本研究题为《基于无人机多源图谱融合的水稻稻穗表型监测》，由万亮、杜晓月、陈硕博、于丰华、朱姜蓬、许童羽、何勇、岑海燕等人共同完成。研究团队主要来自浙江大学华南工业技术研究院、浙江大学生物系统工程与食品科学学院、农业农村部光谱检测重点实验室、浙江大学现代光学仪器国家重点实验室、沈阳农业大学信息与电气工程学院、辽宁省农业信息化工程技术研究中心。该研究论文发表于《农业工程学报》（Transactions of the Chinese Society of Agricultural Engineering）2022年5月第38卷第9期。
一、 研究背景与目的 水稻是世界最重要的粮食作物之一，其生长状况与产量和品质密切相关。稻穗表型是表征水稻生长状况和产量品质最关键的表型参数之一。传统的稻穗表型监测方法，如田间调查和采样考种，耗时耗力且无法及时获取大面积田间数据。近地面表型平台（如车载、导轨式平台）在效率和时空分辨率上仍有局限。相比之下，无人机（Unmanned Aerial Vehicle, UAV）遥感平台具有更高的灵活性、可操作性和时空分辨率，已被广泛用于监测水稻早期营养生长阶段的表型参数，如生物量、叶面积指数（Leaf Area Index, LAI）、氮含量等。然而，针对水稻生长后期（抽穗期、灌浆期和成熟期）的稻穗表型，如稻穗覆盖度、穗生物量和穗倒伏的监测研究则非常有限。
近年来，虽有研究开始利用无人机遥感监测稻穗产量、倒伏和穗数，但多数侧重于利用光谱反射率或单一数据源。多源图谱数据（融合图像颜色、纹理、光谱反射率、结构等特征）的融合应用可以减小冠层结构影响和光谱指数饱和问题，保留更多细节信息，从而提升监测能力。然而，无人机多源图谱融合用于稻穗覆盖度、生物量及倒伏监测的效果尚不明确，且已有研究普遍存在试验数据单一、模型鲁棒性不足的问题。
因此，本研究旨在探究利用无人机多源图谱（可见光与多光谱图像）数据进行水稻稻穗关键表型（覆盖度、生物量、倒伏）监测的潜力。通过分析不同氮肥梯度、生长时期和水稻品种对稻穗表型的影响，构建并验证基于机器学习算法的稻穗表型监测模型，以期为高效、精准地监测水稻稻穗表型提供一种有效方法，服务于大田精准管理和水稻智慧育种。
二、 研究流程与实验设计 本研究包含以下几个主要流程：试验设计与数据采集、无人机图像处理与特征提取、地面数据获取、稻穗表型监测模型构建与评估，以及模型动态迁移能力验证。
第一，试验设计与数据采集。 田间试验于2017年至2018年在浙江省诸暨市和辽宁省沈阳市进行，试验对象包括籼稻品种“甬优1540”和粳稻品种“秋光”、“沈农9816”。试验设置了不同的氮肥梯度：诸暨2017年试验为0、72、120、240、360 kg/hm²五个水平；诸暨2018年试验为0、120、240、360、480 kg/hm²五个水平；沈阳2018年试验为0、50、100、150 kg/hm²四个水平。每个氮肥处理设置多个小区重复。数据采集集中在水稻抽穗期、灌浆初期和灌浆后期（具体日期见表1）。这种多年、多地点、多品种、多氮肥水平的设计旨在收集多样化的数据，以构建鲁棒的监测模型。
无人机数据采集使用团队自主研发的八旋翼电动无人机平台，同时搭载高清数码相机（Sony NEX-7）和多光谱相机（Ximea MQ022MG-CM，25个波段，604–872 nm）。飞行高度为25米，飞行速度为2.5 m/s。获取的可见光（RGB）图像地面分辨率为6 mm/pixel，多光谱图像为4.3 cm/pixel。飞行前后使用照度计和标准参考板进行光照校正和辐射定标。
地面数据与无人机飞行同步或稍后进行采集。穗覆盖度通过在拼接后的高分辨率可见光图像上人工标记稻穗区域并计算面积占比获得。穗生物量通过破坏性采样获得：在每个小区随机采集稻穗样本，带回实验室清理、烘干、称重，最终计算为单位面积的干物质质量（kg/m²）。诸暨2017年采集125个样本，2018年采集100个样本，沈阳2018年采集28个样本。穗倒伏数据同样基于可见光图像，在出现倒伏的小区内人工标记“倒伏”与“非倒伏”区域，共获取210个（诸暨）和200个（沈阳）倒伏样本及等量的非倒伏样本。
第二，无人机图像处理与特征提取。 首先，使用Photoscan软件对可见光和多光谱图像进行拼接，生成正射投影影像（Orthomosaic）。对于多光谱图像，利用5块已知反射率的标准参考板，通过线性回归将数字值（Digital Number, DN）转换为反射率（Reflectance, R），并进行光谱校正以去除二阶谐波和滤波器串扰。然后，根据小区边界分割出每个小区的冠层图像，并采用阈值分割算法去除土壤背景，保留纯净的作物冠层区域。
