基于无人机光谱-纹理特征与注意力深度学习的小麦分蘖密度高通量估算

《Smart Agricultural Technology》：High-Throughput Estimation of Wheat Tiller Density Using UAV-Derived Spectral-Textural Features and Attention-Based Deep Learning

　　

小麦分蘖密度（Tiller Density, TD）是作物早期生长的关键指标和产量潜力的决定性因素。然而，当前的TD评估仍依赖人工计数，速度慢、成本高且难以规模化。本研究评估了无人机（Unmanned Aerial Vehicle, UAV）获取的多光谱影像结合机器学习与基于深度学习的预测模型用于小麦TD高通量估算的效用。研究在美南达科他州5个站点共采集721组TD观测值，并与高分辨率UAV多光谱影像配对。利用UAV衍生的光谱与纹理特征训练随机森林回归（Random Forest Regression, RFR）模型及三种深度学习模型：深度神经网络（Deep Neural Network, DNN）、卷积神经网络（Convolutional Neural Network, CNN）和基于注意力的CNN（Atten-CNN）。结果表明，在保留测试集上Atten-CNN性能最优（R2=0.81；RMSE%=15.97%），优于CNN（R2=0.77；RMSE%=17.74%）以及RFR和DNN。基于SHapley Additive exPlanations（SHAP）的模型解释显示，预测主要由红边与色素敏感光谱特征驱动，以类胡萝卜素反射指数2（Carotenoid Reflectance Index 2, CRI_2）和归一化红边差异指数（Normalized Difference Red Edge Index, NDRE）为首，并辅以基于灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）的冠层纹理特征贡献，特别是逐波段相关性、方差与熵矩阵。通过在可解释的注意力CNN中整合光谱与纹理UAV特征，并在育种与商业田块间验证，本研究展示了一种实用、可扩展的早季小麦TD估算框架。

研究背景方面，小麦提供全球超过20%的膳食热量与蛋白质，早季精细监测分蘖密度（TD）对育种与精准管理至关重要。TD于三叶至拔节期（Feekes 3-6）形成，直接影响穗数、粒数与粒重，并关联氮素状况。传统人工计数劳动密集、点尺度采样难以刻画田内异质性，限制其在大规模育种与商业田的适用性。遥感手段中，地面手持光谱仪与地基激光雷达虽能提供点状或三维结构信息，但大规模多站点应用仍受限于人力与离散采样；UAV遥感凭借高时空谱分辨率成为高通量表型（High-Throughput Phenotyping, HTP）主流，但现有小麦TD估算多依赖手工植被指数（Vegetation Indices, VIs），光谱与纹理联合建模及注意力深度学习评价不足。该研究即在此背景下，由研究人员构建并评价一种融合UAV多光谱光谱-纹理特征与机器学习/注意力深度学习的早季小麦TD估算框架，在《Smart Agricultural Technology》发表，旨在为育种与精准农作提供可扩展且可解释的方案。

关键技术方法上，研究人员于南达科他州5个站点（2个SDSU育种点、3个农户商业田）在Feekes 4-5期用PVC样方人工计数TD共721样本（2023年120+133，2024年119+113+236）。同步飞行DJI Matrice 210 RTK搭载Micasense Altum-PT五波段多光谱传感器（45 m航高、GSD 1.35 cm/像素），Pix4Dmapper辐射校正生成正交拼图。每样方提取5原始反射波段、48个VIs及5波段×8个GLCM纹理（7×7窗口、45°位移、16灰度级）共88维特征。建模对比RFR、DNN、1D-CNN与插入多头自注意力（Multi-Head Self-Attention, MHSA，4头、key dim 32）的Atten-CNN；训练集70%/测试集30%随机划分，5折交叉验证调参，另对Atten-CNN做Leave-One-Location-Out（LOLO）跨点验证；以R²、RMSE、RMSE%评价，SHAP解释特征贡献。

研究结果部分，摘要已指出Atten-CNN在保留测试集最优（R²=0.81，RMSE%=15.97%），胜出CNN（R²=0.77）、RFR与DNN。引言阐明TD农学意义与UAV HTP优势及研究空白。材料与方法确定数据规模、传感器参数、88维特征构造与四模型架构（RFR 800树；DNN 256-128-64-32-16；CNN/Atten-CNN滤波器256-128-64、核3、Atten-CNN加MHSA）。模型训练与评估显示随机划分下注意力机制带来稳健增益；LOLO验证表明模型向未见过田块迁移时仍具诊断力，优于可能引发时序/空间混杂的留年验证。SHAP解释结论：红边与色素敏感光谱（CRI_2、NDRE）为主导，GLCM纹理（相关性、方差、熵）补充冠层结构信息。

讨论与结论翻译总结：研究人员指出，相较既往依赖少量VIs与传统机器学习的UAV-TD研究，本框架联合光谱-纹理、基准评测注意力增强模型并提供可解释驱动特征识别，在育种圃与农户田均验证可行。Atten-CNN以R²=0.81、RMSE%=15.97%达到早季TD高通量估算实用精度；CRI_2与NDRE及GLCM相关性/方差/熵为关键特征。该可扩展、可解释框架支持早季氮管理与育种筛选决策，后续可在更多基因型、土壤气候与管理情景下拓展验证。