昆士兰牧场生物量监测中的无人机与卫星级联方法

《AgriEngineering》：Pasture Biomass Monitoring in Queensland Rangelands with UAV and Satellite Cascades

　　

牧场生物量的业务化卫星监测需要能够在校准区域之外迁移的模型。研究人员提出了一种分层开源级联方法，将现场剪称法生物量（n=1120个样本，覆盖昆士兰五个牧场的十一个站点）通过无人机数字表面模型（DSM）影像缩放至Sentinel-2预测，使用TabPFN（一种针对小表格数据的预训练转换器基础模型）作为所有三个嵌套空间尺度的回归器。在九个站点的二十个站点-日期聚合数据上采用留一站点法（LOSO），仅基于光谱的Sentinel-2模型未能迁移（最佳R²=-0.15，均方根误差RMSE=4.62 t ha^-1）。附加开放气候（Open-Meteo ERA5）和表土（SoilGrids 2.0）协变量，并在对数转换的生物量上评估五种学习器（GBM、RF、XGBoost、TabPFN和GBM+TabPFN堆叠），将LOSO R²提升至-0.08，并将RMSE降低至4.43 t ha^-1；由研究人员早期牧场化学工作中TabPFN氮回归器预测的叶氮生长轨迹进一步将像素级LOSO RMSE降低4%。三种替代协变量类别——BARRA-R2再分析气候、三种独立覆盖度产品以及Sentinel-1 C波段SAR后向散射——均被测试并拒绝，全部达到相同的RMSE下限。对称的负结果表明，当前九个牧场范围内的残余LOSO上限是样本量和光学饱和限制，而非特征工程限制；最可行的业务化路径是按气候区和昆士兰土地类型对生产模型进行分层，而非在单一全局学习器中追求更多协变量。

**论文解读：昆士兰牧场生物量监测中的无人机与卫星级联方法**

**研究背景与问题**
澳大利亚北部牧场覆盖超过400万平方公里，支撑着具有国家战略意义的肉牛产业。牧场生物量（standing dry matter，单位为kg DM ha^-1）是匹配放牧率与饲料可用性的最关键变量，但当前缺乏满足战术性放牧决策所需时空分辨率的定量信息。传统剪称法（clip-and-weigh）在点位准确，但空间覆盖有限且劳动密集。光学卫星遥感（如Sentinel-2）虽提供10米、5-10天重访的宽带植被指数，但已报道的草地生物量模型R²值多在0.50-0.85之间，且多数研究依赖站点内k折交叉验证，高估了迁移能力；留一站点法（LOSO）性能极少报道且通常更低。无人机（UAV）摄影测量可提供亚分米级冠层高度模型（CHM），与生物量密度直接相关，但受限于图幅面积和重复飞行成本。因此，需要一种层次化缩放协议，桥接现场样本、无人机图幅和大陆尺度卫星影像，以实现业务化牧场生物量监测。

**研究内容与意义**
研究人员提出了一种完整的开源多尺度TabPFN生物量级联方法，基于昆士兰五个商业肉牛牧场的11个站点，采集了1120个双几何（quadrat与mower）剪称样本，经皮重校正后构建地面真值数据集。通过无人机数字表面模型（DSM）影像训练TabPFN回归器及其随机森林（RF）代理模型，生成5厘米壁到壁生物量栅格；进而利用Sentinel-2影像训练三个阶段的生物量模型（快照、NDVI生长、NDVI加叶氮生长），并加入开放气候（Open-Meteo ERA5）和表土（SoilGrids 2.0）协变量，最终在LOSO协议下实现跨站点性能提升。该研究首次将单个表格基础模型（TabPFN）应用于三个嵌套空间尺度，并展示了业务化时间序列输出（每5-10天一次，每个场景约40秒），为澳大利亚牧场的近实时生物量和化学组成监测提供了可复现的操作框架。论文发表在《AgriEngineering》。

**关键技术方法**
研究采用的主要技术方法包括：（1）现场双几何剪称采样（quadrat 0.25 m²与mower 1-4 m²），经皮重校正后获得1120个样本，覆盖11个站点（五个牧场，位于昆士兰沙漠高地、Brigalow带和东南昆士兰生物区）；（2）无人机摄影测量（Wingtra One固定翼与RIEGL miniVUX-3UAV LiDAR）生成5厘米DSM和CHM，提取多边形高度统计量（均值、中位数、P95等）；（3）TabPFN回归器（v2，CPU，32个集成成员）及其RF代理模型（n_estimators=300），用于壁到壁栅格推断；（4）Sentinel-2 L2A影像通过Element 84 STAC API获取，提取10个表面反射率波段及8个NDVI/叶氮生长特征；协变量包括Open-Meteo ERA5气候（11个特征）和SoilGrids 2.0表土（6个特征）；（5）评估五种学习器：GBM、RF、XGBoost、TabPFN及GBM+TabPFN堆叠，使用对数转换的生物量目标，在20个站点-日期聚合数据上执行LOSO验证。

**研究结果**

**3.1 UAV-DSM TabPFN生物量模型**
基于489个多边形样本（12个站点-日期）的无人机CHM模型，样本内R²=0.94，RMSE=1.74 t ha^-1，表明高度-生物量关系在校准区域内拟合良好；LOSO站点R²=-0.34，RMSE=8.10 t ha^-1，证实跨站点泛化能力有限，但该阶段仅作为虚拟样本生成器，跨站点推广由下游Sentinel-2阶段承担。RF代理模型保留样本内R²=0.97，部署速度比直接TabPFN快约1000倍，成功生成12个图幅的5厘米壁到壁生物量栅格，并提供了856个云-free Sentinel-2训练对。

