《Frontiers in Environmental Science》：UAV-based RGB imagery and supervised–unsupervised machine learning for estimating sorghum biomass and grain yield under water and nitrogen stress
编辑推荐：
精准农业（Precision Agriculture）已成为在全球人口增长推动的粮食需求日益增加的背景下，对水分和养分进行合理管理的关键策略。因此，及时监测大田作物对于维持农田中充足的养分和水分水平至关重要。植被指数（Vegetation Indices）在作
精准农业（Precision Agriculture）已成为在全球人口增长推动的粮食需求日益增加的背景下，对水分和养分进行合理管理的关键策略。因此，及时监测大田作物对于维持农田中充足的养分和水分水平至关重要。植被指数（Vegetation Indices）在作物养分管理及指导施肥推荐中的应用正日益受到关注。然而，这些指数在不同水分和氮素施用水平下生长的作物养分管理中的适用性尚未得到充分评估。本研究探讨了低成本无人机（Unmanned Aerial Vehicles, UAVs）搭载的RGB影像结合机器学习技术，在量化高粱[Sorghum bicolor (L.) Moench]作物表现中的水分和养分胁迫方面的潜在应用。田间试验布置于美国德克萨斯州东南部的普雷里维尤农工大学（Prairie View A&M University），设置了四个灌溉水平（需水量的0、75、100和125%；其中100%灌溉为充分灌溉处理，无水分胁迫）和四个氮素施用水平（0、90、180和360 kg N ha?1）。RGB影像在籽粒高粱收获前采集。采用K均值聚类（K-means clustering）和卷积神经网络（Convolutional Neural Network, CNN）进行图像分割，以从土壤和杂草中滤除高粱作物。从分割图像中提取的植被指数，包括绿红植被指数（Green-Red Vegetation Index, GRVI）、绿叶指数（Green Leaf Index, GLI）和过量绿指数（Excess Green Index, ExG），被用于通过多元线性回归（Multiple Linear Regression）、偏最小二乘回归（Partial Least Squares Regression）、岭回归（Ridge Regression）和XGBoost预测高粱籽粒产量和生物量产量。结果表明，在两种分割方法和响应变量中，没有任何单一模型始终优于其他模型，这表明RGB指数中的预测信息在选定的机器学习方法下具有意义。例如，使用岭回归对生物量进行预测时，基于K均值聚类衍生指数得到的皮尔逊相关系数（r）为0.65，均方根误差（RMSE）为0.72。模型表现出中等、阶段特异性的预测性能，在两种分割方法和响应变量中，没有任何单一回归方法始终优于其他方法。由于影像仅在生殖后期采集一次，RGB指数主要反映了当时的冠层状况、成熟度和衰老程度。研究结果证明了低成本、单日期无人机RGB工作流程用于高粱季末评估的可行性，同时强调在应用于全季节胁迫诊断或业务化产量预测之前，需要多时相影像和独立验证。
基于无人机RGB影像与机器学习的高粱水分和氮素胁迫评估研究解读
一、研究背景与意义
全球人口预计到2050年将达到98亿，粮食需求将增长30%–62%。干旱作为导致农业生产损失的首要自然灾害，在1983年至2009年间已造成全球四分之三的收获面积遭受1660亿美元的生产损失。此外，1961年至2014年间，干旱分别导致全球玉米和大豆产量减少3.0%–10.4%和3.1%–12.2%。除水分限制外，养分缺乏尤其是氮素胁迫，仍是制约作物生长和产量的关键因素。水分胁迫会降低叶面积和生长速率，限制干物质积累，并通过增加根冠比改变生物量分配。氮素作为植物必需养分，是蛋白质的重要组成部分，氮素缺乏会减少作物干物质积累并损害年产量提升。在此背景下，精准农业应运而生，而及时监测田间作物对于维持农田中适当的养分和水分水平至关重要。