从处理后的图像中提取了多种特征用于建模： 1. 来自可见光图像的特征： * 颜色特征：提取红（R）、绿（G）、蓝（B）三个通道的原始值，并计算归一化颜色特征（r = R/(R+G+B)， g = G/(R+G+B)， b = B/(R+G+B)）。 * 纹理特征：通过灰度共生矩阵（Gray-Level Co-Occurrence Matrix, GLCM）计算四个纹理特征：对比度（Contrast, Con）、相关性（Correlation, Cor）、能量（Energy, EnE）、同质性（Homogeneity, Hom）。 * 植被指数：计算归一化绿红差异指数（Normalized Green-Red Difference Index, NGRDI）。 * 结构特征：通过图像分类计算得到的穗覆盖度。 2. 来自多光谱图像的特征： * 光谱反射率：25个波段（604–872 nm）的反射率值。 * 植被指数：计算归一化植被指数（Normalized Difference Vegetation Index, NDVI，使用679 nm和796 nm波段）。
第三，稻穗表型监测模型构建与评估。 针对不同的表型参数，采用了不同的机器学习算法和特征组合策略。 1. 穗覆盖度评估： * 方法A（仅可见光）：将每个像素的R、G、B值作为输入特征。采用粒子群优化算法（Particle Swarm Optimization, PSO）优化支持向量机（Support Vector Machine, SVM）分类器（即PSO-SVM模型）对像素进行分类（稻穗 vs. 非稻穗）。PSO用于优化SVM的参数（惩罚系数C、不敏感损失系数ε、核函数参数γ）。分类后，计算稻穗像素占总像素的比例作为预测的穗覆盖度。 * 方法B（仅多光谱）：将25个波段的光谱反射率作为输入特征，采用随机森林（Random Forest, RF）回归模型直接预测穗覆盖度。 * 方法C（融合）：将方法A得到的穗覆盖度预测值与方法B中的多光谱反射率融合，作为新的特征集，再次输入RF回归模型进行预测。 2. 穗生物量评估： 使用RF回归模型，比较了三种特征组合的预测效果： * 仅可见光特征：颜色（r, g, b）和纹理（Con, Cor, EnE, Hom）。 * 仅多光谱特征：25个波段的光谱反射率。 * 融合特征：结合上述所有可见光和多光谱特征。 3. 穗倒伏识别： * 首先，测试了单一特征（如NGRDI, NDVI, 各波段反射率，颜色和纹理特征）结合Otsu阈值分割法识别倒伏的效果。 * 然后，采用PSO-SVM分类器，融合多源图谱数据（可见光颜色纹理 + 多光谱反射率）进行分类识别。
第四，模型评估与动态监测。 所有数据被随机划分为训练集（2/3）和测试集（1/3），采用10折交叉验证评估模型性能。 * 评估指标：对于回归任务（覆盖度、生物量），使用决定系数（Coefficient of Determination, R²）、预测均方根误差（Root Mean Square Error of Prediction, RMSEP）和相对均方根误差（Relative Root Mean Square Error, RRMSE）。对于分类任务（倒伏），使用准确率（Accuracy, %）。 * 动态监测：为了解水稻生长变化，分析了NGRDI、NDVI和穗覆盖度随施氮量和生长时期的变化趋势。 * 模型迁移验证：为了测试模型的泛化能力，利用2017年数据构建的穗生物量RF模型，直接预测2018年的数据。同时，尝试在2017年模型的基础上，加入10%的2018年新样本进行模型更新，观察预测精度的改善情况。
三、 主要研究结果 第一，水稻生长动态监测结果。 分析表明，随着施氮量增加，穗覆盖度呈现下降趋势（可能因分蘖增多导致冠层密闭，穗部可见比例降低），而NGRDI和NDVI也随施氮量增加而减小。从抽穗到成熟，穗覆盖度总体呈先稳定后下降的趋势（可能与叶片衰老、穗部暴露或脱落有关），而NGRDI和NDVI的变化则更为复杂。不同品种间（如秋光与沈农9816）的植被指数和覆盖度也存在显著差异。这些结果为利用无人机图谱数据监测稻穗表型变化提供了生理响应依据。
第二，稻穗覆盖度评估结果。 * 仅用可见光图像（PSO-SVM分类）：取得了很高的预测精度，R²达0.87，RRMSE为12.39%。这说明基于颜色特征的机器学习方法能有效从冠层背景中识别稻穗。 * 仅用多光谱反射率（RF回归）：预测精度稍低（R²=0.83, RRMSE=13.18%），表明单纯的光谱信息对穗覆盖度（主要反映结构信息）的表征能力略逊于高分辨率的可见光图像。 * 融合方案（RF回归）：将可见光分类得到的覆盖度预测值与多光谱反射率融合，显著提升了预测精度，R²达到0.93，RRMSE降至9.47%。这证明多源数据融合能有效结合可见光对结构的敏感性和多光谱对生理信息的捕捉能力，从而更准确地评估穗覆盖度。
