基于高光谱无人机影像与混合集成波段选择的高粱氮肥处理分类

《Remote Sensing Applications: Society and Environment》：Sorghum nitrogen treatment classification using hyperspectral UAV imagery and hybrid ensemble band selection

　　

**摘要**

植物表型分析对于培育气候韧性、胁迫耐受型作物品种至关重要，尤其是在粮食需求增长和气候变化加剧农业系统压力的背景下。氮（N）是一种必需营养元素，对谷类作物的生长、健康和产量有着显著影响。在表型分析研究中，准确识别植物的氮素状况对于及时干预和合理施肥、改善植物健康和产量至关重要。高光谱成像（HSI）能够在大范围波长区间内获取丰富的光谱信息，有助于精确表征和分析复杂的表型性状，例如早期水分和氮素胁迫的识别。高光谱成像技术与无人机（UAV）相结合，能够凭借其广泛的覆盖范围和较高的光谱、空间和时间分辨率，加速作物表型分析。本研究利用无人机搭载的高光谱成像系统（400–1000 nm）结合机器学习（ML）技术，对高粱冠层的氮处理进行分类。研究提出了一套完整的端到端数据分析框架，涵盖校准、质量评估、去噪、波段选择和分类等步骤。提出了一种混合集成波段选择算法（hyb-EBS），该算法综合利用同质和异质集成特征选择及聚类策略，识别对高粱冠层氮素状况敏感的关键波段。研究发现，以699.13、707.66、720.47、754.79和938.59 nm为中心的高光谱波段在高粱氮处理分类中效果最佳，分别在营养生长后期、开花期、灌浆期和灌浆充实期的分类准确率达到了96.29%、93.11%、95.89%和95.76%。本研究的高光谱数据集及相关代码将公开发布，以促进无人机作物表型分析的进一步研究。

**1. 引言**

全球人口的持续增长和加速的气候变化给粮食生产系统带来了日益严峻的挑战。要实现与可持续发展目标相匹配的作物改良（CI）目标——包括气候行动（SDG 13）和零饥饿（SDG 2）（联合国），需要培育具有胁迫抗性、气候适应性、高产量且对多种农艺投入响应良好、同时资源消耗最少的作物品种。然而，主要挑战在于植物表型分析——即在真实的田间条件下，以现代育种项目所需的规模对数千个基因型进行评估。传统依赖目视检查和实验室测量的表型分析方法既耗时又费力，难以扩展到现代作物改良项目所需的数千种基因型–环境组合（Das Choudhury et al., 2019）。

自动化表型分析研究越来越多地采用成像模式，如RGB、多光谱和热传感器；然而，它们在捕获详细光谱信息方面的局限性使其不太适合复杂的表型分析任务（Das Choudhury et al., 2019）。相比之下，高光谱成像（HSI）传感器能够提供丰富的光谱数据，从而更精确地识别复杂的性状，如早期的营养和水分胁迫（Khan et al., 2018）。高光谱成像结合了成像和光谱学的优势，在宽波长范围（400–2500 nm）内通过多个通道捕获详细的光谱信息，从而为作物的生物化学和生理特性提供有价值的见解（Kumari et al., 2025）。

地面传感平台，包括手持设备和固定式静态相机，视野有限，不适用于大规模田间表型分析（Bhardwaj et al., 2016）。卫星遥感尽管长期以来在数据获取方面发挥着重要作用，但受限于粗糙的空间分辨率（10–20 m）和较长的重访间隔，尤其是在云量较多的条件下，限制了其在小规模农业应用中的有效性（Matese et al., 2015）。近年来，基于无人机的成像技术凭借其高空间和分辨率数据、广泛的田地覆盖范围、成本效益和与传统航空及卫星平台相比的操作灵活性，成为农业监测的宝贵工具（Warner and Cracknell, 2017; Bhardwaj et al., 2016）。搭载高光谱传感器的无人机能够加速作物表型分析研究，以高成本效益和时间效率在大面积农业区域采集高分辨率光谱数据（Ad?o et al., 2017）。

氮（N）是谷类作物植物的一种必需营养元素，对生长、健康和总产量有着显著影响。氮是叶绿素（用于光合作用）、氨基酸（蛋白质的构建单元）和核酸的重要组分（Leghari et al., 2016）。因此，氮缺乏会导致生长受阻、蛋白质含量降低以及产量和谷物品质下降，而过量的氮施用则会增加投入成本、延迟开花、增强疾病易感性，并导致环境污染。因此，及时准确地评估作物氮素状况对于优化肥料管理、提高作物产量和促进可持续农业实践至关重要。

与一般的表型分析类似，传统的氮素状况评估依赖于目视观察和耗时的实验室测试，限制了其在田间规模上的适用性。这一局限性促使人们采用能够提供作物氮素状况快速、无损且适用于田间规模评估的遥感技术。高光谱（HS）传感尤为适合，因为它能够捕获与不同氮处理水平引起的植物生物化学和生理特征变化相关的微妙光谱变异（Fu et al., 2021）。此外，无人机搭载的高光谱成像兼具高光谱和高空间分辨率，能够实现氮缺乏区域的准确识别和映射，从而促进精准施肥（Ad?o et al., 2017）。