当前，人工智能正通过实时监测在改善作物健康方面发挥重要作用。低成本、多用途的无人机（UAV）因其能够搭载并采集RGB（红、绿、蓝）及高光谱和多光谱影像用于视觉分析而日益普及。尽管高光谱或多光谱相机可以提高影像和分析精度，但其成本超出了边缘农户的承受能力。RGB影像通过捕获可见光红、绿、蓝波段的冠层反射率，为量化植被指数提供了一种高通量方法，可用于评估植物活力、绿色度和空间变异性。然而，目前仍存在三个重要的研究空白：一是许多高粱遥感研究采用单一图像分割或特征提取方法，关于无监督的K均值聚类与有监督的CNN语义分割在消费级无人机RGB影像上的比较证据有限；二是相对较少的研究系统比较了多种线性和非线性回归方法在同时存在水分和氮素梯度下估算高粱籽粒产量和地上生物量的表现；三是关于利用低成本、消费级无人机RGB系统在湿润亚热带条件下支持高粱生产精准灌溉和氮素管理的田间证据仍然有限。因此，本研究旨在填补这些空白。
二、研究内容与主要技术方法
研究人员在位于美国德克萨斯州东南部的普雷里维尤农工大学研究农场开展了为期两年的裂区田间试验，设置四个灌溉水平（需水量的0、75、100和125%）和四个氮素施用水平（0、90、180和360 kg N ha?1），每个季节共48个试验小区，两年共96个小区-年份观测数据。灌溉用水量基于IrrigWise模型计算，该模型采用Penman-Monteith方法计算蒸散量，并考虑各生长阶段的作物系数。氮肥以尿素形式施用，180 kg N ha?1为推荐施氮量。
研究采用的主要关键技术方法包括：其一，使用大疆Mavic mini无人机在约20米高度以垂直下视配置手动飞行采集RGB影像，地面采样距离约为0.7 cm/像素，每个生长季节仅进行一次航测（2023年6月30日和2024年6月27日）；其二，采用两种图像分割方法，即无监督的K均值聚类和有监督的卷积神经网络（CNN）语义分割（DeepLabV3结合MobileNetV3-Large骨干网络），将高粱作物从土壤和杂草中分离出来；其三，从分割后的影像中计算六种RGB植被指数，包括绿红植被指数（GRVI）、可见光大气阻抗指数（VARI）、绿红比值指数（GRI）、过量绿指数（ExG）、绿叶指数（GLI）和三角绿色指数（TGI）；其四，采用四种机器学习方法进行产量预测，包括多元线性回归（MLR）、偏最小二乘回归（PLSR）、岭回归和XGBoost，数据按70%训练和30%测试随机分割。
三、研究结果
3.1 氮素和灌溉水平对籽粒和生物量产量的影响
方差分析（ANOVA）结果表明，灌溉和氮素对高粱产量均有极显著影响（P < 0.001），其中灌溉解释了更大的变异性（F = 27.63），高于氮素（F = 15.19）。季节单独对产量无显著影响，但季节与灌溉的交互作用显著，表明产量对灌溉的响应在不同季节间存在差异。Tukey均值分离检验显示，产量从灌溉水平1到更高水平显著增加，其中水平3（100%灌溉）产生最高平均产量。在生物量方面，灌溉和氮素的影响更为明显，灌溉水平从75%增加到125%时，生物量增加了2–3 t ha?1。然而，100%和125%灌溉处理之间的籽粒产量并未持续增加，表明超过计算需水量的水分促进了营养生长，但未产生成比例的籽粒分配改善。
3.2 K均值聚类和CNN方法衍生的植被指数统计
