背景

水稻作為全球主要糧食作物之一，在養活世界人口方面具有重要地位。然而，隨著人口增長和耕地資源減少，提升水稻單位面積產量成為解決糧食**的重要途徑。在傳統水稻育種過程中，高產品種的篩選依賴人工測量產量和生物量，但這種方法耗時費力、效率低且難以大范圍應用。此外，受氣候變化和環境因素影響，產量差異顯著，增加了高產品種篩選的復雜性。  

近年來，隨著無人機（UAV）和高光譜成像技術的發展，農業高通量表型檢測成為可能。高光譜成像可以同時獲取作物的光譜和空間信息，實現對生長狀態、養分水平及倒伏等性狀的無損監測和精準評估。然而，單一基于植被指數或傳統統計模型的方法在動態環境下穩定性差，無法滿足育種過程中對高精度、快速分類的需求。  

作者信息：

蘇軍，福建農林大學蛋白組學研究中心，博士生導師

期刊來源：Plant Phenomics

研究內容

該研究結合無人機高光譜影像和倒伏特征，利用XGBoost機器學習算法，構建水稻產量分類模型。旨在開發一種低成本、高通量、非破壞性的方法，實現大范圍高產水稻品種的快速篩選，提升水稻育種效率，并為精準農業和農業智能化提供新的技術手段。

實驗設計

本研究在江蘇省南京市農業試驗基地開展，選取多個水稻品種作為研究對象，數據采集時間為水稻灌漿中后期。使用大疆M600 Pro六旋翼無人機作為飛行平臺，搭載江蘇雙利合譜科技有限公司生產的176波段高光譜相機（GaiaSky-Vis&Nir）（圖1(a)，a-1）。在測量前，需在直射陽光下校準曝光時間。采集一張白板和兩張黑背景圖像。拍攝白板圖像時，將漫反射標準板垂直于鏡頭前方放置（圖1(a)，a-2）。兩張黑背景圖像（圖1(a)，a-3和a-4）按照制造商規范拍攝，分別使用鏡頭蓋關閉并采用常規或增加曝光時間的方式獲取。高光譜相機的白板和黑背景曝光時間分別為0.9秒和1.0秒。為進行輻射校準，將反射率分別為20%、40%和60%的參考面板放置在田間，并在圖像處理中作為標準使用（圖1(b)）。該高光譜相機的分辨率為960×1057像素，在90米飛行高度下可提供4.5厘米的空間分辨率（圖2(c)）。高光譜相機為線傳感器，波長范圍為400至1000 nm，光譜分辨率（半高寬）為3.5 nm，每張圖像的曝光時間為7秒。水稻的光譜曲線與周圍土壤的光譜曲線存在顯著差異（圖1(d)）。

圖1：高光譜相機校準與圖像采集。(a) 在陽光下使用標準白板校準曝光時間（a-1），包括拍攝白板圖像（a-2）、暗背景圖像（a-3）以及增加曝光時間后的暗背景圖像（a-4）。(b) 反射率分別為20%、40%和60%的參考反射面板。(c) 圖像采集時無人機飛行高度為90米。(d) 示例樣本區域及其對應的水稻和土壤光譜曲線

研究方法

采集得到的高光譜影像首先進行了黑白板校正、輻射校正與大氣校正。隨后，剔除了光譜中的噪聲波段，提取感興趣區域（ROI）的平均光譜反射率，確保所用光譜數據準確代表水稻冠層信息。此外，計算了多種常用植被指數（如NDVI、GNDVI和OSAVI等），為后續建模提供更加豐富和直觀的作物生長狀態指標。

為了進一步提高水稻產量分類模型的表現，研究結合了倒伏特征，通過對無人機影像的分析，提取出倒伏程度（輕度、中度、重度）及倒伏位置分布情況。

將經過預處理的光譜數據、植被指數以及倒伏特征數據整合在一起（圖2），并根據水稻品系進行標記。進行了兩種分析：品系內分析和品系間分析。在品系內分析中，從每個品系中隨機選取兩個重復樣本作為訓練數據，而將第三個重復樣本用作測試數據（圖3(a)）。在品系間測試中，從每個類別中選擇一個品系作為測試樣本，其余10個品系則被用作訓練樣本。總體而言，類別之間共有2（A類）×7（B類）×4（C類）=56種排列組合（圖3(b)）。為了降低測試誤差并提高驗證方法的可行性，這56種訓練集和測試集均被逐一分析。

