應(yīng)用方向

在我國(guó)煙草生產(chǎn)必須嚴(yán)格執(zhí)行上級(jí)下達(dá)的計(jì)劃產(chǎn)量的背景下，準(zhǔn)確且穩(wěn)定的產(chǎn)量估算對(duì)生產(chǎn)管理具有重要意義。本文提出多源數(shù)據(jù)融合策略，構(gòu)建煙草產(chǎn)量估算模型：數(shù)據(jù)包括無(wú)人機(jī)（UAV）機(jī)載高光譜特征（HF）、田間采集的生物物理參數(shù)（BPP）以及實(shí)驗(yàn)室測(cè)定的生化參數(shù)（BCP）。考慮不同生育期的作物狀態(tài)共同影響最終產(chǎn)量，模型采用兩類典型循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）——LSTM與GRU，并以隨機(jī)森林（RF）作為基線。針對(duì)跨年度數(shù)據(jù)時(shí)間維度不一致問(wèn)題，設(shè)計(jì)一維卷積自編碼器（AEC1D）以統(tǒng)一輸入維度。結(jié)果表明，多源融合優(yōu)于任一單源特征；其中采用HF+BCP+BPP的GRU模型精度最高（=0.705）。同時(shí)，LSTM與GRU整體優(yōu)于RF；特征貢獻(xiàn)約為HF45%、BPP32%、BCP23%。該研究驗(yàn)證了多源融合與 RNN 在煙草產(chǎn)量估算中的優(yōu)勢(shì)，可為精準(zhǔn)化田間管理提供支持。

關(guān)鍵詞：多源數(shù)據(jù)融合；RNN；產(chǎn)量估算；HF+BCP+BPP；AEC1D

背景

我國(guó)煙草屬于重要經(jīng)濟(jì)作物，為調(diào)控市場(chǎng)供給、保持產(chǎn)品與價(jià)格穩(wěn)定，行業(yè)主管部門對(duì)企業(yè)下達(dá)年度生產(chǎn)計(jì)劃，產(chǎn)量超出計(jì)劃通常需要額外審批，因此企業(yè)急需“準(zhǔn)確、穩(wěn)定”的產(chǎn)量估算以支撐生產(chǎn)決策與過(guò)程管理。傳統(tǒng)產(chǎn)量估算主要依賴田間調(diào)查，存在耗時(shí)、成本高且誤差大的問(wèn)題。近年來(lái)，以高光譜成像為代表的無(wú)損監(jiān)測(cè)技術(shù)在農(nóng)業(yè)中得到廣泛應(yīng)用，但高光譜數(shù)據(jù)波段多、信息冗余強(qiáng)，若僅構(gòu)建植被指數(shù)易受土壤背景與冠層結(jié)構(gòu)影響且可能出現(xiàn)飽和，光譜信息利用率也有限。另一方面，產(chǎn)量與 LAI、株高、葉氮等生物物理/生化指標(biāo)密切相關(guān)，但將“高光譜特征（HF）+生物物理參數(shù)（BPP）+生化參數(shù)（BCP）”三類信息聯(lián)合用于煙草產(chǎn)量建模的研究仍相對(duì)不足。基于此，本文提出多源融合并引入能學(xué)習(xí)時(shí)序依賴的 RNN（LSTM/GRU），同時(shí)設(shè)計(jì) AEC1D處理跨年觀測(cè)次數(shù)不一致，以構(gòu)建更全面、可用于生產(chǎn)管理的煙草產(chǎn)量估算框架。