研究人员使用K均值聚类和CNN两种方法对2023和2024年高粱生长季节采集的RGB影像进行分割，并计算植被指数。两种方法均有效排除了土壤和杂草，仅对高粱作物计算指数。GRVI和VARI显示出相对相似的正值分布，值小于0.35；GRI值超过0.25；TGI表现出更宽的值域，表明其对叶绿素浓度和叶片结构变异性更敏感。精度评估显示，CNN在所有指标上均优于K均值聚类。例如，高粱的IoU（交并比）在CNN中为0.308，而K均值仅为0.126。CNN的总体精度（OA）达到0.799，但IoU较低（0.308），主要是因为背景像素数量超过高粱像素。CNN的高召回率（0.774）表明其检测到了大多数标记的高粱像素，而较低的精确率（0.346）表明部分背景像素被错误分类为高粱。
3.3 植被指数与产量之间的相关性
相关矩阵分析显示，大多数RGB植被指数与高粱生物量和籽粒产量呈负相关。在K均值聚类中，生物量与GRVI、GRI、ExG、GLI和TGI呈负相关（r = ?0.17至?0.36），产量也与这些指数呈负相关（r = ?0.21至?0.32）。在CNN中，生物量与GRVI（?0.59）、VARI（?0.20）、GRI（?0.36）、ExG（?0.38）和GLI（?0.54）呈负相关，产量呈现类似模式。这种负相关可能归因于影像仅在生殖后期采集一次，此时RGB冠层信号可能受到叶绿素降解、叶片衰老和穗部暴露的影响。在籽粒灌浆期间，同化物和氮素从营养组织向发育中的籽粒再转移，而叶片衰老的时间和速率可能因灌溉和氮素处理而异。
3.4 使用植被指数预测籽粒和生物量产量
四种方法（MLR、PLSR、岭回归和XGBoost）用于预测高粱产量。总体而言，没有任何单一模型表现出明显优势，四种方法的预测性能相当。在K均值聚类衍生的指数中，MLR预测籽粒产量时相关系数（r）为0.53，RMSE为0.79，PBIAS为8.08；岭回归的r值也为0.53，而PLSR和XGBoost的r值分别为0.33和0.39。在生物量预测方面，r值相对高于产量预测，岭回归表现出最高的r值（0.65）和最低的RMSE（0.72）。在CNN衍生的指数中，籽粒产量预测精度存在中等变异，所有方法的拟合回归线均偏离1:1线，尤其是在较高的观测产量值处。生物量预测方面，MLR和PLSR分别表现出最强的预测与实测生物量关系，相关系数为0.62和0.67。XGBoost的RMSE最低，但其相关性较弱。所有模型的PBIAS均为正值，表明存在普遍的低估趋势。
四、讨论与结论
研究讨论指出，RGB指数与产量或生物量之间的负相关并不意味着冠层绿色度降低改善了作物生产力。随着高粱接近成熟，氮素和其他资源从叶片和茎秆转移到籽粒中，导致采集影像中非绿色植物组织更加可见。因此，已经积累更多生物量或产生更多籽粒的小区可能处于更成熟的阶段，在无人机影像采集时显得绿色度较低。不同灌溉和氮素处理间的成熟度和衰老差异可能削弱甚至改变了在较早生长阶段可能为正的相关关系。
低R2值表明RGB植被指数仅捕获了高粱产量和生物量变异性的有限部分。原因包括：第一，影像在作物接近成熟时采集，冠层衰老、叶绿素降解、穗部暴露和不断增加的非光合组织改变了冠层颜色，削弱了绿色度与累积产量或生物量之间的关系；第二，RGB植被指数在密集、近乎封闭的冠层下可能接近饱和，降低了对高产小区间差异的敏感性；第三，单次RGB调查仅捕获了一个生长阶段的冠层状况，无法捕捉灌溉和氮素对作物建植、营养生长、开花和籽粒灌浆的动态影响。
研究结论表明，使用低成本、单日期无人机RGB工作流程进行高粱季末评估是可行的。K均值聚类和CNN两种分割方法均可有效提取高粱作物的植被指数，其中CNN在分割精度上优于K均值聚类。四种机器学习方法在预测籽粒产量和生物量方面表现相当，没有任何单一模型始终优于其他模型。植被指数与产量之间的负相关反映了生殖后期冠层衰老和成熟度差异的影响。然而，在将该方法应用于全季节胁迫诊断或业务化产量预测之前，需要多时相影像和独立的外部验证。该研究为开发经济实惠的精准农业方法提供了基线证据，同时认识到在支持操作性灌溉和氮素决策之前，仍需多时相影像和独立验证。
