《Smart Agricultural Technology》：Plant-level yield prediction of quinoa in field plots across growth stages using UAV-derived 3D structural and spectral features with machine learning
编辑推荐：
为解决藜麦产量无损监测与早期预测的技术空白，本研究开创性地结合无人机遥感与机器学习，利用三维结构特征对藜麦进行单株尺度、跨生育期的产量预测。研究证实，在开花期预测效果最佳(R2 = 0.726)，且三维结构参数（如植物体积PV）的重要性远超传统光谱指数，为复杂冠层结构作物的精准农业提供了新范式。
在全球粮食安全和气候变化挑战日益严峻的背景下，藜麦作为一种营养丰富、环境适应性强的重要伪谷物，种植范围不断扩展，展现出巨大的经济潜力。然而，与小麦、水稻等主要谷物相比，藜麦的精准农业管理技术仍显滞后，尤其是在产量预测方面。目前，对藜麦产量的评估主要依赖于传统的破坏性取样或基于过程模型（如Saltmed、FAO AquaCrop）的模拟，这些方法不仅耗时费力、空间分辨率低，而且无法实现生长期内、空间明确的产量预报。与此同时，尽管无人机遥感技术已被广泛应用于主要谷物的产量预测，但针对藜麦的研究大多集中在表型分析和胁迫评估，其产量预测的应用仍是一片“无人区”。
造成这一技术鸿沟的一个关键原因，在于藜麦自身复杂的生物学特性。与结构相对均一的谷物不同，藜麦具有无限生长习性，其冠层形态在不同基因型和生育阶段间差异巨大，呈现出多样的冠层颜色和复杂的分枝结构。这种结构复杂性使得传统的二维光谱植被指数常常“失灵”，因为它们对饱和效应敏感，且难以捕捉垂直分层和侧向分枝所包含的、与生物量积累和生殖能力直接相关的关键信息。为了填补这一知识空白，并探索更鲁棒的预测方法，研究人员将目光投向了能够捕获三维结构信息的无人机技术与擅长处理复杂非线性关系的机器学习。
本研究在《Smart Agricultural Technology》上首次展示了基于无人机遥感与机器学习的藜麦单株产量预测。研究人员在2022年和2024-2025年两个生长季，对位于日本东京农业大学（东京大学）试验田的多个藜麦品种进行了跨五个关键生育期（营养生长早期、营养生长晚期、开花期、灌浆期、成熟期）的无人机监测。他们通过搭载RGB和多光谱相机的无人机平台获取高分辨率影像，并利用运动恢复结构（Structure-from-Motion）摄影测量技术，从RGB影像重建出三维点云和网格，从而提取了植物高度、植物表面积和植物体积这三个关键的三维结构参数。同时，从校准后的多光谱影像中计算了包括归一化差分植被指数、红边比值植被指数等在内的13种植被指数。地面实测数据来自两个生长季共380株独立样本的单株籽粒产量。
研究的核心是建立一个机器学习的产量预测框架。他们使用了岭回归、K-最近邻、随机森林、极限梯度提升和轻量梯度提升机五种机器学习回归模型，分别在每个生育期独立建模，并通过嵌套的五折交叉验证来评估模型性能、选择超参数，以防止过拟合。此外，还利用夏普利加性解释和置换重要性分析，深入探究了不同特征对预测结果的贡献。
研究结果清晰地揭示了预测的最佳时机和关键驱动因素。在模型性能方面，随机森林算法在多个生育期表现最优，尤其在开花期达到了最高的预测精度，其测试集的确定系数R2为0.726，均方根误差为16.71 g/m2，平均绝对误差为10.91 g/m2。营养生长早期和晚期也表现出了稳健的预测能力，这表明无人机监测能够为早期管理决策提供有价值的见解。预测精度从营养生长早期到开花期逐步提升，随后在成熟期下降，这主要是由于衰老导致的叶片黄化、茎秆脱水和果穗颜色不均一等因素，干扰了冠层特征与最终产量之间的关系。
特征重要性分析得出了一个颠覆性的结论：三维结构参数，尤其是植物体积和植物表面积，在预测中的重要性远超传统的二维光谱植被指数。在开花期和灌浆期，植物体积是最重要的预测因子。而在营养生长晚期，植物表面积则占据主导地位。相比之下，尽管像归一化差异植被指数、红边比值植被指数等光谱指数在单变量分析中与产量显示出很强的相关性，但在包含了三维结构参数的多变量机器学习模型中，它们的贡献变得十分有限。这证明了对于像藜麦这样具有复杂冠层结构的作物，通过三维重建获得的体积和表面积信息，比基于反射率的二维光谱指数能更全面、更直接地捕捉与生物量和产量潜力相关的结构信息。传统的植被指数在生长后期预测能力下降，部分原因也在于成熟藜麦果穗颜色（从黄色到红色、紫色）的基因型特异性差异，破坏了基于叶绿素反射关系的植被指数的有效性。
研究的结论与讨论部分强调了这项工作的开创性意义。它首次验证了基于无人机和机器学习的藜麦无损产量预测的可行性，并明确了开花期是最佳的预测窗口，为生产者提供了在收获前数周进行准确产量预估的实用工具。更重要的是，研究结果确立了三维结构特征在预测藜麦这类架构复杂作物产量中的核心地位。这为解决因作物复杂形态而导致传统光谱方法失效的难题提供了新思路，推动了精准农业技术在特种作物中的应用。相较于依赖气象和土壤输入的过程模型，这种数据驱动的方法能够实现更高空间分辨率、更及时的生长期内预测，为优化资源分配和管理决策提供了新可能。当然，研究也指出了未来方向，如需要在更多样化的环境和品种中验证模型的普适性，以及考虑集成环境变量以进一步提升灌浆期等敏感阶段的预测精度。总之，这项研究不仅填补了藜麦精准农业中的一个关键空白，也为其他具有复杂冠层结构作物的高通量表型和产量预测研究树立了范例。
