基于无人机多模态热-多光谱数据与深度神经网络评估被忽视及未充分利用作物芋头的水分状况

《Precision Agriculture》：Assessing neglected and underutilised taro crop water status using physiological indicators and UAV multi-modal thermal-multispectral data

本研究针对被忽视及未充分利用作物物种(NUS)芋头在气候变化下水分胁迫监测的难题，创新性地融合无人机(UAV)搭载的多模态热红外与多光谱传感器数据，结合深度神经网络(DNN)算法，精准估算了芋头作物的等效水厚度(EWT)、燃料水分含量(FMC)、气孔导度、冠层温度和叶绿素含量(SPAD值)等关键水分生理指标。结果表明，多模态变量方法优于单模态技术，各项指标估算R2均大于0.91，相对均方根误差(rRMSE)低于14.15%。该研究为小农户精准管理芋头水分状况、开发早期水分胁迫预警系统提供了快速可靠的空间显式信息，对推动NUS融入主流农业系统、保障粮食安全具有重要意义。

　　

在全球气候变化加剧、粮食安全面临严峻挑战的背景下，农业生产的韧性至关重要。被忽视及未充分利用作物物种(Neglected and Underutilised Crop Species, NUS)因其对恶劣环境条件的耐受性，被视为可持续农业实践中的宝贵资产，为多样化种植系统和增强农业韧性提供了机遇。芋头(Colocasia esculenta (L.)，当地又称amadumbe)作为一种耐旱耐热的NUS，在非洲南部等发展中国家的小农户农业中扮演着关键角色，但其作物水分状况的变化规律尚不明确，阻碍了对其适应能力的全面理解和生产力的优化。传统监测方法虽准确但费时费力，且难以捕捉田间尺度的空间变异性。因此，开发高效、精准的作物水分状况监测技术对于优化芋头生产、应对水资源短缺至关重要。

本研究旨在评估无人机多模态热-多光谱遥感与深度神经网络技术在小农户芋头作物水分状况生理指标估算中的应用潜力。研究在南非Swayimane地区的一处小农户芋头田进行，作物处于营养生长晚期至块茎膨大初期的关键需水阶段。研究人员利用大疆Matrice 300无人机搭载MicaSense Altum多光谱-热成像相机获取高分辨率遥感数据。同时，在田间100个分层随机采样点同步测量了等效水厚度(Equivalent Water Thickness, EWT)、燃料水分含量(Fuel Moisture Content, FMC)、气孔导度(Stomatal Conductance)、叶面温度(Foliar Temperature)和叶绿素含量(Chlorophyll Content, 使用SPAD值表示)等生理指标。遥感影像经过辐射定标和几何校正后，利用过量绿减过量红(Excess Green minus Excess Red, ExGR)指数进行作物冠层分割以消除土壤背景影响。从影像中提取了5个多光谱波段、1个热红外波段、2个热指数（归一化相对冠层温度NRCT、气孔导度指数第二公式I3）和9个光谱植被指数（如归一化差分植被指数NDVI、土壤调节植被指数SAVI、归一化差分红边指数NDRE、归一化差分水分指数NDWI等）。研究采用深度神经网络(Deep Neural Network, DNN)模型，以这些遥感变量为输入，分别建立各水分生理指标的估算模型，并通过决定系数(R²)、均方根误差(RMSE)和相对均方根误差(rRMSE)评估模型精度，同时使用5折交叉验证和SHAP值分析评估模型稳健性和变量重要性。

等效水厚度和燃料水分含量的估算

优化后的DNN模型对等效水厚度(EWT)的估算达到了极高的精度，R²为0.95，RMSE为9.76 g/m²，rRMSE为14.15%。SHAP分析显示，改进型叶绿素吸收反射指数(MCARI)、热红外波段、红边叶绿素指数(CI_{red edge})、转换型叶绿素吸收反射指数(TCARI)、近红外(NIR)波段、结构不敏感色素指数(SIPI)和归一化差分红边指数(NDRE)是估算EWT的最重要预测变量。同样，燃料水分含量(FMC)的估算模型也表现优异，R²为0.94，RMSE为2.33%，rRMSE为3.32%。MCARI、CI_{red edge}和SIPI是估算FMC的关键变量。这表明与生物量积累密切相关的EWT和FMC更依赖于反映作物绿度、色素和结构特征的光谱指数，热数据的重要性相对较低。

气孔导度和冠层温度的估算

气孔导度和冠层（叶面）温度的估算模型凸显了热遥感数据的重要性。气孔导度模型取得了最佳的预测效果，R²高达0.96，RMSE为29.34 mmol m^-2s^-1，rRMSE为12.86%。CI_{red edge}、热红外波段、NRCT、SIPI和MCARI是影响模型最重要的变量。冠层温度模型的估算精度同样出色，R²为0.95，RMSE为0.33°C，rRMSE低至1.11%。热红外波段、NRCT以及MCARI、CI_{red edge}、SIPI等光谱指数是主要贡献者。这证实了热数据能直接捕捉因气孔关闭导致的冠层温度升高，是评估作物水分胁迫和蒸腾动态的有效指标。研究还验证了无人机热传感器测量的冠层温度与手持式红外测温仪实地测量值之间存在强线性相关(R²= 0.882)。

叶绿素含量(SPAD值)的估算

叶绿素含量(SPAD值)的估算模型表现良好，R²为0.90，RMSE为2.46，rRMSE为3.6%。红边叶绿素指数(CI_{red edge})、结构不敏感色素指数(SIPI)、归一化差分红边指数(NDRE)、改进型叶绿素吸收反射指数(MCARI)和热红外波段是重要的预测变量。这表明红边区域的光谱信息对叶绿素变化非常敏感，而热数据也可能通过间接反映水分胁迫对光合器官的影响而提供补充信息。

多模态数据融合的优势

研究对比了不同变量组合的估算效果。仅使用多光谱波段时，所有生理指标的模型精度均不理想(R²在0.34-0.47之间)。加入热红外波段后，气孔导度和冠层温度的估算精度显著提升。而当融合多光谱波段、热红外波段、热指数和光谱指数所有变量时，模型达到了最优性能。空间分布制图结果清晰地展示了田间芋头作物水分生理指标的空间异质性，为精准灌溉和差异化管理的可行性提供了直观依据。

该研究结论强调，融合无人机获取的多模态热-多光谱数据与深度神经网络算法，能够高精度、高效率地估算小农户芋头作物的关键水分状况生理指标。多模态方法通过提供互补信息，显著优于单一数据源方法。研究成果为精准农业实践提供了强有力的技术工具，尤其适用于监测被忽视及未充分利用作物物种，对在气候变化背景下优化水资源利用、提高作物生产力、保障小农户粮食安全以及推动NUS融入现代农业系统具有重要的科学意义和应用价值。尽管无人机技术在小型农业系统的广泛应用仍面临成本、技术门槛和法规等挑战，但本研究无疑为未来开发可扩展、包容性的智慧农业解决方案迈出了关键一步。