《Frontiers in Plant Science》：UAV-based estimation of sunflower leaf flavonol content across multiple flight heights using RGB–multispectral canopy features and machine learning
编辑推荐：
摘要：叶片黄酮醇含量(Flav)的快速、无损估测对于评估作物生理状态和胁迫响应具有重要意义。本研究利用基于无人机(UAV)的红、绿、蓝(RGB)和多光谱影像估测向日葵叶片Flav，覆盖苗期、现蕾期、开花期和成熟期。数据采集于中国黄河三角洲的一个试验站点，生长期
摘要：叶片黄酮醇含量(Flav)的快速、无损估测对于评估作物生理状态和胁迫响应具有重要意义。本研究利用基于无人机(UAV)的红、绿、蓝(RGB)和多光谱影像估测向日葵叶片Flav，覆盖苗期、现蕾期、开花期和成熟期。数据采集于中国黄河三角洲的一个试验站点，生长期为2025年生长季。无人机影像分别在30 m、50 m和80 m三个飞行高度获取，同时利用MPM-100植物多光谱色素测量仪在同一采集窗口内进行Flav地面测量。共获取80个采样样方的320条样方尺度观测数据，并在样方尺度上将其划分为56个训练样方和24个测试样方，同一采样样方在四个生长阶段的全部观测被分配到同一数据子集。特征选择与模型开发仅使用训练数据，并进一步划分用于超参数优化，而测试集用于对比性能评估。从向日葵冠层影像中共提取44个无人机衍生特征，包括22个植被指数、16个纹理特征及6个颜色特征。组合使用皮尔逊相关系数(PCC)分析与Boruta算法以筛选紧凑特征子集，并评估了六种回归模型，包括K近邻、随机森林、CatBoost、支持向量回归、LightGBM和Transformer回归。进一步采用遗传算法(GA)、粒子群优化(PSO)和灰狼优化器(GWO)在中间飞行高度50 m处对Transformer模型进行调优。PCC-Boruta策略降低了特征维度，并在测试集上产生了良好的预测性能。在评估的回归模型中，Transformer模型取得了最佳的整体性能。使用最优特征组合时，PCC-Boruta-Transformer模型在30 m、50 m和80 m飞行高度下测试集R2分别为0.932、0.911和0.909，对应的均方根误差(RMSE)分别为0.060、0.069和0.070。因此，在三个未优化飞行高度模型中，30 m模型提供了最高的预测精度。50 m数据集作为三个评估飞行高度中的中间水平，被用于后续超参数优化。在评估的优化配置中，GWO调优的Transformer取得了最佳的测试集性能，R2为0.947，RMSE为0.053。上述结果表明，在本次实验的特定站点、生长季、传感器和管理条件下，所评估的技术流程具有可行性。
基于无人机多源影像与机器学习的向日葵叶片黄酮醇含量估测研究解读
一、研究背景与科学问题
植物色素是评价作物生理状态、冠层功能和胁迫响应的重要生化指标。其中，黄酮醇类化合物作为多酚类物质，参与植物对环境胁迫的适应过程，与作物生长调控和营养状况密切相关。叶片黄酮醇含量(Flav)在缺氮及其他胁迫条件下趋于升高，因此可作为评估作物生长和田管状况的有效指示指标。相较于叶绿素相关测量，Flav测量受短期光照变化影响较小，能够为作物生理评估提供相对稳定的信息。然而，传统Flav测量方法通常需要人工采叶或接触式测量，劳动强度大、耗时且难以在田块尺度上持续监测。
遥感技术为作物色素无损监测提供了有效技术途径。近年来，搭载可见光、多光谱、高光谱和热红外传感器的无人机(UAV)平台已被广泛应用于作物生长评估、色素估测、叶面积指数监测和胁迫诊断。然而，仅依赖植被指数可能限制模型性能，尤其在高冠层覆盖度下，指数饱和及背景干扰会降低对细微生理变化的敏感性。为克服这一局限，结合植被指数、颜色特征和纹理特征的多特征融合策略日益受到关注。
UAV飞行高度是影响作物参数估测的另一个关键因素，它直接影响空间分辨率、影像覆盖范围、数据采集效率以及冠层特征提取质量。较低飞行高度通常提供更高空间分辨率，但覆盖效率降低且易受田间环境扰动影响；较高飞行高度可提升作业效率，但空间分辨率下降可能削弱对小尺度冠层光谱和纹理差异的表征。
尽管UAV遥感已越来越多地应用于作物生长监测，但田块尺度向日葵叶片Flav估测研究仍显不足。尤其是飞行高度、RGB与多光谱冠层特征融合、特征选择策略及回归模型的综合效应鲜有系统评估。为此，研究构建了顺序式UAV估测流程，回答以下问题：飞行高度如何影响模型预测性能？不同特征组合如何影响预测性能？PCC-Boruta联合特征选择策略相比单独PCC或Boruta的性能如何？GWO调优的Transformer是否优于GA和PSO调优的模型？
二、关键技术方法
