《Smart Agricultural Technology》：A Comprehensive Comparison of Multispectral and Hyperspectral Imagery for Plot-Level Crop Yield Prediction of Kidney Beans, Snap Beans, and Potatoes
编辑推荐：
精准农业与作物表型监测依赖遥感技术追踪作物生长动态并预测最终产量。多光谱（Multispectral, MS）传感器可提供数个宽波段的光谱信息，而高光谱（Hyperspectral, HS）传感器则可获取数百个连续窄波段，虽包含更丰富的信息但成本更高。本研究旨
精准农业与作物表型监测依赖遥感技术追踪作物生长动态并预测最终产量。多光谱（Multispectral, MS）传感器可提供数个宽波段的光谱信息，而高光谱（Hyperspectral, HS）传感器则可获取数百个连续窄波段，虽包含更丰富的信息但成本更高。本研究旨在定量比较MS与HS影像在芸豆（kidney beans）、青刀豆（snap beans）及马铃薯小区尺度的产量预测能力，以识别高效的光谱特征集与影像获取策略。2023年生长季期间，研究人员针对三种作物的多个关键物候期，分别采集了无人机载MS影像与低空飞机载HS影像。研究人员采用三类线性模型（线性回归、Lasso回归、岭回归）与两类树基模型（随机森林回归、极端梯度提升XGBoost），基于全波段光谱、植被指数及HS波段优选子集开展建模。结果表明，对于芸豆与马铃薯，HS总体优于MS；而对于青刀豆，MS可达到相当的精度。仅使用HS前5%的波段（474个中的24个）即可达到与使用全部HS波段相当的精度，且从HS数据中进行特征选择可揭示植物光谱特征随氮肥处理变化的丰富信息。此外，前5%的优选HS波长表现出明显的作物特异性规律。基于特定物候期单时相影像的单日期模型，其表现往往与多时相聚合数据模型相当甚至更优。这些发现为三种作物产量预测中MS与HS影像的选择提供了新视角，有助于支持农民实现农业可持续发展。
研究背景与意义
随着全球粮食安全压力增大与农业可持续发展需求提升，作物产量预测已成为精准农业领域的核心议题。传统田间调查方法效率低且具有破坏性，难以满足大范围动态监测需求。遥感技术凭借非接触、高通量的优势，为作物生长监测与产量估算提供了有效手段。目前，多光谱（MS）与高光谱（HS）成像是田间高通量表型（High-Throughput Phenotyping, HTP）的主要技术手段。MS传感器成本较低，操作便捷，广泛应用于大面积监测，但其宽波段设置限制了捕捉细微生化差异的能力，且常用植被指数（Vegetation Index, VI）在高植被覆盖下易饱和。相比之下，HS传感器具备极高的光谱分辨率，能够探测作物胁迫、养分缺乏等早期信号，但受限于高昂成本、海量数据处理难度及复杂的操作流程，多用于科研场景。尽管已有大量研究分别利用MS或HS数据进行产量预测，但针对这两种模态的系统比较研究十分匮乏，且现有比较多局限于单一作物（如玉米、高粱）或简单生物物理变量（如叶面积指数），缺乏针对蔬菜作物及复杂产量预测任务的跨作物、多模型系统性评估。因此，研究人员开展此项研究，旨在通过在同一实验框架下系统比较MS与HS在芸豆、青刀豆和马铃薯三种蔬菜作物上的表现，量化HS带来的性能增益，并明确其发挥优势的具体条件，从而为农业生产中的遥感平台选型提供科学依据。该研究成果已发表于《Smart Agricultural Technology》。
关键技术方法