圖2：高光譜和RGB圖像處理流程及數據集構建。從抽穗期獲取的原始圖像經過多種失真校正后得到修正數據。提取參考光譜，并去除噪聲和背景。在網格單元和后續感興趣區域（ROI）選擇后，使用隨機像素計算植被指數。從成熟期提取的倒伏統計數據與光譜數據結合，形成訓練和測試集

圖3：模型建立的樣本組合。圖中展示了用于品系內分析（a）和品系間分析（b）的重復樣本和品種排列的示意圖

基于篩選后的特征，研究將水稻樣本按照產量標準分為高產、中產和低產等級，并采用XGBoost（極端梯度提升算法）構建產量分類模型。并通過網格搜索方法確定了XGBoost算法的*佳參數。構建了3×3的混淆矩陣來分析預測結果，并計算了**率和召回率。

結果

鑒于倒伏標注對于更準確的產量估算具有重要意義，測試是否可以不依賴人工標注，通過自動倒伏表型識別實現準確估算。為獲得足夠的訓練樣本，使用 RGB 相機（成本低于高光譜相機）采集了100 張倒伏圖像和 83 張非倒伏圖像。所有圖像被調整為統一尺寸（224 × 224）。隨后，從無人機航拍圖像中裁剪出倒伏區域和非倒伏區域（ROI），作為訓練數據集。*后，我們采用遷移學習、圖像增強技術，并使用基于 ImageNet 預訓練權重的 ResNet50 模型，結合 Adam 優化器進行模型訓練。模型的批次大小（batch size）為 8，學習率為 0.0001，訓練輪數（epoch）為 30，總迭代次數為 600。將訓練好的模型應用于39 個實驗地塊中 13 個品種的三次重復實驗進行倒伏識別（如圖4所示）。結果顯示，僅有2個倒伏單元被誤判為非倒伏單元，倒伏識別準確率達到了94.87%，這表明深度學習技術完全可用于水稻倒伏的自動識別。

圖4. 利用微調技術實現水稻倒伏的自動識別。(a) 倒伏檢測模型的訓練數據，其中包含100張倒伏圖像和83張非倒伏圖像。(b) 來自39個實驗田塊的高光譜數據的偽彩*圖像（波段77、50和18）。根據種植區域截取感興趣區域（ROIs），以建立測試數據集，其中包含14張倒伏圖像和25張非倒伏圖像。(c) 模型在訓練數據上的混淆矩陣。(d) 模型在測試數據上的混淆矩陣

對五種機器學習算法進行了測試和比較，這些算法包括LDA（線性判別分析）、高斯核支持向量機（SVM）、AdaBoost、隨機森林（RF）和XGBoost。測試結果顯示，XGBoost的性能優于其他四種方法（圖5）。

圖5：五種分類器（包括LDA、SVM、AdaBoost、RF和XGBoost）的測試結果

結論

該研究結合無人機高光譜影像數據與水稻倒伏特征，構建了基于XGBoost算法的水稻產量分類模型。研究結果表明，倒伏特征在模型中具有重要作用，單獨使用倒伏特征時模型準確率*高為69.32%，而將高光譜數據與倒伏特征結合后，模型分類準確率顯著提升。通過對不同算法的比較，XGBoost算法表現*佳，具有更高的預測準確性和泛化能力。此外，研究還利用深度學習方法實現了水稻倒伏的自動識別，準確率達到94.87%，為無人機高通量表型分析和智能化水稻育種提供了技術支撐。整體而言，該研究為大規模高產水稻品種篩選與精準農業生產提供了一種高效、低成本、非破壞性的遙感監測方法，并建議未來結合多傳感器與更多紋理及形態特征，進一步提升模型的適用性和智能化水平。