基于多模态无人机数据与叶面积指数反演模型提升玉米水分胁迫诊断精度的研究
作者及机构
本研究由内蒙古农业大学水利与土木工程学院的Qi Liu、Yixuan Yang、Ruxin Zhang等，武汉大学水资源工程与管理国家重点实验室的Xiaolong Hu、Liangsheng Shi，以及巴彦淖尔市水文水资源勘测中心的Yiqiang Zhang等团队合作完成，通讯作者为内蒙古科技大学的Zhongyi Qu。研究成果发表于Agricultural Water Management期刊，2025年3月在线发表（DOI: 10.1016/j.agwat.2025.109407）。
学术背景
研究领域：本研究属于农业水资源管理与精准农业交叉领域，聚焦无人机遥感技术在作物水分胁迫诊断中的应用。
研究动机：全球干旱与半干旱地区水资源短缺威胁粮食安全，传统作物水分监测方法（如点尺度测量）难以捕捉空间异质性，而无人机（UAV, Unmanned Aerial Vehicle）多模态数据（多光谱、热红外等）为大规模农田水分状态监测提供了新思路。然而，现有模型在跨生长阶段和大规模应用中的精度与泛化能力仍存在挑战。
研究目标：
1. 结合多光谱数据、热红外数据及叶面积指数（LAI, Leaf Area Index）反演结果，构建玉米水分胁迫诊断模型；
2. 探究冠层温度特征（TIs, Temperature Indices）和结构特征（LAI）对模型精度的提升作用；
3. 评估模型在大规模农田场景中的适用性。
研究流程与方法
1. 实验设计与数据采集
- 研究区域：两年田间试验（2022–2023年）在内蒙古河套灌区进行，设置4种灌溉处理（W1–W4，水分胁迫程度递减），并开展大规模应用实验（AE）。
- 无人机数据：
- 热红外图像：使用DJI M300 Pro搭载Zenmuse H20T相机，获取冠层温度数据，通过温度直方图计算统计型作物水分胁迫指数（CWSIs, Crop Water Stress Index）。
- 多光谱图像：使用Phantom 4 Multispectral采集5个波段（蓝、绿、红、红边、近红外），计算16种植被指数（MIs, Multispectral Indices）。
- 地面数据：
- 水分指标：植物水分含量（PMC, Plant Moisture Content）和气孔导度归一化值（NGS, Normalized Stomatal Conductance）；
- LAI测量：采用LAI-2200C植物冠层分析仪。
2. 数据处理与模型构建
- 土壤背景去除：基于SAVI（土壤调节植被指数）和Otsu算法分离冠层与土壤像素。
- LAI反演模型：利用随机森林回归（RFR, Random Forest Regression）融合多光谱指数反演LAI，精度验证显示R²=0.808（田间试验）和0.727（大规模应用）。
- 机器学习模型：对比RFR、梯度提升决策树（GBDT）和支持向量回归（SVR），输入变量组合包括MIs、TIs（δT、CWSIs）和LAI，通过主成分分析（PCA）降维。
3. 模型验证与评估
- 精度指标：决定系数（R²）、均方根误差（RMSE）和相对均方根误差（RRMSE）。
- 生长阶段分析：分V9（9叶期）、VT（抽雄期）、R1（吐丝期）、R3（乳熟期）评估模型表现。
主要结果
1. 特征相关性：
- MIs和LAI在V9和VT阶段与PMC、NGS相关性更强（|r|>0.6），而TIs在VT和R1阶段与NGS显著相关（|r|>0.7）。
- CWSIs是表征水分胁迫最稳定的温度指标。
模型性能：
大规模应用验证：
结论与价值
科学意义：
- 揭示了多模态数据（光谱、温度、结构）在水分胁迫诊断中的互补性，证实LAI和TIs的引入可显著提升模型鲁棒性。
- 提出了生长阶段依赖的诊断策略，为精准灌溉提供理论依据。
应用价值：
- 为干旱区玉米水分管理提供了低成本、高精度的无人机遥感解决方案，尤其适用于大规模农田监测。
创新点：
1. 首次将LAI反演模型与多模态无人机数据融合，构建水分胁迫诊断框架；
2. 明确了不同生长阶段下PMC与NGS的最佳预测模型组合；
3. 通过大规模验证揭示了模型在复杂农田环境中的局限性，为后续优化指明方向。
局限与展望：需进一步验证模型在多季节、多作物中的泛化能力，并开发轻量化工具以促进农户应用。
亮点总结
- 方法创新：结合PCA降维与RFR算法，有效解决多源数据冗余问题。
- 发现突破：冠层温度指标（TIs）在生殖生长阶段（VT–R1）对气孔导度的敏感性高于营养生长阶段。
- 工程价值：模型可直接输出水分胁迫空间分布图（如图13），支持变量灌溉决策。