高粱是一种重要的、营养丰富的谷物作物，对粮食安全有重要贡献，并且适应印度等半干旱地区的气候变化。除了谷物之外，高粱秸秆（谷物收获后剩余的生物质）也是牲畜的一种营养丰富饲料。这些农艺特征，加上高粱在半干旱地区的经济重要性，使得精确的氮处理评估对于精准作物管理和育种项目具有特别重要的价值。因此，本研究聚焦于利用无人机搭载的高光谱成像技术进行高粱氮处理分类。

据我们所知，目前尚无专门针对高粱氮胁迫/处理水平的公开高光谱（HS）数据集。先前的研究，如Singh et al. (2017)、Abunyewa et al. (2016)和Zhao et al. (2005)，曾利用原位光谱辐射计测量来估算高粱叶片或冠层的氮含量，但这些研究均未公开其数据集。虽然一些研究发布了与作物相关的高光谱数据，但其中包含高粱的数据集数量有限。例如，Chauhan and Mohan (2013)基于田间测量开发了鹰嘴豆、高粱和小麦的光谱库（350–1050 nm），美国地质调查局（USGS）则发布了Hyperion高光谱图像中提取的11种主要全球作物的光谱特征（400–2500 nm）。Zhong et al. (2020)发布了覆盖多种作物类型（包括高粱）的无人机采集的高光谱数据集，地点位于中国武汉附近。此外，近期一项研究（Sankararao et al., 2024）在印度海得拉巴国际旱地作物研究所（ICRISAT Hyderabad）采集了十种作物类型（包括高粱）的无人机搭载高光谱数据集（400–1000 nm）。然而，这些数据集均未涉及作物氮胁迫/处理分类，尤其是针对高粱的氮处理分类。为弥补这一空白，本研究在半干旱气候条件下开发和展示了高粱氮处理分类的高光谱数据集，该数据集基于四个生长阶段采集的九个基因型的无人机高分辨率图像构建。

高光谱数据固有的高维性和光谱冗余性给可靠分析和解释带来了挑战。这些特征增加了计算复杂度，引入了冗余和噪声信息，并可能降低机器学习模型的性能和泛化能力，尤其是在仅有少量标注样本的情况下。为缓解这些问题，特征提取（FE）和特征选择（FS）方法被广泛采用（Sun and Du, 2019）。虽然特征提取将高维数据投影到低维空间，但可能会改变原始数据的内在意义，使其不太适合特定应用。相比之下，特征选择在HSI领域通常被称为波段选择（BS），通过选择不改变原始数据、仅选择与特定任务（如分类/估算）相关的关键波段子集来降低维度（Sun and Du, 2019）。聚焦于关键波段而非全光谱，可以通过消除受水分胁迫或疾病等因素影响的不相关波段来提高作物氮素状况分类的精确度。此外，特征选择/波段选择减少了对大量标注数据的需求，降低了计算复杂度，使得可以使用低复杂度模型高效分类高光谱数据。

然而，识别一个既具有判别力又具有泛化能力的紧凑且信息丰富的波段子集仍然是一个重大挑战，这促使人们开发更稳健的波段选择策略。除了分类精度之外，识别一个小型的、可解释的波段集合还可以为实时无人机部署的低成本窄带传感器设计提供参考，从而减少全高光谱传感在田间精准农业中的采集和计算负担。

特征选择方法往往对训练集的变化敏感，不同的特征选择技术可能从相同数据中推导出不同的假设，这使得研究结果的实践应用变得困难。此外，选择合适的特征选择方法也是一项艰巨的任务，因为性能在很大程度上取决于数据。这在无人机农业高光谱数据中尤为突出，其光谱响应在不同基因型、作物生长阶段和残余传感器噪声之间变化。在这些条件下，稳健且稳定的波段选择策略对于识别真正指示氮素状况的波段（而非特定数据集划分或特征选择方法的伪影）至关重要。

为应对这些挑战并提高特征选择过程的稳健性，集成特征选择（EFS）已在多个领域得到广泛研究（Colombelli et al., 2022）。集成学习旨在整合多个模型来解决机器学习任务，其前提是假设之间的多样性可以提升整体性能，优于单个模型。当模型源自同一算法时，称为同质集成；当使用不同算法时，称为异质集成（Bolón-Canedo and Alonso-Betanzos, 2019）。集成策略可应用于机器学习流程的不同阶段，例如在推理/分类阶段通过组合模型预测，或在特征选择阶段通过组合选择假设。本研究聚焦于后者，将集成多样性应用于波段选择过程本身，而非最终分类决策。

