无人机获取的RGB、多光谱与高光谱影像基于全连接神经网络进行作物残茬覆盖制图的评估

《AgriEngineering》：Assessing UAV-Acquired RGB, Multispectral, and Hyperspectral Imagery for Crop Residue Cover Mapping Using a Fully Connected Neural Network

　　

准确的作物残茬覆盖（CRC）制图对可持续农业管理十分重要，因为残茬可支持土壤健康、侵蚀控制和碳固存。传统的地面CRC方法劳动密集且空间受限，增加了对基于无人机（UAV）遥感的兴趣。UAV可搭载RGB、多光谱和高光谱传感器，捕获不同光谱信息以区分作物残茬与土壤。本研究比较了四种高空间分辨率（2.5 cm）UAV影像——RGB、多光谱、可见光-近红外（VNIR）高光谱和短波红外（SWIR）高光谱——用于精细尺度CRC分类。研究人员开发了全连接神经网络（FCNN）对残茬和土壤像元进行分类。性能通过两种互补方法评估：基于人工勾绘影像样本的像元级精度评估，以及与地面照片得出的残茬百分比进行的样方级验证。结果表明，所有影像类型均获得较高像元级分类精度，总体精度高于94%。然而，样方级验证显示传感器性能取决于所考虑的评估指标。多光谱影像与地面照片参考CRC值具有最高R2（R2=0.672）。这些结果表明，在测试田间条件下，更大的光谱维度并不必然改善样方级CRC估算。更重要的是，高像元级分类精度并不必然转化为更强的样方级CRC估算，凸显了评估基于UAV的CRC估算时使用互补验证方法的重要性。

研究背景与动机

作物残茬指收获后留于农田表面的植物材料，其覆盖度（CRC）是评价保护性耕作（阈值常取30%）与土壤碳动态的关键指标。传统地面截线法（line transect）虽准但费时、主观且难以扩展；卫星遥感受粗空间分辨率、云污染与固定重访限制，无法满足田块尺度精细制图。无人机（UAV）可低空按需飞行，提供厘米级影像，但既往UAV-CRC研究多聚焦RGB与多光谱，高光谱VNIR/SWIR测试稀少，且缺乏在同一实验框架下对四类传感器的一致性比较。此外，分类模型评价常依赖影像内人工样本（像元级），未必反映整个田块的混合像元与异质性，因此需引入样方级独立验证。该文发表于《AgriEngineering》，旨在填补上述空白。

主要技术方法概述

研究人员于加拿大阿尔伯塔省Camrose County约37 ha麦田（播后未出苗期，2022年5月16–18日飞行）同步获取DJI M300 RTK+MicaSense Altum的RGB与多光谱（5波段，GSD≈2.5 cm）及DJI M600 Pro+Headwall共轴VNIR（400–1000 nm，270波段）与SWIR（900–2500 nm，267波段）高光谱数据，统一重采样至2.5 cm。地面于25个1 m×1 m分层随机样方拍摄正射手机照片，在eCognition中用Random Trees面向对象法（OBIA）提取地面照片参考CRC。影像分类采用PyTorch实现的FCNN（多层感知机），输入为RGB三通道、多光谱五波段或高光谱PCA前三主成分（VNIR累计98.666%、SWIR累计95.812%方差），以3 m网格空间留出法划分训练/测试ROI，避免泄漏；以像元级空间留出测试为验证#1，以25样方FCNN预测CRC比对地面照片参考CRC（R²、MAE、RMSE及Bootstrap 95%CI）为验证#2。

研究结果

3.1 UAV影像分类与像元级验证：FCNN在四类影像上总体精度均>0.94，RGB最高（0.984），依次为SWIR（0.982）、VNIR（0.978）、多光谱（0.943）。SWIR对残茬精度达0.996。说明厘米级空间分辨率本身已令RGB凭纹理/颜色获高像元精度，但多光谱因离散波段略逊于高光谱连续谱。

3.2 地面照片分类生成残茬百分比：五种机器学习比较中Random Trees最优（OA=0.967，Kappa=0.933），ArcGIS独立点检OA=0.930，Kappa=0.851，作为样方参考可靠。

3.3 样方级残茬百分比验证：多光谱R²=0.672（MAE=9.374%，RMSE=11.794%）最高；RGB R²=0.537；VNIR R²=0.510但误差最低（MAE=8.821%，RMSE=10.418%）；SWIR最弱（R²=0.286，MAE=14.823%，RMSE=18.758%）。FCNN在多光谱上优于Random Forest与SVM基线。表明光谱维数增加不自动提升样方估算，多光谱红边/NIR稳定捕捉残茬-土壤对比，SWIR受水分、背景、窄带冗余干扰。

3.4 局限与展望：单田单期、25样方统计力有限；平台/高度/预处理差异使结论属“传感器-工作流特定”；未来需多田多时相、VNIR+SWIR融合、纤维素吸收指数（CAI）/木质素-纤维素吸收指数（LCAI）等残茬敏感指数辅助。

讨论与结论翻译

结论部分指出，UAV成像是精细监测作物残茬的有力工具。本研究在一致框架下比较RGB、多光谱、VNIR与SWIR高光谱，FCNN像元级精度94%–98%，但仅像元验证不能区分传感器实用性；样方验证中多光谱R²最高（0.672），VNIR绝对误差最低，RGB中等，SWIR最弱，说明性能依指标而异。两种验证互补：像元级高精不保证样方级强估算。因数据来自单田单期25样方，结果为特定条件下相对表现而非普适排序。研究提供了多传感器CRC制图框架及双重验证范式，对田块尺度可持续管理具实践意义；FCNN相对RF/SVM在多光谱上占优，但跨传感器泛化需进一步检验。