實(shí)驗(yàn)與數(shù)據(jù)采集

（1）實(shí)驗(yàn)設(shè)置

本研究在云南省大理州彌渡縣（MD）與祥云縣（XY）開(kāi)展兩年田間試驗(yàn)，覆蓋多地塊與多品種情景。試驗(yàn)以氮肥梯度為主開(kāi)展處理設(shè)計(jì)，其中 N100 為當(dāng)?shù)爻Ｒ?guī)施肥量，N0 為不施氮，N150 為 1.5 倍常規(guī)量，其余處理按比例推算；整體采用隨機(jī)區(qū)組設(shè)計(jì)，每小區(qū)不少于 80 株，株行距為 1.2 m×0.5 m，其余田間管理措施按照當(dāng)?shù)匾?guī)范執(zhí)行。觀測(cè)安排選擇關(guān)鍵生育期開(kāi)展：2022 年在蓮座期、現(xiàn)蕾期與打頂期共觀測(cè) 3 次，而 2023 年受天氣條件限制僅在蓮座期與打頂期觀測(cè) 2 次，導(dǎo)致跨年度樣本的時(shí)間步（time step）不一致。

圖1研究區(qū)域的地理位置及實(shí)驗(yàn)樣地的布置

（2）數(shù)據(jù)采集

本研究構(gòu)建了“無(wú)人機(jī)高光譜-田間生物物理-實(shí)驗(yàn)室生化指標(biāo)-實(shí)測(cè)產(chǎn)量”的多源數(shù)據(jù)體系。無(wú)人機(jī)端采用DJI M600搭載江蘇雙利合譜科技有限公司的GaiaSky-mini2-VN高光譜相機(jī)獲取400~1000 nm（175波段）的冠層光譜數(shù)據(jù)，飛行通常安排在10:00~15:00的晴朗無(wú)風(fēng)時(shí)段，航高約80 m，起飛前使用灰板進(jìn)行輻射定標(biāo)，影像在ENVI平臺(tái)完成后續(xù)處理。田間同步采集生物物理參數(shù)（BPP），包括株高（PH）、株幅（PW）與葉面積指數(shù)（LAI）；生化參數(shù)（BCP）則包括葉氮含量（LNC）與葉綠素相對(duì)含量（LCC，SPAD）。其中LNC以小區(qū)中心隨機(jī)抽取2株植株、每株取上中部各2片葉送實(shí)驗(yàn)室測(cè)定；LCC 使用SPAD-502Plus在同一批測(cè)量株上選擇完*展開(kāi)葉多點(diǎn)測(cè)量并取平均得到小區(qū)代表值。產(chǎn)量標(biāo)簽以烘烤后煙葉重量為準(zhǔn)：收獲前每小區(qū)選取5株代表植株標(biāo)記，煙葉烘烤約1周后稱重（剔除未完*轉(zhuǎn)黃葉片），并以5株烘烤葉總重Yinit按Yield = 3.33×Yinit換算為單位面積產(chǎn)量（t/ha）。數(shù)據(jù)集最初為231個(gè)樣本，剔除病害與影像質(zhì)量不佳小區(qū)后保留189個(gè)有效樣本；每個(gè)生育期樣本包含PH、PW、LAI、LNC、LCC以及175個(gè)高光譜波段等特征。

研究結(jié)果

（1）多源特征體系構(gòu)建與對(duì)比

研究在高光譜基礎(chǔ)上分別疊加BCP（LNC、LCC）與BPP（PH、PW、LAI）進(jìn)行對(duì)比，結(jié)果在RF、LSTM、GRU三類算法下均一致：多源融合顯著優(yōu)于單一HF，且HF+BCP+BPP始終取得最高或*穩(wěn)定的精度；同時(shí)HF+BPP通常略優(yōu)于HF+BCP，說(shuō)明結(jié)構(gòu)/群體生長(zhǎng)狀態(tài)信息對(duì)葉產(chǎn)量更直接。僅用HF時(shí)精度*低，體現(xiàn)“光譜必要但不充分”，需要生物物理/生化信息補(bǔ)足對(duì)生長(zhǎng)與營(yíng)養(yǎng)狀態(tài)的刻畫(huà)。