尽管可以通过修改数据输入（同质EFS）或应用不同方法（异质EFS）来引入多样性，但在混合框架中整合这两种策略可以进一步提高多样性、稳健性和选择稳定性。受这些研究空白的启发，本研究提出了一种新型混合集成波段选择算法——hyb-EBS，用于识别与高粱冠层氮处理分类相关的关键高光谱波段。本研究的主要贡献总结如下：

- 设计了一套完整的端到端数据分析框架，用于高效分类无人机采集的高光谱数据，涵盖预处理、图像质量评估与去噪、波段选择和分类。
- 从九个基因型、两种氮处理水平、四个生长阶段（从营养生长后期到灌浆充实期）的图像中，创建了400–1000 nm范围内的高粱氮处理无人机高光谱数据集。这些数据集将公开发布。
- 提出了一种新型混合集成波段选择算法（hyb-EBS），通过综合利用同质和异质集成特征选择及聚类策略，识别对高粱冠层氮素状况更敏感的关键高光谱波段。
- 识别出以699.13、707.66、720.47、754.79和938.59 nm为中心的五个波段在高粱冠层氮处理分类中效果显著，并在四个作物生长阶段和九个基因型中验证了其稳健性。

本研究的后续章节结构如下：第2节深入探讨该领域的研究工作；第3节介绍实验设置和高光谱数据获取的详情；第4节讨论端到端高光谱数据分析框架；第5节阐述所提出的混合集成波段选择算法；第6节展示实验结果；第7节讨论研究发现；第8节总结结论和未来研究方向。

**相关工作**

文献中有几项研究探索了利用光谱和高光谱传感技术进行作物氮素状况监测。在一项早期的基础性研究中，Zhao et al. (2005)利用手持光谱辐射计数据（350–2500 nm）从户外盆栽实验中采集的数据，研究了氮胁迫对高粱光合速率、叶绿素含量和氮浓度的影响。Chen et al. (2010)使用双峰冠层氮指数（DCNI），利用720、700和670 nm波段来估算……

**田间实验**

高粱氮素实验于2021年雨季后至2022年2月期间在印度海得拉巴国际旱地作物研究所（ICRISAT Hyderabad）的RCW18田块（17.517405° N, 78.276178° E）进行（见图1(a)），该地以半干旱气候条件为特征。

本研究选择了9个在形态和保持绿色性状（与低氮条件下冠层衰老延迟相关）方面具有差异的优异基因型，因为其不同的...（原文此处内容不完整）
HSI数据分析框架
本节描述了用于氮处理分类的端到端HSI数据分析框架，包括图2中所示的各个阶段。
所提出的混合集成波段选择
图6展示了所提出的混合集成波段选择（hyb-EBS）算法，该算法在第一聚合（FA）阶段使用同质EFS，在第二聚合（SA）阶段使用异质EFS，并利用基于相关性的聚类来选择最终的波段子集。该算法通过数据扰动（同质EFS）和功能扰动（异质EFS）实现特征相关性多样性，并通过聚类避免特征冗余。在全部四个生长阶段捕获的HSI数据
实验结果
模拟实验在一台配备AMD Ryzen 9 5900X 12核处理器@3.70 GHz、64 GB内存和Nvidia T400 2 GB GPU的工作站上进行。氮处理分类性能使用以下性能指标进行评估：准确率（Acc）、精确率（Prec）、召回率（Rec）和F1分数（F1），定义如下：
Acc = (TP + TN) / (TP + FP + TN + FN)
Prec = TP / (TP + FP)
Rec = TP / (TP + FN)
F1 = 2 × Prec × Rec / (Prec + Rec)
其中TP、TN、FP和FN分别代表真阳性、真阴性、假阳性和假阴性。
讨论
本节在更广泛的文献背景下讨论实验发现的意义，重点强调关键观察结果、局限性以及所提出工作的影响。
结论
本研究采用基于无人机的 hyperspectral imaging（400–1000 nm）和集成学习，用于高粱冠层氮处理分类。本文提出了一个全面的端到端数据分析框架，涵盖校准、图像质量评估、去噪、标注、波段选择和分类。高粱氮处理HSI数据集是从四个作物生长阶段捕获的9个基因型的无人机图像创建的。提出了一种新颖的混合集成波段选择算法（hyb-EBS）...（原文此处内容不完整）
CRediT作者贡献声明
Adduru U.G. Sankararao：撰写——初稿、可视化、验证、软件、方法论、形式分析、数据管理、概念化。
P. Rajalakshmi：撰写——审阅与编辑、资源、项目管理、调查、资金获取。
Sunita Choudhary：撰写——审阅与编辑、验证、资源、项目管理、调查、数据管理。
利益冲突声明
作者声明，他们没有已知的可能影响本文报告工作的竞争性经济利益或个人关系。
Adduru U.G. Sankararao | P. Rajalakshmi | Sunita Choudhary
印度斯里城信息技术学院电子与通信工程系