**3.2 Sentinel-2生物量模型**
三个Sentinel-2 TabPFN模型（阶段1-3）的样本内R²达0.965-0.979，但像素级LOSO R²均为负值（-0.69至-0.80），符合NDVI在中等以上生物量饱和的已知现象。加入叶氮（TN）轨迹（阶段3）将LOSO R²从-0.80提升至-0.67，RMSE降低4%（6.59 vs 6.32 t ha^-1），证明TN生长特征提供了互补信息。

**3.3 聚合级跨站点协变量实验**
在20个站点-日期聚合数据上，仅光谱特征（10个Sentinel-2波段+9个植被指数+NDVI生长描述符）在所有学习器上均产生负LOSO R²（最佳RF为-0.15，RMSE 4.62 t ha^-1）。附加开放气候和土壤协变量后，最佳LOSO R²提升至-0.08（环境仅GBM+TabPFN堆叠），RMSE降至4.43 t ha^-1。三种替代协变量（BARRA-R2气候、三种独立覆盖度产品、Sentinel-1 C波段SAR）均被拒绝，所有组合均达到相同的RMSE下限。NDVI与NDRE（红边指数）对比实验显示，NDRE仅带来微小改进，不足以改变定性结论。

**3.4 开放协变量来源验证**
SoilGrids 2.0的土壤有机碳和全氮与现场数据一致性良好（Pearson r分别为0.73和0.87）。三种覆盖度产品（DEA、TERN、局部TabPFN）与无人机高光谱参考相比，PV/NPV分配误差达14-16%，且所有产品在生物量回归中斜率与零无显著差异，证实光学饱和发生在光谱解混之前。

**3.5 业务化时间序列：管理C4草地（Baryugal）**
2023年1月至2026年5月的156个云-free Sentinel-2场景显示，生物量范围1.2-7.4 t ha^-1，季节峰值在夏季（1-2月），与降雨和放牧活动一致。粗蛋白和DMD领先生物量约25天，符合Lemaire和Gastine的经典生物量-氮稀释响应。场景处理平均41秒，LOWESS平滑后暴露3-7 t ha^-1的年周期。

**3.6 业务化时间序列：草栖木本稀树草原（Mt Pleasant）**
114个场景显示生物量变化约5-17 t ha^-1，LOWESS平滑季节包络约5-14 t ha^-1，粗蛋白和DMD较低且范围更窄。深度学习牧场掩膜成功抑制了木本冠层信号，分离出短期草本动态。

**讨论与结论**
讨论部分指出，TabPFN在三个嵌套尺度的部署是方法学贡献，其优势在于无需每个尺度进行超参数搜索，且推断结果确定。随机森林代理策略保留97%的样本内拟合度，吞吐量提升约1000倍。皮重校正是跨站点生物量建模的必要步骤，因为未校正的样本存在约1.31 t ha^-1的平均正偏差。跨站点分析揭示，仅光谱特征的LOSO性能为负，而开放气候和土壤协变量提供一致改进，但最佳LOSO R²仍为负值，表明当前校准足迹（11个站点）存在样本量和光学饱和限制，而非特征工程不足。三种替代协变量（BARRA-R2、覆盖度产品、Sentinel-1 SAR）均被拒绝，因其无法突破光学饱和天花板。叶氮轨迹作为生长特征带来边际但真实的改进，而红边指数NDRE仅提供微小提升。业务化管道可在每个站点每5-10天输出10米生物量和化学组成图，输入全为公开数据，仅需一次性无人机校准飞行和30-50个地面样本。局限性包括校准足迹窄、地面真值仅单时间点、以及聚合级LOSO上限。未来工作需扩展到温带C3系统和Mitchell草低地，按气候区和昆士兰土地类型分层生产模型，并探索贝叶斯站点特异性校准转移。

**研究结论**
研究人员首次将单个表格基础模型（TabPFN）应用于三个嵌套空间尺度（现场、无人机和Sentinel-2）的同一农业生态目标。皮重校正地面真值（1120个样本，11个站点）、TabPFN无人机DSM回归器及随机森林代理（样本内R²=0.94）、以及三个Sentinel-2 TabPFN模型（样本内R²=0.97；仅光谱条件下像素级LOSO站点R²在-0.69至-0.80之间）共同实现了澳大利亚牧场的连续10米、5-10天生物量和化学组成图，当与开放气候和土壤协变量结合时，将聚合跨站点LOSO R²从-0.15（最佳仅光谱学习器）提升至-0.08（环境仅GBM+TabPFN堆叠，RMSE 4.43 t ha^-1）。来自研究人员早期牧场化学工作中TabPFN化学模型的叶氮轨迹提供了超越NDVI持续性的互补信息，将像素级LOSO R²从-0.80提升至-0.67，并将像素级LOSO RMSE降低4%。主要方法学贡献是在开源级联的三个嵌套尺度上部署单个表格基础模型；主要实证贡献是诚实跨属性LOSO基准，量化了当前可交付的操作范围以及限制在当前九个牧场足迹上进一步改进的样本量和光学饱和天花板。所有代码、模型和预测均可从通讯作者处获取，受限于基础野外工作的商业保密和土地所有者隐私条款。未来工作将扩大校准足迹至温带C3系统和Mitchell草低地，整合牧场尺度重复剪称验证，按气候区和昆士兰土地类型对生产模型进行分层，并探索贝叶斯站点特异性校准转移。