基于三维干物质分布积分模型的水稻地上生物量估算

《Frontiers in Plant Science》:Rice aboveground biomass estimation based on three-dimensional dry matter distribution integration model

【字体: 大 中 小 】 时间:2026年08月28日 来源:Frontiers in Plant Science 5.9

编辑推荐:

  准确量化水稻地上生物量对于作物监测至关重要,但由于植株密度、空间结构和内部干物质分布耦合产生的复杂非线性,这一目标仍具挑战。为解决单一源遥感数据的局限性,研究人员提出了一种三维干物质分布积分(Three-Dimensional Dry Matter Distr

  
准确量化水稻地上生物量对于作物监测至关重要,但由于植株密度、空间结构和内部干物质分布耦合产生的复杂非线性,这一目标仍具挑战。为解决单一源遥感数据的局限性,研究人员提出了一种三维干物质分布积分(Three-Dimensional Dry Matter Distribution Integration, 3D-DMI)模型,该模型建立了一个具有物理可解释性的框架,将AGB分解为干物质密度(ρ)、水平投影分布(S)和垂直累积分布组分。在该框架的指导下,采用结合最大信息系数和距离相关性(Distance Correlation, dCor)的两步特征选择方法,从基于无人机(Unmanned Aerial Vehicle, UAV)的多光谱、RGB和激光雷达数据中提取了一个包含六个特征(Red_650、MTCI、G_correlation、R_correlation、LPI和HPA0_99)的核心子集。随后,开发了一种随机森林回归模型来估算整个生长季的AGB。结果表明,3D-DMI模型取得了优异的性能,其R2为0.920,RMSE为0.184 kg/m2,RPD为3.544,显著优于任何单一传感器方法。单特征分析显示,虽然源自LiDAR的结构特征为生物量估算提供了基础,但它们在生长后期遇到了固有的饱和瓶颈。基于SHAP(Shapley Additive exPlanations)的特征贡献分析进一步量化了源自LiDAR的特征在估算过程中占主导地位(贡献率为68.5%),提供了体积基础,而RGB纹理(18.3%)和多光谱特征(13.3%)提供了不可或缺的补充。最终,本研究为贯穿整个生长周期的高精度基于无人机的水稻生物量监测建立了一个稳健且基于物理基础的计算范式。
水稻是全球最重要的主粮作物之一,为近一半全球人口提供主要食物来源。水稻地上生物量(AGB)是表征冠层生长状态和生产力的关键指标,与光合产物积累和产量形成密切相关。然而,传统的生物量获取方法依赖破坏性田间采样,劳动强度大且难以应用于大尺度监测。随着无人机(UAV)遥感技术的发展,多光谱、RGB和激光雷达传感器被广泛应用于捕获作物表型信息。尽管单一传感器在提取特定冠层性状方面展现出巨大潜力,但在水稻全生殖周期AGB估算中面临固有的物理瓶颈。首先,多光谱植被指数易受背景噪声、饱和现象和物候不稳定的影响,在冠层郁闭后迅速饱和。其次,RGB影像衍生的纹理和结构特征受限于被动传感特性,穿透力有限,在密集冠层中会显著低估株高和叶面积指数。最后,LiDAR虽擅长表征冠层几何结构,但缺乏探测内部生理状态和干物质密度的光谱敏感性。此外,现有多源遥感数据融合研究多将特征简单统计堆叠,缺乏一个将遥感变量与生物量形成的物理组分明确关联的统一理论框架。

为解决上述问题,研究人员提出了一种三维干物质分布积分模型(Three-Dimensional Dry Matter Distribution Integration, 3D-DMI),将水稻AGB物理空间分解为水平投影分布(S)、垂直累积分布(hd)和干物质密度(ρ)三个相对独立且互补的维度。该研究确立了贯穿整个生长周期的高精度无人机水稻生物量监测的计算范式,具有明确的物理可解释性,论文发表在《Frontiers in Plant Science》。