(a)不同特征組合下RF的產(chǎn)量估算

(b)不同特征組合下LSTM的產(chǎn)量估算

(c)不同特征組合下GRU的產(chǎn)量估算

圖2基于多種模型構(gòu)建的產(chǎn)品估計(jì)模型散點(diǎn)圖對(duì)比

（2）煙草高光譜特征重構(gòu)與降維

從提升煙草估產(chǎn)可用光譜信息與可學(xué)習(xí)性的角度，本研究引入SFI將整條光譜曲線按一階導(dǎo)數(shù)的5個(gè)穩(wěn)定極值分段，對(duì)各段進(jìn)行擬合并求定積分，把全譜壓縮為5維特征。該重構(gòu)顯著降低維度與冗余，并保留了光譜曲線形態(tài)與全譜響應(yīng)信息，相比僅依賴少數(shù)植被指數(shù)更充分利用高光譜數(shù)據(jù)，并增強(qiáng)對(duì)外界因素與參數(shù)擾動(dòng)的魯棒性，為后續(xù)多源融合與RNN時(shí)序?qū)W習(xí)提供更穩(wěn)定、緊湊的光譜輸入。

（3）跨年觀測(cè)時(shí)序維度統(tǒng)一

本研究針對(duì)跨年度樣本的聯(lián)合時(shí)序建模對(duì)2022年三期觀測(cè)與2023年兩期觀測(cè)導(dǎo)致的輸入時(shí)間維不一致問(wèn)題，引入一維卷積自編碼器（AEC1D）作為時(shí)序?qū)R模塊。該模型在編碼端利用1×2卷積核（stride=1）在相鄰生育期之間提取局部時(shí)序關(guān)聯(lián)，并將2022年的3個(gè)時(shí)間步壓縮映射為2個(gè)時(shí)間步；隨后經(jīng)解碼重構(gòu)得到與2023一致的輸入形狀，從而在統(tǒng)一維度的同時(shí)盡量保留生育期動(dòng)態(tài)信息。重構(gòu)結(jié)果顯示，不同特征組合下測(cè)試集R2仍保持較高且與訓(xùn)練集差異較小，表明該方法具有較好的泛化能力，并優(yōu)于簡(jiǎn)單padding補(bǔ)零對(duì)齊，為后續(xù)LSTM/GRU產(chǎn)量估算提供穩(wěn)定一致的時(shí)序輸入。

圖3設(shè)計(jì)的AEC1D編碼器組件

圖4不同特征組合下的重建結(jié)果對(duì)比

結(jié)論

本文面向煙草生產(chǎn)計(jì)劃管理對(duì)“準(zhǔn)確、穩(wěn)定”產(chǎn)量估算的需求，構(gòu)建了融合無(wú)人機(jī)高光譜特征（HF）、田間生物物理參數(shù)（BPP）與生化參數(shù)（BCP）的多源估產(chǎn)框架，并引入循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM/GRU）刻畫(huà)多生育期時(shí)序信息。結(jié)果表明，多源融合顯著優(yōu)于任一單源輸入，*優(yōu)組合為HF+BCP+BPP；在該組合下GRU取得最高精度（=0.705，RMSEV=0.554 t/ha，MAPEV=16.41%），LSTM次之且整體優(yōu)于RF等傳統(tǒng)方法。同時(shí)，針對(duì)跨年度觀測(cè)次數(shù)不一致（2022三期、2023兩期）導(dǎo)致RNN輸入形狀不統(tǒng)一的問(wèn)題，提出一維卷積自編碼器AEC1D進(jìn)行時(shí)序維度對(duì)齊，相比padding補(bǔ)零對(duì)齊獲得更優(yōu)的建模表現(xiàn)。結(jié)果分析顯示三類特征對(duì)精度提升的平均貢獻(xiàn)約為HF 45%、BPP32%、BCP23%。本研究驗(yàn)證了“多源融合+RNN”的煙草估產(chǎn)優(yōu)勢(shì)，并指出未來(lái)可進(jìn)一步融合氣候、土壤、水分等影響因素以完*模型適用性。

來(lái)源

Zhang M ,Zhang B ,Zhao C , et al.Tobacco yield estimation via multi-source data fusion and recurrent neural networks[J].International Journal of Applied Earth Observation and Geoinformation,2025,144104925-104925.