基于UAV多光谱与RBFAttention优化多源特征融合的田间玉米成熟度估算

《Smart Agricultural Technology》:UAV-based maize maturity estimation: Multi-source feature fusion with attention mechanism optimization

【字体: 大 中 小 】 时间:2026年10月21日 来源:Smart Agricultural Technology 7.1

编辑推荐:

  无人机(UAV)多光谱框架可在田块尺度估算玉米成熟度。数据驱动的玉米成熟度指数(CMI)通过主成分分析(PCA)融合SPAD、叶面积指数(LAI)和籽粒水分,无需经验权重。在特征加权中,RBFAttention优于皮尔逊相关系数(PCC)和两种注意力方法。随机

  
无人机(UAV)多光谱框架可在田块尺度估算玉米成熟度。数据驱动的玉米成熟度指数(CMI)通过主成分分析(PCA)融合SPAD、叶面积指数(LAI)和籽粒水分,无需经验权重。在特征加权中,RBFAttention优于皮尔逊相关系数(PCC)和两种注意力方法。随机森林(RF)仅使用47个候选特征中的10个即达到R2 = 0.7713。田间CMI图区分了早熟与常规玉米品种。
研究背景:玉米对全球粮食安全和农业生产贡献显著,成熟度直接关系籽粒产量与品质。传统成熟度评估多依赖经验判断或破坏性采样,效率低、成本高,难以实现大规模连续监测;单一指标也难以充分表征成熟过程中叶绿素、冠层结构和籽粒水分的协同变化。已有研究多采用经验加权构建成熟度指数,依赖先验知识,难以适应不同样本条件下成熟特征变化,限制指数表征能力与估算精度。无人机(UAV)遥感可无损、高效获取田块尺度高分辨率影像,植被指数(VI)可反映冠层结构与生理状态,但单一VI受生育期和冠层条件影响,且多数研究忽视冠层空间纹理信息;简单融合又易引入高维冗余和过拟合,传统皮尔逊相关系数(PCC)等线性特征选择难以刻画非线性关系并动态调整权重。基于此,研究人员提出融合自适应注意力与多源特征的UAV玉米成熟度估算框架。

研究人员开展了以下研究并得出结论:构建融合SPAD、叶面积指数(LAI)和籽粒含水量(GMC)的玉米成熟度指数(CMI),以数据驱动方式分配参数权重;联合VI与纹理特征评估其对成熟度估算的贡献;系统比较SENet、GateAttention和径向基函数注意力(RBFAttention)三种注意力机制及PCC的特征重要性评价性能;设计多策略特征组合优化,比较不同特征子集模型精度并选优。结果表明,RBFAttention在平均R2和平均均方根误差(RMSE)上优于PCC及其他注意力方法,随机森林(RF)基于10个特征达到测试集R2 = 0.7713、RMSE = 10.15,较全特征融合减少78.7%输入且保持最高测试精度;SHAP归因显示CCCI、NDVIrededge和CIrededge为主要贡献者;田块CMI图可解析空间异质性并区分早熟与常规品种。该研究为精准农业分区收获、成熟度监测和品种适应性评估提供了高效、准确且可解释的方法。

关键技术方法(不超过250字):试验数据来自2025年中国山东省济南市章丘区枣园试验基地,包含郑单958(ZD958,常规)和京农科728(JNK728,早熟)两个品种、42个小区,密度75,000株 ha-1;6次同步观测SPAD、LAI和GMC,并用DJI Mavic 3M无人机采集多光谱影像(航高20 m,地面采样距离约5 cm)。以PCA构建CMI,提取15个VI和32个灰度共生矩阵(GLCM)纹理特征;采用SENet、GateAttention、RBFAttention及PCC进行特征加权,以Top10特征输入RF、XGBoost、LightGBM、梯度提升决策树(GBDT)、偏最小二乘回归(PLSR)和支持向量回归(SVR),经Optuna调参、5×5重复交叉验证、SHAP解释和田间制图。

