；RF则因过拟合而泛化能力较弱。信息源比较显示，SWIR波段位于强水吸收区，对土壤和冠层水分变化敏感，且不受气温限制，因此可在9:00–15:00全时段稳定分类；而TIR仅在午后能量充足时有效。因此，包含SWIR的MS源可延长监测窗口并提升效率。生长阶段差异方面，返青期冠层覆盖度低，SWIR直接响应背景水分，分类性能最优；抽穗期冠层闭合但结构稳定，仍保持良好性能；成熟期叶片生理衰老导致水分信号减弱，性能稍降。多场景泛化方面，SWIR对水分响应稳定，受氮素、虫害等非水分因素影响小，因而模型在大多数场景下泛化能力强；但倒伏改变冠层几何结构，增加了光谱混合效应，导致性能下降。局限性包括：实验仅在赣抚平原灌区进行，需在其他地区验证；依赖具体SWIR传感器的波长设置；样本量在各阶段和场景间不均衡；部分胁迫场景（如倒伏）缺乏返青期样本。未来应收集更多完整数据并测试多胁迫联合情形。
## 研究结论翻译
本研究通过比较不同模型和信息源，提出了一种基于UAV的PFWC分类方法，并在多个田间场景中评估其泛化能力。UAV识别的四类PFWC与实际稻田水分状况一致，可为管理者提供直接的田间水分信息，指导不同灌溉策略下的灌溉计划制定，并为未来灌溉预报提供支持。以下为结论总结：
在四种机器学习模型中，SVM在分类精度、稳定性和计算效率方面取得了最佳总体表现，而RF因过拟合导致测试性能较弱。
在信息源组中，包含SWIR的MS源提供了最合适的输入。它在9:00–15:00时间窗口内实现了可靠分类，而排除SWIR的MS+TIR仅在12:00–15:00窗口内有效。此外，在包含SWIR的MS中添加TIR并未进一步提升分类性能。这表明包含SWIR的MS源可减少对TIR的依赖，延长日常可操作监测窗口，并提高数据采集与处理效率，为未来基于UAV的稻田灌区智能灌溉预报做出了有价值的贡献。
所提出的方法在农民实际耕作条件、氮素不足和虫害侵扰的田间场景中表现出良好的泛化能力，支持其在稻田灌区的潜在广泛应用。然而，在植株倒伏场景下其性能下降，表明冠层结构扰动仍是未来研究需要应对的挑战。
