精准农业∣ODP：利用无人机高光谱图像估算玉米光合能力和产量的新指标

研究背景：

搭载于无人机（UAV）平台的多光谱和高光谱传感器为高效、便捷地获取作物冠层光谱信息提供了强大工具。基于此计算的植被指数（VIs）已被证明能有效捕捉作物的光合生理变化并估算光合能力，例如对类胡萝卜素变化敏感的光化学反射指数（PRI）以及与叶绿素含量（LCC）和光合作用密切相关的结构不敏感色素指数（SIPI）等。已有研究展示了结合多/高光谱数据、纹理、株高等信息或先进机器学习模型反演Pn等光合参数或胁迫状态的潜力。然而，多光谱信息量有限制约了精度提升，高光谱研究也大多局限于筛选现有VIs，缺乏针对特定研究目标（如构建时间尺度综合光合指标）对光谱信息或VIs进行先验优化的环节，这在相当程度上限制了估算模型的准确性和普适性。因此，开发新型、实用的综合光合指标并建立其与高效遥感手段的联系，对于提升玉米光合能力评估和产量预测的效率与精度至关重要。

实验与数据采集：

本研究在两大玉米主产区（华北—华东夏粮区与南方丘陵区）于不同年份、不同播期和不同生育阶段，对多品种玉米进行了数据采集。

图1 实验地点和研究区域设计的插图。

数据采集：

采用搭载GaiaSky‑mini高光谱成像仪（Dualix Spectral Imaging Technology Co., Ltd., 无锡，中国）的DJI Matrice 600 Pro无人机（大疆创新科技有限公司，深圳，中国）进行高光谱数据采集。高光谱仪波段范围为400–1000 nm，光谱分辨率3.5 nm。飞行前使用DJI GS Pro进行航线与航点规划，飞行高度30 m，前后重叠率70%，侧向重叠率60%。起飞前以标准白板进行反射率校正，升空后利用20%、50%及70%反射率的灰布进行大气校正。影像采集采用自动曝光模式，依据环境光照条件与目标亮度自动调整增益与曝光时间，采集时间为当日光合指标测定的11∶00。

图2 研究流程示意图。Pn：净光合速率；Gs：气孔导度；Ci：叶片内CO₂浓度；Tr：蒸腾速率；DAF：开花后天数；ODP：日光合作用量；VIs：植被指数；HGW：百粒重。

研究结果：

基于不同植被指数筛选与建模方法的ODP估算：

以ODP为输出变量，分别采用多元线性回归（MLR）、支持向量回归（SVR）、高斯过程回归（GPR）、随机森林（RF）和梯度提升决策树（GBDT）五种方法，构建了两类输入：所有植被指数（VIs）与经竞争性自适应重抽样（CARS）筛选后的VIs（表 4）。结果表明，采用CARS筛选VIs后，模型精度与未筛选时相当，却仅保留了更少的特征，具有优异的降维效果；同时消除了冗余特征，显著提升了计算效率，并减轻了过拟合，使模型在新数据上的泛化能力更强。从最优模型的频次来看，GPR和SVR在精度上表现最佳，MLR、RF和GBDT相对较差。其中，SVR和GPR具有较强的非线性拟合能力、鲁棒性及高维特征处理能力，因此在准确性上占优；MLR受线性假设限制；RF与GBDT则因模型复杂度和参数调优难度较大，表现相对逊色。采用留一交叉验证（LOOCV）对全数据集建模，排除了数据划分对结果的影响，提高了结果的稳定性与可靠性（图 8）。LOOCV结果显示，无论是否进行CARS筛选，GPR模型均具有最高精度；其中，CARS筛选后的GPR模型取得了最高的综合表现：R² = 0.82，RMSE = 111.03，MAE = 89.14；而未筛选模型的相应指标略低，为R² = 0.81，RMSE = 113.19，MAE = 92.14。

基于单日光合作用量（ODP）的产量估测：

通过实测和估算的ODP数据对最终产量进行了估测（图 9）。仅使用开花后10 天（10 DAF）实测和估算ODP进行产量估算时，决定系数R²分别仅为0.526和0.393，准确性较低；当加入开花后20 天（20 DAF）的ODP数据后，R²分别提升了0.182和0.194，估测精度显著提高；而在继续加入30 DAF和40 DAF数据时，R²的最大增幅均不足0.13。综合使用四个时点的ODP实测值进行回归，可获得R² = 0.770，RMSE = 0.961 t ha⁻¹，MAE = 0.816 t ha⁻¹，表明多时点ODP实测数据可较准确地估测玉米产量。使用估算的ODP值进行产量估测时，R²亦均超过0.70，说明ODP估算同样可用于精度较高的产量预测。

图 3 玉米籽粒灌浆动力学过程。(a) 不同灌浆阶段百粒重（HGW）统计；(b) HGW 生长动力学曲线拟合；(c) 开花后灌浆速率（GFR）变化。

图 4 Pn 拟合曲线投影面积获取流程。(a) 开花后第 10 天的净光合速率（Pn）测值；(b) 数据插值处理；(c) Pn 曲线拟合；(d) 曲线下投影面积计算。