研究结果:
3.1 玉米成熟度指数的构建与验证:通过PCA融合SPAD、LAI和GMC构建CMI,第一主成分解释71.31%总方差且为唯一特征值大于1的成分,三个指标载荷均为正;反向归一化至0—100后,CMI均值47.42、标准差20.80,呈单峰分布并覆盖较宽成熟梯度,说明该指数可表征玉米成熟水平。
3.2 不同特征配置下模型性能:通过六种回归算法比较VI单独、纹理单独及二者融合三种配置,融合配置平均R2最高(0.6348)、平均RMSE最低(12.07);融合对RF、LightGBM、GBDT和PLSR有提升,但对XGBoost和SVR下降,纹理单独平均R2最低(0.5272)。结论为光谱与纹理具互补性,但简单拼接47个特征增益有限且存在模型依赖性。
3.3 不同注意力机制特征选择性能比较:通过比较SENet、GateAttention、RBFAttention与PCC,RBFAttention平均R2最高(0.6480),较PCC(0.6271)提高3.33%;平均RMSE最低(11.9247),较PCC(12.3087)降低3.12%。其Top10特征中9个为VI、1个为纹理,NDI权重最高(0.1246),前五特征累积权重54.59%,说明RBFAttention可有效识别少量关键特征。
3.4 特征组合优化策略比较:基于RBFAttention权重比较默认Top10、8VI+2Tex、2VI+8Tex和平衡多样性(5VI+5Tex)策略,默认Top10平均R2最高(0.6789),其次为8VI+2Tex(0.6682)、平衡多样性(0.6592)和2VI+8Tex(0.6544);默认策略下GBDT和RF的R2较高(0.7197和0.7145)。结论为默认策略精度最高,平衡多样性策略在特征类型覆盖和物理可解释性方面具优势,二者进入后续优化。
3.5 最优模型性能与可解释性分析:经Optuna调参后,在测试集上比较模型性能。
3.5.1 不同模型测试集性能比较:默认RBFAttention特征下RF测试集精度最高(R2 = 0.7713,RMSE = 10.15),优于VI单独(R2 = 0.7455)、纹理单独(R2 = 0.7023)和全特征融合(R2 = 0.7570),且仅用10个特征,较47个融合特征减少78.7%,说明筛选去冗余而未牺牲精度。
3.5.2 最优模型性能统计显著性检验:通过5×5重复交叉验证和Friedman检验,12个模型组合间差异显著(χ2 = 108.85,df = 11,p = 3.10 × 10-18),Kendall’s W为0.3958;最优与次优模型无显著差异(p = 0.275);树集成模型显著优于SVR(p < 0.001,Cohen’s d > 1.4);同一基学习器下两种特征策略无显著差异(p > 0.05),说明RBFAttention特征选择具稳健性。
3.5.3 最优模型误差分析:最终采用默认RBFAttention+RF,残差均值?1.89、标准差9.97,Shapiro–Wilk检验未显著偏离正态(p = 0.564);28.9%测试样本误差在±5 CMI内,57.9%在±10内,78.9%在±15内;中间成熟段RMSE最低(7.31),低成熟段10.76,高成熟段13.06,高成熟误差与光谱饱和、纹理敏感性下降和样本稀少有关。
3.5.4 基于SHAP的模型可解释性分析:通过SHAP分析,CCCI平均|SHAP|最高(4.66),NDVIrededge(4.05)和CIrededge(3.76)次之,前三累计贡献64.34%,前五累计79.56%;CCCI低值对应正SHAP、高值对应负SHAP,符合成熟期叶绿素降解规律;NIR同质性(NIR homogeneity)呈双向效应。结论为模型主要依赖红边叶绿素信号,特征紧凑且具生理可解释性。
3.6 玉米成熟度空间分布制图:基于最优模型进行像素级CMI预测并按10个CMI单位分级制图,研究区整体为中高成熟水平,几乎无CMI超过80的区域,处于 dough stage 至 full maturity 的过渡阶段;早熟品种JNK728平均CMI为64.36 ± 7.58,高于常规品种ZD958的63.25 ± 9.91;JNK728有34.12%面积达到CMI 70,高于ZD958的21.77%,且其标准差更小、分布更均匀。结论为UAV多光谱与最优模型可区分品种成熟差异并刻画田间空间异质性,支持分区收获。

讨论部分总结:CMI以PCA从数据方差结构自动确定权重,避免层次分析法(AHP)或专家评分等主观偏差,对多品种成熟轨迹更具适应性;其覆盖0—100成熟梯度,极端样本比例低。与Liu等和Li等的UAV研究相比,本研究精度可比或更高,RMSE约相当于全指数范围的十分之一,足以用于分区排序和收获排序。多源融合显示光谱信息主导、纹理信息补充,融合增益有限,纹理主要细化光谱已捕获的成熟信号。RBFAttention通过径向基函数核刻画非线性相似性,优于PCC,所选特征集中于红边VI且权重集中,可降低复杂度并增强可解释性;默认Top10精度最高,平衡多样性策略精度略低但覆盖叶绿素敏感、红边、土壤调节和结构类别,解释性更强;纹理主导策略最差。SHAP表明CCCI、NDVIrededge和CIrededge主导预测,NIR同质性双向效应符合早衰期斑块黄化增加异质性、后期冠层均一化的过程。局限包括单点单季两品种、高成熟样本仅2.7%、样本级划分存在约0.03的R2乐观、按小区分组验证R2 = 0.709 ± 0.022、嵌套选择交叉验证R2约0.706—0.711,以及四波段多光谱分辨率有限。未来需多点多季平衡采样、尊重时空结构划分、引入高光谱/热红外/LiDAR、发展时序Transformer建模及组感知特征选择阈值。

研究结论翻译:本研究构建了基于UAV的玉米成熟度估算框架,由CMI、多源特征融合和注意力驱动特征优化三部分组成。CMI通过PCA将SPAD、LAI和GMC浓缩至单一轴,追踪成熟过程中的叶绿素降解、冠层衰退和籽粒脱水,为UAV成熟度评估提供可靠基准。特征融合符合预期:VI与纹理特征携带互补信息,二者组合优于任一单一来源,光谱主导估算,纹理提供补充冠层结构信息并提高模型稳定性和适用性。在测试的筛选方法中,RBFAttention在平均R2和平均RMSE上优于PCC和其他注意力机制,反映其更强的非线性特征效应捕捉能力;其选择的特征集中于红边VI,与该光谱区对成熟期叶绿素损失和冠层变化的高敏感性一致。嵌套选择审计表明,所部署特征子集同样得到无模型PCC准则的支持,因此注意力加权的实用价值在于非线性特征评估及其与SHAP归因的一致性。使用该优化子集,RF在独立测试集上达到R2 = 0.7713、RMSE = 10.15(所有配置中最佳),同时较全特征融合基线减少78.7%输入而不牺牲精度。SHAP归因识别CCCI、NDVIrededge和CIrededge为主要贡献者,表明模型预测建立在可识别的作物生理基础上而非偶然。在田块尺度,该模型生成的成熟度图解析了田间空间异质性并区分了两个品种,支持分区收获、生长季成熟度监测和站点特定管理。总体而言,嵌入该UAV框架的RBFAttention–随机森林组合提供了高效、准确且可解释的成熟度监测,为UAV平台智能作物监测提供方法参考和实用技术。按小区分组验证确认该精度对样本级划分稳健(R2乐观约0.03);由于单季单点数据尚未检验时间外推,实际部署应经过多季多点多验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号