《Climate Smart Agriculture》：Estimation of soybean phenotypic parameters across growth stages using UAV-based multi-source feature fusion and XGBoost
编辑推荐：
本研究针对作物表型参数动态监测中数据源单一、模型泛化性不足的挑战，创新性地融合无人机多光谱植被指数(V)和纹理特征(T)，利用XGBoost算法构建了大豆叶面积指数(LAI)和地上生物量(AGB)的高精度反演模型。结果表明，多源特征融合模型性能最优，鼓粒盛期(R4)为最佳观测窗口，滴灌结合高密度种植可显著提升表型参数。该研究为智慧农业提供了高通量技术方案。
在精准农业领域，动态、准确地监测作物生长状况是实现科学田间管理的基础。大豆作为重要的粮油作物，其生长过程中的关键表型参数，如叶面积指数（Leaf Area Index, LAI）和地上生物量（Above-Ground Biomass, AGB），是评估其光合能力、氮素状况和产量潜力的核心指标。然而，传统的破坏性取样方法效率低下，难以满足大规模生产同步评估的需求。尽管无人机（Unmanned Aerial Vehicle, UAV）遥感技术以其高时空分辨率提供了新的解决方案，但现有的监测方法仍面临两大挑战：一是依赖单一的数据源（如仅使用植被指数），在作物生长中后期冠层郁闭时容易出现光谱饱和现象，导致反演精度下降；二是多数研究仅关注单个或少数生长阶段，缺乏对整个生育期表型参数动态变化的系统性监测，模型的通用性和稳定性不足。此外，农艺措施如灌溉方式和种植密度如何影响这些表型参数，进而优化栽培模式，也是需要深入探讨的问题。
为了应对这些挑战，发表在《Climate Smart Agriculture》上的研究论文《Estimation of soybean phenotypic parameters across growth stages using UAV-based multi-source feature fusion and XGBoost》进行了一项创新性研究。该研究旨在通过融合无人机多源遥感特征并结合先进的机器学习算法，实现对大豆关键表型参数全生育期的动态、精准监测，并阐明灌溉与密度措施的调控效应。
研究人员为开展此项研究，主要应用了以下几项关键技术方法：研究在海南省东方市大田镇设置田间试验，采用裂区设计，研究滴灌和微喷灌两种灌溉方式以及21万株/公顷和27万株/公顷两种种植密度对大豆生长的影响。利用大疆M300 RTK无人机搭载Specvision多光谱相机，在两个生长季（A季和B季）的五个关键生育期（R1苗期、R2分枝期、R3初花期、R4鼓粒盛期、R5灌浆期）同步获取高分辨率多光谱影像，并同步进行地面LAI、AGB等表型参数的实测。从多光谱影像中提取了11种植被指数（V，如NDVI、RVI等）和8种基于灰度共生矩阵（GLCM）的纹理特征（T，如均值、方差等），构成多源特征集（V+T）。基于PyCharm平台和scikit-learn模块，构建了支持向量回归（SVR）、随机森林（RF）和极端梯度提升（XGBoost）三种机器学习模型，以70%的数据作为训练集，30%作为验证集，使用决定系数（R2）和均方根误差（RMSE）评估模型在全生育期及不同生育阶段对LAI和AGB的反演性能。
3.1. 大豆全生育期LAI和AGB的动态变化
通过对两个生长季的观测发现，大豆LAI呈单峰曲线变化，在R4阶段达到峰值；AGB则随生育进程逐步增加。统计分析表明，滴灌结合高密度种植（27万株/公顷）处理在大多数生育期（除R1、R2外）的LAI和AGB均显著高于其他处理（P < 0.05），尤其在R5阶段差异达到极显著水平（P < 0.01）。这表明滴灌与高密度种植的组合能更有效地促进大豆冠层发育和生物量积累。
