棉花吐絮无人机到卫星尺度升尺框架：基于Sentinel-2对地观测的监测方法

《Land》：A UAV-to-Satellite Scaling Framework for Monitoring Cotton Boll Opening Using Sentinel-2 Earth Observations

　　

棉花吐絮是成熟度评估、脱叶时机确定及收获规划的重要季末指标，但田块尺度监测仍具挑战，因为可见皮棉进展在时空上差异显著。本研究评估了在Sentinel-2 10米网格尺度上聚合的无人机派生棉花可见皮棉百分比，能否利用Sentinel-2光谱波段、植被指数(VIs)以及累积生长度日(AGDD)作为物候预测变量进行估算。研究人员使用无人机多光谱影像，通过在冠层掩膜内进行红波段阈值分割提取可见皮棉百分比。将无人机派生的可见皮棉信息在固定Sentinel-2 10米网格单元内汇总，生成卫星兼容响应标签。研究人员采用四种监督回归模型——极端梯度提升(XGBoost)、随机森林(RF)、k近邻(kNN)和神经网络/多层感知机(NNET/MLP)——在原始与目标变换公式下进行评估。原始可见皮棉百分比对树基模型具有较高解释力，XGBoost与RF的R2均为0.73。然而目标分布呈强右偏且以低可见皮棉值为主，平均PCTOPEN为4.05%Open，这促使研究人员评估目标变换以降低偏度并考察其对预测性能的影响。在原始PCTOPEN尺度上，原始目标产生RMSE=4.38%Open点、MAE=2.31%Open点、MedianAE=0.68%Open点。平方根变换提供最强整体预测性能，保持R2=0.73与RMSE=4.38%Open点，同时将MAE降至2.14%Open点、MedianAE降至0.41%Open点。更强变换进一步降低典型预测误差，立方根、四次方根、五次方根变换的MedianAE分别为0.35、0.33、0.31%Open点；但这些改进伴随R2逐步下降(0.72、0.71、0.69)与RMSE上升(4.48、4.58、4.68%Open点)，表明更强变换以牺牲整体预测性能为代价降低了典型预测误差。结果表明无人机派生可见皮棉百分比可与Sentinel-2观测关联用于卫星尺度回归建模，但预测不确定性仍受目标偏度、10米混合像元、冠层遮挡及有限无人机采集密度影响。需增加无人机–Sentinel-2对齐采集、多田块观测及跨田块、季节、品种和生产环境的广泛验证，以提升鲁棒性并支撑业务化棉花吐絮追踪应用。

研究背景方面，棉花(Gossypium hirsutum L.)作为全球最重要天然纤维作物，其吐絮时序与空间进展直接影响脱叶、收获助剂施用及采收调度。由于棉花为无限生长作物，吐絮在植株间与田块内非均匀发生，传统田间普查难以全面刻画空间异质性。高分辨率无人机影像虽能提取吐絮像素与可见皮棉特征，但重复飞行受天气、光照与处理成本限制，难以在大区域推广；Sentinel-2以提供10米空间分辨率多光谱重复观测成为互补升尺途径，但10米像元混合了冠层、可见皮棉、土壤背景、残茬、行结构与阴影，无法直接解析单株裂铃。已有卫星研究多聚焦棉花制图、物候期识别或吐絮田块检测，连续回归估算无人机派生可见皮棉百分比聚合至卫星网格的研究尚不充分。因此研究人员在弗吉尼亚理工大学Tidewater农业研究与推广中心(TAREC)选取三块棉田，构建从无人机红波段阈值分割到Sentinel-2 10米网格聚合的连续回归标签，评估光谱、植被指数与AGDD预测能力，并考察目标变换对回归性能的作用。

关键技术方法上，研究人员于2025年花期至晚季吐絮期在Field A、B、C开展无人机多光谱飞行(DJI Mavic 3 M，20米航高，GSD约0.9厘米/像素)，经辐射定标与Pix4Dmapper正交拼接生成反射率镶嵌图；以盛花期满掩膜限定棉冠范围，取各期红波段反射率90百分位(上限0.061)作阈值分割可见皮棉像素，计算PCTOPEN=可见皮棉像素/冠层像素；依网格内冠层占比45%分界混合归一化聚合至Sentinel-2固定10米网格生成响应标签。预测变量仅取Sentinel-2蓝(B2)、绿(B3)、红(B4)波段、可见光植被指数GLI与VARI及AGDD，通过GEE Python API提取与无人机期次时间匹配的对子。建模采用XGBoost、RF、kNN、MLP四类监督回归，对原始及对数、平方根、立方根、四次方根、五次方根、Box–Cox、Yeo–Johnson、Standard Scaler等目标公式在80:20固定种子划分下做RandomizedSearchCV调参，指标在逆变换后原尺度计算R²、RMSE、MAE、MedianAE。

研究结果部分，基线性能小节显示原始PCTOPEN对树基模型最佳，XGBoost与RF测试R²均0.73，RMSE约4.38%Open，MAE约2.31，MedianAE约0.68；kNN R²=0.68，MLP仅0.13。固定目标变换小节中，对数变换略降R²至0.70~0.71且RMSE升至4.60；平方根变换维持R²=0.73与RMSE=4.38，MAE降至2.14(XGBoost)/2.09(RF)，MedianAE降至0.41，为综合最优；立方根及以上变换使MedianAE继续降至0.35~0.31，但R²滑落至0.69~0.72、RMSE增至4.48~4.68，表明强压缩牺牲整体拟合换取典型误差下降。拟合目标变换小节中，Standard Scaler不改分布形状，性能同原始；Box–Cox使XGBoost R²跌至0.65、RMSE 4.99；Yeo–Johnson R²约0.70但无优于平方根；MLP在各变换下均弱。最佳目标公式小节判定平方根变换在R²、RMSE、MAE、MedianAE四维平衡最优，但约4.38百分点RMSE说明10米混合像元与冠层遮挡仍留显著不确定。

讨论部分指出，目标变换并非单一提升手段，而是重新分配误差结构：原始目标保留方差解释，平方根适度压缩上尾提升多数低值样本绝对精度，过强根变换虽降MedianAE却损及中高值区分与整体R²。目标右偏反映棉花吐絮生物进程本身(早季低值主导、晚季陡增且空间异质增强)，非数据缺陷。Sentinel-2可行性强于预期，可见光波段+GLI/VARI+AGDD即可支撑网格级PCTOPEN回归，但本质为混合反射率反演而非裂铃检测。不确定性源含无人机分割阈值、几何配准、时相错位、45%冠层比经验截断及田块内空间自相关所致训练测试泄露。意义在于给出无人机到Sentinel-2连续升尺回归范式，可辅助成熟度制图、变量脱叶与采收排序；局限为单季三田、预测集含邻域格点、未纳入红边/NIR/SWIR/SAR。结论部分译文如下：本研究评估了将无人机派生棉花可见皮棉百分比聚合至Sentinel-2 10米网格后，用光谱、指数与AGDD预测的可行性；树基模型在原始目标下R²≈0.73、RMSE≈4.39百分点，平方根变换在维持R²与RMSE同时把MAE降至2.09~2.14、MedianAE降至≈0.41百分点，强根变换降MedianAE却损R²与RMSE，拟合幂变换无优；平方根为最佳平衡。框架证明无人机可见皮棉可与Sentinel-2关联做卫星尺度回归，但需增加吐絮陡增期对齐采集与跨田块季节品种验证方支撑业务化。该文发表于《Land》。