研究人员于2023年在美国威斯康星大学汉考克农业研究站开展了田间试验。试验采用裂区设计，芸豆设8个氮处理，青刀豆设6个氮处理，马铃薯设4个氮处理，各处理4次重复。遥感数据采集方面，MS影像由搭载5波段传感器的DJI Phantom 4无人机获取，HS影像由搭载HySpex双相机系统的塞斯纳飞机获取，覆盖作物全生育期多个关键物候期。地面真值数据为小区实测产量。研究人员计算了8种MS植被指数和30种HS植被指数。特征选择采用基于XGBoost递归特征消除（Recursive Feature Elimination, RFE）的方法筛选HS波段。建模选用5种机器学习算法：线性回归（Linear Regression, LR）、Lasso回归、岭回归（Ridge Regression）、随机森林（Random Forest, RF）和极端梯度提升（eXtreme Gradient Boosting, XGBoost）。模型评估采用嵌套交叉验证（Nested Cross-Validation）框架，外层为4折交叉验证重复10次，内层进行超参数优化，以皮尔逊相关系数（r）、均方根误差（Root Mean Square Error, RMSE）和归一化均方根误差（Normalized RMSE, NRMSE）作为评价指标。
研究结果
3.1 多光谱与高光谱数据的产量预测结果比较
对于芸豆，HS数据显著优于MS数据，最佳表现为XGBoost结合植被指数（r=0.35, RMSE=0.45 t ha-1）。对于青刀豆，MS数据已能提供较高精度，HS带来的边际提升有限（Lasso+VI, r=0.61），表明对于短季作物，MS植被指数可能已捕获大部分关键光谱信号。对于地下作物马铃薯，HS数据中Lasso结合全波段特征表现最佳（r=0.53, RMSE=4.03 t ha-1），显示出正则化线性模型在处理高维HS全波段数据时的优势；而MS数据则更依赖于植被指数特征。总体而言，HS提供了更优的预测潜力，但MS在成本效益上具有竞争力。
3.2 高光谱数据的特征选择
研究人员发现，使用优选波段子集（前5%或10%）或植被指数的预测效果普遍优于使用全部474个波段。这表明适当的降维能有效去除噪声和冗余，缓解过拟合。优选的HS波长表现出显著的作物特异性：芸豆的重要波段主要集中在短波红外（Shortwave Infrared, SWIR）区域；青刀豆的波段分布较广；马铃薯的重要波段则集中在可见光、红边和SWIR区域。这些作物特异性的波段信息为未来设计专用植被指数提供了候选区域。此外，HS数据还能清晰反映不同氮肥处理下的光谱响应规律，如高氮处理导致可见光反射率降低、近红外（Near Infrared, NIR）反射率升高及SWIR反射率降低，这种细节是MS数据难以捕捉的。
3.3 各作物的最佳成像时期
单时相模型的表现往往优于或多日期聚合模型。对于芸豆，HS数据在播种后60天（60 DAP）达到最佳预测效果（r=0.48）；对于青刀豆，最佳时期为播种后47天（47 DAP），此时HS模型的r高达0.82；对于马铃薯，HS最佳时期为出苗后61天（61 DAE, r=0.64）。这些最佳时期均对应于作物生长的中后期，即冠层郁闭度最高、生物量积累与氮素状况最关键的阶段。
讨论与结论
研究人员指出，本研究受限于单一年份和单一站点，未来需通过多年多点试验进一步验证模型的泛化能力。此外，当前研究未考虑空间纹理、环境因子等辅助变量，未来可结合多源数据进行更深入的探索。
结论表明，HS影像凭借其高光谱分辨率，在蔬菜作物产量预测中总体上优于MS影像，尤其是在芸豆和马铃薯上。特征选择不仅能大幅降低HS数据的维度，还能揭示作物对不同农艺措施（如施肥）的生理响应机制。选择在关键物候期（生长中后期）进行单次HS成像，往往能获得比多次成像聚合更好的预测效果。尽管HS在成本和操作上存在挑战，但对于需要精细管理的场景具有不可替代的价值；而MS则是大规模常规监测的经济高效选择。未来的工作将致力于开发多模态融合框架、作物特异性的新型光谱指数以及更鲁棒的多时态模型，以推动遥感技术从科研走向田间实际应用，助力农业的精准化与可持续发展。
