基于RGB、多光谱和热红外图像的温室番茄生长无损监测与建模

《Smart Agricultural Technology》：Non-destructive Monitoring and Modeling of Greenhouse Tomato Growth Based on Multi-sources of RGB, Multispectral, and Thermal Infrared images

　　

基于RGB、多光谱和热红外（RGB-MS-TIR）图像的无损实时监测温室番茄营养生长和生殖生长阶段的茎叶鲜生物量对于优化果实管理至关重要。传统基于RGB的方法常因冠层闭合导致信号饱和，且缺乏关键的植物生理信息。为解决这些局限性，研究人员开发了一种集成的RGB、多光谱和热红外（RGB-MS-TIR）监测系统，提出了“体积-密度-活力”（Volume-Density-Vitality）分析框架。首先，利用ZoeDepth和EfficientSAM算法高精度提取株高和冠层覆盖度，建立了结构“体积”骨架（R2= 0.90, RMSE = 12.43 cm）。其次，利用多光谱指数量化叶绿素“密度”，并利用热红外特征表征生理“活力”。结果表明，当冠层覆盖度超过75%（饱和区）时，冠层-空气温差（ΔTc-a）与生物量呈显著负相关（P < 0.001），有效通过蒸腾冷却效应缓解了几何信号饱和。最终，集成RGB、MS和TIR特征的随机森林（RF）模型在茎叶鲜生物量估算中表现最优，决定系数（R2）达0.96，RMSE为46.28 g plant-1。该研究强调了多模态融合在复杂冠层条件下显著提升估算精度，为智能温室作物管理提供了鲁棒解决方案。

该研究针对现代设施农业中作物生长监测的需求，旨在解决传统单一传感器监测在作物生长中后期因冠层闭合导致的信号饱和及缺乏生理信息的问题。研究人员构建了基于RGB、多光谱（MS）和热红外（TIR）的多模态融合监测体系，通过“体积-密度-活力”三维框架实现了对温室番茄全生育期茎叶鲜生物量的高精度无损监测。研究结果表明，多源数据融合能有效克服单一传感器的局限性，其中随机森林（RF）模型结合三种数据源表现最佳。该研究成果发表于《Smart Agricultural Technology》，为数字孪生农业和精准灌溉施肥决策提供了重要的理论依据和技术支撑。

在研究方法上，研究人员在北京大兴的国家西瓜甜瓜产业技术研发中心综合试验站太阳能温室开展实验，选用‘Jinpeng’、‘Jinuobili’和‘Yutianyou 5’三个番茄品种。通过定制的多模态成像系统（包含高分辨率RGB相机、五通道多光谱相机和TIR热像仪）在离地约5米的高度进行自动连续观测。数据处理方面，采用拉普拉斯算子评估图像清晰度并进行裁剪配准，利用ZoeDepth和EfficientSAM算法提取株高（H）和冠层覆盖度（CC）。特征提取涵盖几何结构、纹理、多光谱植被指数（如NDVI、GCI）及热红外参数（如cTmax、cTmin）。通过Boruta算法结合随机森林进行特征选择，剔除冗余变量，最终构建偏最小二乘回归（PLS）、随机森林（RF）、支持向量机（SVM）和极限梯度提升（XGBoost）四种机器学习模型进行对比分析，数据集按7:3划分为训练集和测试集。

在研究结果部分，首先是关于株表和冠层覆盖度的提取验证。研究人员发现，基于RGB图像估算的株高与地面实测值一致性极高（R²= 0.90, RMSE = 12.43 cm），且三种栽培品种的株高和冠层覆盖度均呈现典型的“S型”Logistic生长曲线。冠层覆盖度（CC）在约50天（DAT）达到渐近线，而株高持续增加至90-100天。此外，CC与叶面积（LA）之间存在显著的非线性关系，当LA超过4000-5000 cm2时，CC表现出明显的饱和阈值，稳定在80%左右。

在多模态特征筛选与生物量估算结果方面，Pearson相关性分析显示株高（H）与生物量呈极强正相关（|r| > 0.9），而热红外参数多呈负相关趋势。Boruta特征重要性排序进一步表明，随着多光谱和热红外数据的引入，株高的绝对重要性得分下降，模型特征权重分布更加均衡。最终筛选出包含H、REGRVI、GDVI及热红外参数在内的11个核心特征子集。模型精度评估显示，单模态RGB的RF模型R²已达0.94，而三源融合（RGB+MS+TIR）的RF模型性能最优，R²提升至0.96，RMSE降至46.28 g plant^-1，且在三个品种间均表现出良好的鲁棒性。时空热力图分析进一步证实了融合模型在不同生育期（29 DAT和47 DAT）对不同品种生物量空间分布的精准捕捉能力。

在讨论部分，研究人员深入剖析了多源数据的互补机制。多模态融合模型之所以优于单模态，是因为光谱指数（如REGRVI、GDVI）比RGB纹理更能直接量化叶绿素浓度和光合潜力，而热红外特征则反映了驱动干物质积累的水分利用和气孔代谢状态。针对生长后期几何结构信号饱和的问题，研究发现当CC > 75%进入饱和区时，生物量与冠层-空气温差（ΔT_c-a）呈显著负相关（P < 0.001），即高生物量导致更强的蒸腾冷却效应，从而使热红外数据成为解释生物量方差的主导因子。此外，研究还验证了该模型在温室环境下的适用性，能够识别由边缘效应或水肥不均导致的空间异质性，尽管存在基于异速生长方程的标签不确定性，但整体模型仍具备较高的可靠性。

结论部分指出，该研究探索了一种基于RGB、多光谱和热红外（RGB-MS-TIR）传感器集成的温室作物生长无损时空监测与建模方法。通过集成ZoeDepth和EfficientSAM算法，实现了株高的高精度自动提取（RMSE = 12.43 cm）。利用Boruta算法从41个原始特征中筛选出11个核心多维指标（包括株高、REGRVI、GDVI等）构建了最优输入集。评估结果表明，RF多模态融合模型表现卓越（R²= 0.96, RMSE = 46.28 g plant^-1）。研究建立的“体积-密度-活力”多维互补感知机制，有效补偿了结构信息的缺失，显著提升了番茄中晚期生长阶段的估算精度，为温室作物生长的精准数字化管理提供了理论基础和技术支持。