无人机驱动相机标定方法及不利条件下玉米SPAD值高精度估算

《Frontiers in Plant Science》：A camera calibration method driven by unmanned aerial vehicles and high-precision estimation of maize SPAD values under adverse conditions

　　

快速非破坏性监测玉米SPAD（Soil Plant Analysis Development，相对叶绿素含量）值对干旱灌溉区精准水氮管理具有重要意义。研究人员开发了一种无人机–智能手机跨设备标定框架用于SPAD估算，利用在拔节期、抽雄期和灌浆期采集的无人机多光谱影像、智能手机RGB图像及地面实测SPAD数据。无人机建模中融合光谱与纹理特征，并采用正则化最小二乘（regularized least-squares）标定将智能手机衍生特征映射到无人机特征空间。结合光谱与纹理特征的随机森林（Random Forest，RF）模型在无人机端取得最优性能，三个生育期验证集R2分别为0.81、0.79和0.75，较单特征模型提升超9%。跨设备标定后，智能手机端SPAD估算R2分别达0.80、0.86和0.82。结果表明跨设备特征标定可有效桥接无人机多光谱与智能手机RGB观测，为田块尺度玉米SPAD监测与精准水氮管理提供低成本高精度途径。

研究背景与立项依据

玉米为全球三大粮食作物之一，其光合效率与营养状况直接决定产量。SPAD值作为相对叶绿素含量的核心参数，是表征玉米生理状态与抗逆性的关键指标。黄河灌溉区地处中国西北干旱半干旱区，年降水量仅168 mm，土壤质量差，精准监测玉米SPAD对优化水肥配置、提升资源利用效率具重要实践价值。传统手持SPAD-502仪虽点测量准确，但耗时费力、空间覆盖有限，难以大范围同步监测。无人机（Unmanned Aerial Vehicle，UAV）遥感以高时空分辨率与灵活作业成为作物生理参数估算主流，智能手机RGB相机则以便携、低成本渐成田间快速补充工具。然而无人机多光谱与手机RGB在传感器波段、辐射响应、观测尺度（冠层vs单叶）上存在显著异构差异，直接由手机特征估算SPAD精度极低。现有辐射校正法对复杂光照适应性有限，特征迁移法依赖大量标注数据，其在黄河灌区干旱胁迫等不利条件下的稳定性尚待验证。为此，研究人员聚焦UAV–智能手机标定与SPAD估算，旨在融合光谱纹理、筛选最优机器学习模型、提出带残差补偿的正则化最小二乘跨设备框架，兼顾低成本与高精度。该文发表于《Frontiers in Plant Science》。

主要关键技术方法

研究人员于2023年在内蒙古鄂尔多斯杭锦旗吉日嘎朗图镇广茂五社（107.9° E，40.8° N）设27个小区（3灌溉×3氮量×3重复），供试品种宁玉688，配套地下滴灌。无人机端用DJI Matrice 300 RTK搭载MS600 Pro六波段多光谱（蓝450±35 nm、绿555±25 nm、红660±20 nm、红边1 720±10 nm、红边2 750±15 nm、近红外840±35 nm）在10:00–12:00清空飞行20 m航高采集，Pix4Dmapper正射、ENVI提特征，SVM掩膜去土（总体精度>98%，Kappa>0.96）。手机端用iPhone 13 Pro Max关自动白平衡、垂直距叶30–40 cm拍单叶，HSV阈值分叶背、形态学+CLAHE标准化至960×1280。地面用SPAD-502每小区15株功能叶上中下各3次取均。特征端：UAV提6单波段+6植被指数（DVI、NLI、RDVI、GNDVI、NDVI等）+GLCM八纹理；手机提RGB+5可见光指数（NGRDI、VARI、EXG、RCRI等）+GLCM八纹理。标定端：正则化最小二乘岭回归求解映射矩阵W（含偏置项），10折交叉验证网格搜λ（10^–4–10²），将手机特征空间映射至UAV特征空间后送入预训练RF。模型对比岭回归（Ridge Regression，RR）、支持向量机（Support Vector Machine，SVM）、RF，70%小区分层训练/30%验证，指标R²与RMSE。

研究结果

3.1 不同处理对玉米SPAD的影响

双因素ANOVA与Duncan检验显示，V6期W3N3最高、W1N1最低；VT期W2下高氮较中氮SPAD高2.7%；R3期SPAD达峰，W2/W1下W3更高但W2与W1无显著差异；成熟期黄叶SPAD骤降无规律，故建模排除成熟期。

3.2 无人机与相机光谱指数筛选

各期相关系数筛选：UAV-V6选B、RE2、GNDVI、NDVI（|r|>0.4）；VT选NIR、DVI、RDVI、GNDVI（≈0.5）；R3选R、RE2、NLI、RDVI（>0.4）。手机-V6选B、R、VADI、RCRI；VT选B、G、R、VARI；R3选R、NGRRI、VARI、RCRI。

3.3 无人机与手机纹理特征筛选

UAV-V6选RE1-mean、G-second moment；VT选RE2-entropy、RE2-contrast；R3选NIR-second moment、G-correlation。手机-V6选G-mean、R-homogeneity；VT选B-homogeneity、G-variance；R3选B-mean、R-dissimilarity。

3.4 无人机多特征估算模型

光谱+纹理六变量入模，RF最优：V6训练R²0.93/RMSE0.46、验证R²0.81/RMSE0.70；VT训练0.91、验证0.79；R3训练0.87、验证0.75；较RR/SVM提升显著，单特征模型低逾9%。

3.5 手机多特征标定与SPAD估算

VIF<5.0排共线；标定矩阵中物理同构特征权重高（如手机B?UAV B系数0.48），异构近零。特征映射光谱R²0.85–0.92/RMSE0.018–0.025优于纹理R²0.72–0.81/RMSE0.029–0.038。标定特征入RF后手机端SPAD：V6 R²0.80（预测26–36）、VT R²0.86（26–40）、R3 R²0.82（30–44）。

3.6 玉米SPAD反演

田块尺度RF制图显示V6高水高氮（W3N3）>37、低水低氮（W1N1）<26；VT中水中氮（W2N3）39–42最高，高水反低于中水；R3低中水高于高水，W2N2（38.32）与W1N3（37.97）突出，W3N3约30成低值区，空间格局与实测统计一致。

讨论与结论翻译

讨论指出，SPAD随生育期先升后降，氮量适中促叶绿素合成、过量抑积累，与玉米小麦等结论一致；黄河灌区中水（W2，225 m³/hm²）中氮（N2，210 kg/hm²）组合更利稳定积累（R3达38.32），异于湿润区最优比，体现旱区水氮耦合特异性。多特征互补（光谱定量吸收反射、纹理反映冠层结构）使R²较单特征提≥9%；RF集成抗过拟合处理非线性冗余最优；正则化最小二乘+残差补偿项校正了波段范围、辐敏差异与特征非线性耦合，手机端R²0.80–0.86，调和便携与精度。框架在标准化田间不同缺水处理与生育期稳定，但更变光照与叶姿鲁棒性待验。

结论：研究人员开发UAV–智能手机跨设备标定框架，融合光谱纹理的RF在UAV端三期中R²0.81/0.79/0.75，跨设备标定后手机端R²0.80/0.86/0.82，证明跨设备特征标定可桥接异构传感器，为旱区玉米SPAD低成本高精度田块监测及精准水氮管理提供新路径。