基于现场验证的可解释AI无人机遥感精准甘蔗养分管理变量施肥框架

《Smart Agricultural Technology》:Field-Validated Explainable AI-Based UAV Remote Sensing for Variable-Rate Fertilization in Precision Sugarcane Nutrient Management

【字体: 大 中 小 】 时间:2026年09月22日 来源:Smart Agricultural Technology 7.1

编辑推荐:

  本研究提出了一种基于可解释人工智能(Explainable AI, XAI)的无人机(UAV)遥感变量施肥框架,用于商业甘蔗生产中的自适应养分管理。该系统将无人机多光谱传感、基于XGBoost的养分预测、SHAP可解释性分析、嵌入式边缘计算和变量施肥技术集成于

  
本研究提出了一种基于可解释人工智能(Explainable AI, XAI)的无人机(UAV)遥感变量施肥框架,用于商业甘蔗生产中的自适应养分管理。该系统将无人机多光谱传感、基于XGBoost的养分预测、SHAP可解释性分析、嵌入式边缘计算和变量施肥技术集成于一个信息物理系统架构中。无人机传感提供施用前的空间养分评估,而嵌入式Jetson Nano–ESP32平台则实现实时处方解释与施肥速率执行。与传统施肥相比,该框架实现了肥料消耗量降低21.8%,氮素利用效率(Nitrogen-Use Efficiency, NUE)提高27.4%,甘蔗产量增加11.6%。边缘人工智能系统还实现了低于100 ms的低延迟推理,证明了实际田间部署的可行性。通过提高肥料利用效率并保持可解释的决策过程,所提出的框架可减少过量养分施用及其相关环境影响。除甘蔗外,该集成架构还为智能化、数据驱动和可持续农业自动化提供了可扩展的基础。
**研究背景与问题**
甘蔗是全球重要的工业作物,主要生产国依赖大量肥料投入维持产量。传统施肥通常采用田间均匀施用方式,未能充分考虑土壤肥力、作物长势、水分、地形和环境胁迫的空间变异性,导致高需求区域供肥不足、低需求区域过量施肥,降低氮素利用效率并引发氮淋溶、温室气体排放和土壤退化等问题。尽管无人机多光谱遥感结合机器学习已用于作物监测和养分诊断,但多数系统停留在监测或离线推荐层面,缺乏可解释的决策依据,且未与田间实时变量施肥执行硬件有效集成,难以实现自感知到执行的闭环精准管理。
**研究目的与内容**
为解决上述问题,研究人员开发并现场验证了一种可解释AI驱动的无人机遥感变量施肥框架,用于商业甘蔗生产中的精准养分管理。该框架将无人机多光谱与热红外传感、植被指数提取、XGBoost养分推荐、SHAP可解释性分析、GIS处方图生成、嵌入式边缘计算和变量施肥执行集成于统一架构,实现了从空间作物感知、可解释决策到物理施肥执行的完整路径。
**主要结论与意义**
田间试验表明,与传统农户施肥相比,该变量施肥策略减少氮肥施用21.8%,提高氮素利用效率27.4%,增加甘蔗产量11.6%,同时降低了作物生长指标的空间变异性,并实现了低于100 ms的边缘推理延迟。该研究的意义在于系统级集成与现场验证,为大规模甘蔗生产提供了可复制的精准养分管理范式,并为可持续农业自动化奠定了技术基础。

**关键技术与方法**
研究人员采用DJI Phantom 4 Multispectral无人机平台(含多光谱、热红外、RTK-GNSS)获取商业甘蔗田的高分辨率影像,飞行高度40 m,地面采样距离3.2 cm pixel?1。影像经Pix4Dmapper进行辐射校正与正射拼接后,划分为5 m×5 m管理小区,提取归一化差值植被指数(NDVI)、绿度归一化差值植被指数(GNDVI)、土壤调节植被指数(SAVI)、叶绿素指数CIgreen、冠层温度、株高、冠层覆盖度等特征,并结合TDR土壤水分数据(经反距离权重插值)构成输入特征集。参考施氮量依据甘蔗叶片氮素诊断与泰国农业部(DOA)指南设定为50–150 kg N ha?1,共180个小区样本,按70%/15%/15%划分训练、验证和测试集。采用XGBoost建立施肥推荐模型,并通过SHAP分析量化特征贡献。变量施肥执行系统由Jetson Nano边缘处理器、ESP32控制器、PWM电机驱动和螺旋计量装置组成,按标定方程Q=0.0575ω?0.35控制排肥量。试验地点位于泰国叻丕府(Ratchaburi)商业甘蔗田,采用随机完全区组设计(RCBD),设常规农户施肥(T1)、定量机械化施肥(T2)和AI变量施肥(T3)三个处理,四次重复。

**研究结果与讨论**
**1. UAV感知性能**
无人机多光谱系统成功获取高分辨率空间影像,正射拼接误差低于4.1 cm,NDVI和GNDVI对氮素空间变异性高度敏感(R2分别为0.89和0.86),热红外冠层温度与植被指数显著负相关(r=?0.79),为下游模型提供了可靠的输入特征。
**2. AI预测精度**
XGBoost模型在测试集上R2>0.91,RMSE为15.6 kg N ha?1,MAE为11.1 kg N ha?1,性能优于随机森林、人工神经网络和支持向量机,且推理延迟仅82 ms,适合边缘部署。
**3. SHAP可解释分析**
SHAP分析表明,NDVI(贡献28.4%)和冠层温度(23.1%)是主要预测因子。高NDVI降低施肥推荐量,而高温增加推荐量,反映了作物活力与生理胁迫对养分需求的驱动作用。局部SHAP瀑布图进一步透明化单个小区的决策过程。
**4. 空间处方性能**
生成的处方图有效捕捉了田间养分需求空间异质性:低活力区获得较高氮素推荐,高活力区获得较低推荐,处方图生成时间约4.7分钟,空间分类精度超过92%。
**5. 肥料减施分析**
AI变量施肥使总施氮量较常规农户减少21.8%,氮素利用效率提高27.4%,同时甘蔗产量增加11.6%,并减少过量施肥区域72.4%,降低估计氮径流损失42.3%。
**6. 嵌入式部署可行性**
Jetson Nano平台实现稳定低延迟推理(82±6 ms),CPU占用率34.7%,内存占用318 MB;ESP32执行器控制回路延迟92±7 ms,PWM调节精度高,系统运行正常率97%以上,证明了资源受限硬件上实时可解释变量施肥的可行性。

**讨论与结论**
研究讨论指出,该框架的主要贡献在于将成熟的无人机传感、XGBoost、SHAP、GIS和嵌入式执行技术集成为可现场部署的系统,填补了空间评估与物理施肥执行之间的空白。SHAP提供的可解释性增强了农艺可信度和操作者信任。但研究也存在局限:仅在一个商业田块和一个生长季进行验证,环境效应(如淋溶、温室气体排放)未直接测量。未来需开展多地块、多季节、多养分和更长时期的验证。研究结论重申,所提出的框架在商业条件下实现了减量、增效和增产的统一,为可解释、资源高效、可扩展的精准养分管理提供了实用基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号