研究于2025年生长季在中国山东省东营市广饶县黄河三角洲现代农业研究院试验田开展，试验田面积约1000 m2。使用DJI M300平台搭载Zenmuse P1可见光相机获取高分辨率RGB影像，DJI M210平台搭载MS600多光谱相机获取六个波段(中心波长450、555、660、710、840和940 nm)多光谱影像。影像采集分别在30 m、50 m和80 m三个飞行高度进行，飞行速度为2.5 m s?1，航向和旁向重叠率均为85%。地面Flav使用MPM-100植物多光谱色素测量仪采集，该仪器基于荧光光谱技术利用F660 nm/F325 nm荧光信号比估算Flav。研究共划分80个采样样方(每个2.5 m × 5 m)，获取320条样方级观测，按7:3比例在样方级划分为56个训练样方(224条观测)和24个测试样方(96条观测)。从冠层影像中提取44个特征：22个植被指数、16个基于灰度共生矩阵(GLCM)的纹理特征和6个HSV/LAB颜色空间特征。采用PCC和Boruta算法进行特征选择，评估KNN、随机森林(RF)、CatBoost、支持向量回归(SVR)、LightGBM和Transformer六种回归模型，并使用遗传算法(GA)、粒子群优化(PSO)和灰狼优化器(GWO)对Transformer进行超参数调优。SHapley Additive exPlanations (SHAP)分析用于模型解释。
三、主要研究结果
3.1 实测向日葵叶片Flav的变化
对80个样方四个生长阶段Flav的描述性统计显示，平均Flav从苗期(1.31)升至现蕾期(1.42)和开花期(1.54)，成熟期降至1.18。最大值出现在开花期(2.05)，最小值出现在成熟期(0.68)。变异系数在苗期和现蕾期较低(0.09和0.07)，开花期增至0.15，成熟期达最高值0.25，表明后期样本异质性增大。
3.2 特征选择结果
PCC分析显示，植被指数总体与Flav的相关性强于颜色特征和纹理特征。30 m高度下VARI、GNDVI、TVI和RGRI相关性最强，相关系数分别为0.892、-0.868、-0.856和0.852；50 m下GBDI和MSAVI相关性较高(0.786和-0.770)；80 m下MGRVI和IKAW相关性最强(0.706和0.687)。Boruta特征重要性排序显示不同高度下重要变量有所差异。经分组五折交叉验证确定保留特征数后，PCC和Boruta子集的交集构成最终PCC-Boruta预测集，分别在30 m、50 m和80 m保留10、9和9个特征。
3.3 模型对比性能
基于四种融合特征集(植被指数+颜色特征、颜色特征+纹理特征、植被指数+纹理特征、三类特征全融合)构建六种回归模型。在每个飞行高度，最佳测试集配置均由Transformer模型、全融合特征集D和PCC-Boruta联合策略获得。30 m、50 m和80 m的测试集R2分别为0.932、0.911和0.909，RMSE分别为0.060、0.069和0.070。在三个未优化飞行高度模型中，30 m模型预测精度最高。SHAP分析显示优势特征随飞行高度变化：30 m下GNDVI、CIre、GSAVI、B、A和MSAVI贡献较大；50 m下GBDI、GRRI、IKAW、S和V影响显著；80 m下GSAVI、CIg、EXG和S贡献较高。
3.4 Transformer模型超参数优化
在50 m中间飞行高度，采用GA、PSO和GWO对Transformer模型进行超参数优化，以验证集RMSE为适应度函数。经全部56个训练样方重训后，GA-、PSO-和GWO-Transformer的测试集R2分别为0.917、0.912和0.947，RMSE分别为0.066、0.068和0.053。GWO调优的Transformer取得了最佳测试集性能，相比未优化的50 m基线Transformer模型，R2从0.911提升至0.947，RMSE从0.069降至0.053。
3.5 向日葵Flav空间分布制图
将选定的GWO-Transformer模型应用于全部80个样方，生成四个生长阶段的Flav空间分布图。估计结果表明，苗期Flav整体较低且空间均匀，现蕾期和开花期水平升高且异质性增强，成熟期整体下降但空间异质性持续存在。
四、讨论与结论
讨论部分指出，30 m模型在未优化配置中表现最佳可能与低空影像具备更高的原生空间细节有关；尽管所有正射影像被重采样至统一输出分辨率，但重采样无法恢复原始高空影像中未捕获的冠层细节。PCC-Boruta交集策略的优势在于同时兼顾线性相关性与基于模型的特征重要性，但其效果因回归算法、特征组合和飞行高度而异，不应视为普遍优于单独方法。特征集D(三类特征全融合)取得最佳性能，表明颜色特征和纹理特征虽单独预测能力较弱，但与植被指数结合时可提供互补信息。Transformer模型的优势应理解为在特定特征子集、数据划分和训练条件下的表现，而非对其普遍优越性的证明。GWO-tuned Transformer在三个优化方法中表现最优，但由于每种优化方法仅执行单次固定运行，结果存在一定不确定性。空间分布图仅作为可视化工具，不应直接解读为营养亏缺或病害的田间诊断。研究局限包括单一站点、单一生长季、有限田块面积和单次优化运行，未来需借助多年、多点、多品种数据集评估模型稳健性和可迁移性。
研究结论：本研究评估了基于UAV的RGB–多光谱影像估算向日葵叶片Flav的可行性，覆盖四个生长阶段和三个飞行高度。植被指数是主要预测变量，颜色和纹理特征提供互补信息。在未优化配置中，采用全融合特征集D的PCC-Boruta-Transformer模型在30 m处取得最高观测预测性能。在50 m中间飞行高度，基于GWO的超参数优化进一步提升了Transformer模型性能，获得了本研究中所有评估模型中的最佳观测配置。选定的模型被用于可视化向日葵叶片Flav在生长阶段内的田间变异。总体而言，研究结果证明了在评估条件下结合RGB–多光谱冠层特征、高度特异性特征选择与机器学习进行田块尺度向日葵Flav估测的可行性。