样本队列来源于华南农业大学增城宁西实验基地的60个实验小区,涵盖5个水稻品种和4个氮肥水平。研究人员采用了以下关键技术方法:利用搭载多光谱相机、RGB相机和Zenmuse L2 LiDAR系统的无人机获取多源数据;采用结合最大信息系数和距离相关性(Distance Correlation, dCor)的两步特征选择法从80个候选变量中筛选核心特征;利用Optuna框架结合5折交叉验证训练9种监督机器学习算法以确定最优估算器;引入SHAP(Shapley Additive exPlanations)方法量化特征贡献。

研究结果如下:
3.1 Statistical analysis of rice AGB data
通过破坏性采样获取全生育期数据,构建的数据集涵盖了从分蘖到成熟的完整水稻生长周期,AGB范围从0.004至3.24 kg/m2。该数据集捕捉了广泛的生物量值和关键时间动态,为特征分析和估算建模提供了多样且可靠的基础。

3.2 Core feature selection for 3D-DMI characterization
通过MIC和dCor的两步特征筛选,研究人员从多光谱、RGB和LiDAR数据中选出了6个核心特征。多光谱特征MTCI和Red_650表征干物质密度(ρ);RGB纹理特征G_correlation和R_correlation表征水平投影分布(S);LiDAR指标LPI和HPA0_99分别表征水平投影分布和垂直累积分布(hd)。定量分析表明,LiDAR特征与AGB的相关性显著高于其他特征,这与AGB作为体积实体的前提一致。

3.3 3D-DMI characterization and analysis
在评估的9种回归算法中,基于随机森林(RF)的3D-DMI模型表现最佳,决定系数(R2)为0.920,均方根误差(RMSE)为0.184 kg/m2,残留预测偏差(RPD)为3.544。多传感器信息融合性能分析表明,单一传感器模型精度较低,而多源融合模型表现更优。LiDAR与RGB的组合高度有效,包含所有特征的模型达到最高精度。这证实了空间结构特征提供了估算基础,而多光谱数据引入了必要的生化维度,实现了对水稻冠层更全面的表征。

3.4 Performance of individual features in rice AGB estimation
单特征预测能力评估显示,空间结构特征表现优于光谱特征。LiDAR衍生的LPI取得了最高的单特征预测精度。然而,敏感性分析揭示,在生长后期,所有单一特征均出现明显的饱和瓶颈现象,LiDAR的LPI在AGB超过约1.498 kg/m2时无法准确预测。RGB纹理特征在高生物量范围保持了相对更好的线性关系。这证明单一特征无法无偏地预测全生育期AGB,突出了多特征融合的必要性。

3.5 Core feature contribution analysis based on SHAP
基于SHAP的分析量化了传感器贡献层级:LiDAR贡献最高(68.5%),RGB次之(18.3%),多光谱最低(13.3%)。LiDAR结构特征起主导作用,提供体积基础;RGB特征约束侧向排列;多光谱特征解释内部生理致密化。在缺乏垂直结构信息时,模型会自动依赖水平空间排列作为主要推断依据。三者协同作用保证了高精度估算。

在讨论部分,研究人员将3D-DMI框架与传统的递归特征消除(RFE)和皮尔逊相关性筛选方法进行了对比。传统方法存在特征冗余或遗漏关键物理维度的问题,而基于物理约束的3D-DMI模型通过明确映射水平投影分布、垂直累积分布和干物质密度三个物理组分,确保了生物量三维物理积分过程的精确捕获,表现最优。

研究结论指出,本研究开发了具有物理可解释性的3D-DMI框架,用于估算全生育期水稻地上生物量。结合MIC和dCor的两步特征选择法成功识别出具有明确物理对应关系的6个核心特征,RF算法为最优求解器。多源融合对全季估算必不可少,单一传感器受限于固有的饱和现象,空间分布特征比生化密度特征更为关键。综合融合模型精度最高,LiDAR特征占主导地位,RGB和多光谱特征提供了不可或缺的补充。该研究为精准农业提供了非破坏性工具,未来需引入多年、多点和多品种数据以进一步验证框架的稳健性和可移植性。
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