第三，稻穗生物量评估结果。 * 仅用多光谱反射率（RF）：预测效果较好，R²=0.75, RRMSE=10.89%。光谱反射率与生物量（干物质积累）密切相关。 * 仅用可见光颜色纹理（RF）：预测效果相对较差（R²=0.62, RRMSE=14.29%），说明颜色和纹理特征对穗生物量的直接指示作用有限。 * 融合可见光颜色纹理与多光谱反射率（RF）：取得了最佳的预测效果，R²高达0.84，RRMSE降至8.68%。这表明纹理特征（可能反映了冠层的致密程度）能够补充光谱信息，改善生物量的评估精度。 * 模型迁移能力验证：直接用2017年数据训练的模型预测2018年数据，R²为0.61，RRMSE为15.98%，虽精度下降但仍可接受。当加入10%的2018年新样本更新模型后，预测精度得到改善，R²提升至0.69，RRMSE降至13.59%。这证明了所构建的模型具有跨年度的迁移潜力，少量新数据可有效提升模型在新环境下的适用性。
第四，稻穗倒伏识别结果。 * 单一特征阈值分割：对于诸暨籼稻，NGRDI的识别准确率最高（90.24%），NDVI为81.67%。对于沈阳粳稻，两者的识别准确率均有所下降（NGRDI: 78.33%， NDVI: 75.95%）。部分多光谱波段反射率和可见光纹理特征（如对比度Con）也能达到较高的识别准确率。但不同品种的最佳识别阈值存在差异。 * 多源特征融合（PSO-SVM分类）： * 仅融合可见光颜色和纹理：准确率91.97%。 * 仅融合多光谱全波段反射率：准确率92.70%。 * 融合全部可见光和多光谱特征：取得了极高的识别准确率，达99.87%。这充分证明了多源信息融合在复杂识别任务（如区分倒伏与非倒伏）中的强大优势，能够克服单一特征对品种差异的敏感性。
四、 研究结论 本研究表明，无人机多源图谱（可见光与多光谱）数据融合是一种有效监测水稻稻穗关键表型（覆盖度、生物量、倒伏）的技术手段。 1. 基于PSO-SVM模型和可见光图像可以实现稻穗的准确识别与覆盖度计算。进一步融合多光谱反射率，可将穗覆盖度评估精度提升至R²=0.93， RRMSE=9.47%。 2. 基于RF回归模型，融合可见光图像的颜色纹理特征与多光谱图像的光谱反射率，可以最准确地评估穗生物量，R²达0.84，RRMSE为8.68%。该模型在不同种植年度间具有一定的可迁移性，通过添加少量新样本更新模型可进一步提高预测精度。 3. 基于PSO-SVM分类模型，融合可见光与多光谱多源特征，可以极其准确地识别稻穗倒伏，准确率高达99.87%。 本研究结果为快速、无损、大面积获取水稻生长后期关键表型参数提供了一套可行的技术方案，证明了多源数据融合在提升模型精度和鲁棒性方面的价值，为作物精准田间管理和智慧育种决策提供了重要的技术支持和理论依据。
五、 研究亮点 1. 研究对象的针对性：聚焦于水稻生长后期（抽穗至成熟期）的关键稻穗表型（覆盖度、生物量、倒伏），填补了该领域研究的空白。 2. 数据来源的多样性与鲁棒性：研究采用了多年（2017， 2018）、多地点（浙江诸暨、辽宁沈阳）、多品种（籼稻、粳稻）、多氮肥处理的试验设计，构建了丰富且具有代表性的数据集，极大地增强了所开发模型的普适性和鲁棒性。 3. 多源信息融合的创新应用：系统地探索并验证了可见光图像（颜色、纹理、结构）与多光谱图像（光谱反射率）进行特征级融合在稻穗表型监测中的显著优势。研究表明，不同表型参数对数据源的敏感性不同（如覆盖度更依赖可见光，生物量更依赖光谱），而融合策略能综合各自优点，实现最佳监测效果。 4. 先进的机器学习算法应用：巧妙地结合了PSO优化算法与SVM（用于分类和倒伏识别）、RF回归（用于覆盖度和生物量评估）等机器学习方法，并验证了模型在不同年份间的迁移能力及通过少量数据更新提升性能的可行性。 5. 完整的监测技术流程：从无人机数据采集、预处理、特征提取，到针对不同表型的模型构建、评估与验证，形成了一套完整、可操作的技术流程，具有较高的实际应用参考价值。
六、 其他有价值内容 研究在讨论部分还指出了一些未来研究方向：当前模型仅在有限品种上验证，未来需要在更多水稻品种中测试其鲁棒性；研究尚未深入探究土壤背景、传感器观测角度、太阳高度角等环境因素对模型的影响。未来研究需要将这些因素纳入考量，提高模型的机理性与普适性，从而为农田精准管理和智慧种植提供更强大的技术支撑。