基于视觉的多组分草场生物量估算方法

《AgriEngineering》：A Vision-Based Approach for Multi-Component Pasture Biomass Estimation

　　

对草场生物量的准确估算是设计可持续放牧策略和优化牧场管理的基础，然而传统田间方法仍存在劳动密集、破坏性强且难以规模化的问题。本研究利用计算机视觉的最新进展，从俯视RGB图像中估算草场生物量的多个组分。分析基于Image2Biomass数据集，该数据集包含1162张标注的澳大利亚草场图像，每张图像均配有实验室验证的生物量测量值。研究人员实施了一个结构化的预处理流程，包括探索性数据分析、异常值缓解以及目标变量的对数变换，遵循数据集评估协议。在此基础上，研究人员提出了一种编码器-解码器回归框架，该框架将自监督视觉表示学习与基于集成的预测相结合。编码器采用DINOv2 Giant模型作为特征提取器，以捕获草层的详细空间和结构特征，而解码器则使用结合LightGBM、XGBoost和Ridge回归的堆叠集成。在15次重复的洗牌四折交叉验证中，交叉拟合的堆叠集成实现了加权决定系数为^?、加权平均绝对误差为^? g、加权均方根误差为^? g。该集成在主要加权^?指标上显著优于LightGBM、XGBoost和Ridge回归（所有三个比较的Holm校正^?值均小于0.05）。这些结果凸显了计算机视觉方法作为可扩展、非破坏性工具用于草场生物量运行监测的潜力，支持牧场系统中更明智的农艺决策。

**基于视觉的多组分草场生物量估算方法研究解读**

**研究背景与问题**

草场生物量的准确估算对可持续放牧策略设计和牧场管理优化至关重要，因为可食牧草量决定了放牧系统的管理边界，影响载畜决策、轮牧规划、补饲策略以及生长动态与农事活动的时序调整。然而，传统田间方法存在显著局限：破坏性采样需大量人力且难以重复，间接目视法或仪器法（如上升盘草高计）虽简便但易受草层结构、物种组成、水分条件和观测者主观性影响，且在大面积监测时可扩展性差。当前方法多聚焦于单一组分（如总生物量）预测，忽略各组分（如绿色生物量、三叶草生物量、枯死生物量、绿色干物质及总干物质）之间的农艺关联性，导致预测结果缺乏一致性。因此，开发一种能同时、非破坏性地估算多组分草场生物量，并保持组分间内在关系的方法，成为亟需解决的问题。

**研究内容与结论**

本研究提出了一种基于视觉的框架，用于从俯视RGB样方图像中同时估算多个草场生物量组分。该框架整合了结构化预处理、基于DINOv2编码器的自监督视觉特征提取、基于堆叠集成的多输出回归以及保持农艺一致性的后处理步骤。在Image2Biomass数据集的1162张标注图像上，通过15次重复的洗牌四折交叉验证，堆叠集成模型在主要指标加权决定系数（^?）上达到最优性能，显著优于LightGBM、XGBoost和Ridge回归基线（Holm校正后^?值均<0.05）。该研究表明，计算机视觉方法可作为可扩展、非破坏性工具用于草场生物量运行监测，支持牧场系统中更明智的农艺决策。论文发表在《AgriEngineering》。

**关键技术方法**

本研究采用的关键技术方法包括：1）基于DINOv2 Giant模型的自监督视觉特征提取器，在推理模式下冻结参数，从标准化RGB图像（缩放至224×224像素，使用ImageNet统计量归一化）中提取紧凑的嵌入向量；2）堆叠集成回归框架，以LightGBM、XGBoost和Ridge回归作为基学习器，Ridge回归作为元模型，对基学习器的输出进行组合；3）对数变换预处理目标变量（式^?）以缓解正偏态分布；4）一致性保持输出调和步骤，通过正交投影确保预测值满足农艺加法关系（式^?和^?）。样本队列来源于公开的Image2Biomass数据集，包含澳大利亚各地草场图像及实验室验证的生物量测量值。

**研究结果**

**3.1 总体预测性能**
通过15次重复的洗牌四折交叉验证，堆叠集成在加权决定系数（^?）上取得最优平均性能，加权平均绝对误差（MAE）为^? g，加权均方根误差（RMSE）为^? g。相比最强个体基线Ridge回归，堆叠集成将加权^?提高0.0280，加权MAE和加权RMSE分别降低0.4259 g和0.8115 g。重复间标准差小，表明性能稳定。

**3.2 统计显著性与模型稳定性**
堆叠集成在每次重复中均优于Ridge回归、LightGBM和XGBoost，加权^?分别提高0.0280、0.0365和0.0429。配对Wilcoxon符号秩检验经Holm校正后均显著（^?值<0.05），表明提升具有统计可靠性。Ridge回归仍为最强个体模型，显示DINOv2特征支持有效的正则化线性映射，而集成进一步利用了提升树模型的互补信息。

**3.3 集成与调和阶段的影响**
未调和堆叠集成在绿色干物质（GDM_g）上获得最高目标特异性决定系数（^?），枯死生物量（Dry_Dead_g）最难解释（^?）。调和配置后，加权^?从^?降至^?，宏观平均RMSE从^? g降至^? g，但加权MAE增加。调和在绿色、枯死和三叶草组分上提升^?和降低RMSE，但总干生物量（Dry_Total_g）性能下降，因其占评估权重50%。调和应视为一致性导向的替代方案，而非均匀优越的配置。

**3.4 生物量组分的农艺解释**
干绿色生物量（Dry_Green_g）代表活跃生长牧草，堆叠集成获得^?和RMSE^? g，表明视觉特征捕获了绿色材料变异。干三叶草生物量（Dry_Clover_g）性能稳定（^?），绝对误差最小，暗示三叶草视觉模式在DINOv2特征空间中表现良好。干枯死生物量（Dry_Dead_g）最难解释（^?），可能因枯死材料被绿色植被遮挡，或与裸土、阴影等非光合元素纹理重叠。绿色干物质（GDM_g）获得最高^?，表明视觉表示对结合绿色牧草的描述有效。总干生物量（Dry_Total_g）获得^?，但绝对误差较大（MAE^? g，RMSE^? g），部分源于其数值范围宽和组分变异累积。

**讨论与结论**

讨论部分未明确给出，但结论部分总结了研究贡献与局限。本研究提出了基于视觉的多组分草场生物量估算框架，集成DINOv2特征提取与堆叠回归，在交叉验证中取得优于基线的性能。调和步骤保证了农艺一致性，但未显著提升加权^?。研究局限包括：评估仅基于相对紧凑的数据集（通过交叉验证，因外部测试集标签未公开）；仅使用RGB视觉信息，未整合植被指数、冠层高度、物种信息等元数据。未来工作将扩展至多模态学习（结合图像嵌入与环境元数据）、不确定性感知预测及独立数据集外部验证，以提升视觉生物量估算系统的鲁棒性和运行相关性。