3.2. 表型参数与遥感特征的相关性分析
相关性分析显示，大多数植被指数和纹理特征与大豆LAI和AGB均存在显著相关（P < 0.05）。植被指数（如NDVI、RVI）与表型参数的相关性在整个生育期内呈先增后减的趋势，并在R4阶段达到最高。纹理特征中，均值（MEA）与LAI和AGB的相关性最强（r分别达到0.678和0.7）。这证实了多源特征对于反演表型参数均具有重要价值。
3.3. 大豆表型参数估算模型的构建
模型比较结果表明，多源特征融合（V+T）模型的反演精度显著优于单一特征（V或T）模型。在三种机器学习算法中，XGBoost表现最优，其在整个生育期估算LAI和AGB的平均R2分别达到0.673和0.671，平均RMSE分别为0.117和79.751 kg ha-1。从不同生育阶段来看，所有模型在R4阶段均表现出最佳的反演性能，其中XGBoost结合V+T特征在R4阶段估算LAI和AGB的R2分别达到0.846和0.731。这表明R4阶段是监测大豆生长的最佳遥感观测窗口。
4.1. 灌溉方式与密度处理对大豆表型参数的影响
讨论部分深入分析了滴灌结合高密度种植显著提升大豆LAI和AGB的内在机制。滴灌能将水分精准供给根区，减少土壤无效蒸发，提高水分利用效率。这种水分调控方式与高密度种植形成的密集冠层结构产生协同效应，尽管高密度增加了植株间对水分的竞争，但滴灌系统的精准供水恰好缓解了这一矛盾，从而更高效地支持高密度群体的光合产物积累和干物质分配。
4.2. 基于多源遥感特征的大豆表型参数反演可行性分析
研究证实，植被指数对作物特征响应灵敏，但在高植被覆盖下易饱和；纹理特征能有效表征冠层空间结构异质性，但其单独构建模型的稳健性通常不如植被指数。将二者融合（V+T）可以耦合各自优势，植被指数提供植被生理状态信息，纹理特征补充空间结构信息，能在一定程度上缓解光谱饱和问题，从而实现更精准的反演。不过，特征融合的效益并非绝对，需要注意特征间的冗余问题。
4.3. 不同机器学习算法在大豆表型参数反演中的性能比较
XGBoost算法的优异性能归因于其内置的正则化项和高效的梯度提升机制，能有效防止过拟合，并擅长捕捉特征与表型参数之间的复杂非线性关系。随机森林（RF）模型在训练集上表现良好，但在测试集，尤其是高植被覆盖的后期，泛化能力略逊于XGBoost。支持向量回归（SVR）在本研究的复杂多特征、多生育期场景下，其预设核函数难以实现复杂的表型关系的全局最优映射，导致精度和稳定性相对较低。
4.4. 不同大豆生育期表型参数反演模型性能评价
研究系统评估了模型在全生育期五个阶段的性能，发现反演精度呈现一致的“低-高-低”单峰变化趋势，并在R4阶段达到峰值。这与此阶段冠层结构稳定、叶面积指数和叶绿素含量同时达到峰值、植被光谱信号占主导地位密切相关。生长前期冠层覆盖度不足导致土壤背景噪声干扰显著，而生长后期叶片衰老引入非光合组分，均会降低模型反演精度。
综上所述，该研究成功地构建了一个基于无人机多源特征融合和XGBoost算法的大豆全生育期表型参数动态监测框架。研究结论表明，多源特征融合模型优于单一特征模型；XGBoost算法在整体建模中表现最佳；R4阶段是遥感反演的最佳观测窗口；滴灌结合高密度种植是实现水资源高效利用和群体高产的有效途径。这项工作不仅为大豆生长监测提供了高精度、高通量的技术解决方案，深化了对水肥密度协同调控作物表型的认识，而且为智慧农业中的精准栽培管理提供了重要的数据支持和决策依据，对推动数据驱动的智能农业发展具有重要意义。未来研究方向可包括拓展至多时相无人机-卫星数据融合以及跨试验点的验证，以进一步提升模型的普适性。
