精準農(nóng)業(yè)∣機載高光譜成像對小麥田禾本科雜草的精準識別：探索生物量與產(chǎn)量影響

背景

雜草作為與作物競爭光照、營養(yǎng)、水分和生長空間的非目標植物，會導致田間環(huán)境惡化，抑制小麥生長發(fā)育，造成生長緩慢、發(fā)育不良及產(chǎn)量質(zhì)量下降。大規(guī)模雜草侵染可導致小麥產(chǎn)量減少60%，程度取決于雜草密度和干擾持續(xù)時間。監(jiān)測雜草對靶向控制和精確噴灑至關(guān)重要，可減少農(nóng)藥消耗和非點源污染。草本雜草（禾本科）在小麥越冬和拔節(jié)期為主導雜草，與小麥幼苗形態(tài)相似，識別難度大?，F(xiàn)有方法包括人工識別、機器視覺和圖像提取，但RGB圖像信息有限，高光譜成像可提供更多目標信息，提高精度。無人機遙感系統(tǒng)具有快速、非破壞性、低成本和高通量優(yōu)勢，已廣泛應用于農(nóng)業(yè)作物生長監(jiān)測。本研究聚焦小麥田草本雜草識別，利用UAV高光譜圖像和深度學習，填補草本雜草（而非闊葉雜草）識別及產(chǎn)量影響評估的空白。

實驗與數(shù)據(jù)采集

（1）實驗設(shè)置

本研究于2019-2020年在江蘇省儀征市和泗洪縣進行。選取了8個試驗地作為研究對象，其中6個地塊存在不同程度的雜草侵擾，其余2個地塊保持無雜草對照。

圖1實驗區(qū)域

（2）數(shù)據(jù)采集

采用搭載GaiaSky-mini高光譜成像傳感器（江蘇雙利合譜科技有限公司）的DJI Matrice?600?Pro無人機（大疆創(chuàng)新科技有限公司，深圳，中國）進行高光譜數(shù)據(jù)采集。高光譜成像傳感器波段范圍為400–1000?nm，光譜分辨率3.5?nm。飛行前使用DJI?GS?Pro進行航線與航點規(guī)劃，前后重疊率50%，側(cè)向重疊率60%。起飛前以標準白板進行反射率校正，升空后利用20%、40%及60%反射率的灰布進行大氣校正。影像采集采用自動曝光模式，依據(jù)環(huán)境光照條件與目標亮度自動調(diào)整增益與曝光時間，采集時間為晴朗天氣下的上午10：00至下午2：00之間。

圖2研究流程圖

圖3深度學習技術(shù)實現(xiàn)雜草覆蓋提取(A)深度學習網(wǎng)絡(luò)結(jié)構(gòu)；(B)標注流程及結(jié)果。如圖3B所示：紅色標注區(qū)域代表小麥，藍色表示雜草，黑色為土壤。

研究結(jié)果

（1）雜草的語義分割效應

在 RGB 三通道及可見—近紅外（400–1000 nm）范圍內(nèi)，雜草與小麥的光譜/顏色特征高度重疊：在 RGB 直方圖上三通道分布非常相似，反射率曲線在多數(shù)波段亦存在大量重疊，僅在可見光的綠波段和紅波段出現(xiàn)有限差異。這意味著單純依賴顏色或單一植被指數(shù)（如 NDVI）在混合像元環(huán)境下難以實現(xiàn)可靠分辨，尤其在返青期或株型復雜的田塊中誤判與漏判風險顯著增大?；诖?，研究比較了五種主流語義分割模型用于田間雜草識別的效果，結(jié)果表明 DeepLabV3+ 綜合性能最好：對耕地（land）識別普適性高，對小麥與雜草的區(qū)分能力強，邊緣區(qū)域的識別效果尤為明顯。模型在不同播種方式下的檢測精度分別為散播田約 91.27%、條播田約 87.51%，MIoU、F1、Precision、Recall 等指標均保持在較高水平（均 >85%）。在實際部署角度看，DeepLabV3+ 的單張圖像處理時間約 46.5 ms，具備近實時處理能力，但該模型本身只能判別“有/無”或像元類別，不能直接量化雜草密度或推斷個體數(shù)量，這是其在工程化應用中的一項重要局限。

（2）結(jié)合光譜指數(shù)與機器學習的生物量估算

盡管單一植被指數(shù)在區(qū)分上受限，研究發(fā)現(xiàn)部分波段組合的 NDVI 與小麥/雜草生物量存在極高相關(guān)性（相關(guān)系數(shù) >0.92），例如冬季小麥最佳組合為 (960 nm, 733 nm)，冬季雜草為 (960 nm, 719 nm)，撥節(jié)期亦存在相應的高相關(guān)組合。這提示利用恰當?shù)牟ǘ谓M合可以為生物量估算提供有力的光譜特征?；诖?，研究將冠層覆蓋（CC）與若干植被指數(shù)作為輸入變量，使用支持向量回歸（SVR）建立雜草生物量估算模型。模型建模階段總體表現(xiàn)良好（建模 R² 均 >0.85）：冬季估算精度最高，訓練階段 RMSE 常低于 8 kg·ha?¹；但在返青/再生期由于小麥群體增大且混合像元影響增強，建模精度有所下降，RMSE 可上升但通常不超過 20 kg·ha?¹。獨立驗證顯示性能存在波動——總體平均驗證 RMSE 約 40.03 kg·ha?¹；其中鉆播冬季表現(xiàn)最佳（驗證 RMSE ≈ 9.28 kg·ha?¹），而散播返青情形最差（驗證 R² ≈ 0.6，RMSE ≈ 30.38 kg·ha?¹）。影響精度的主要因素包括：語義分割無法精細量化雜草密度導致 CC 估計偏差、小麥對植被指數(shù)的干擾（尤其在返青期）以及田塊間播種方式與密度差異。因此，推薦將語義分割的空間定位與基于優(yōu)選波段的光譜回歸相結(jié)合，并針對播種方式與生育期進行專門校準，以獲得更穩(wěn)定的生物量估算結(jié)果。

（3）雜草對小麥生長與產(chǎn)量的定量影響

通過對不同雜草密度、播種方式與生育期的對照分析，研究明確量化了雜草對小麥生長與產(chǎn)量的負面影響：隨著雜草密度增加，小麥干重最大減少 71%，產(chǎn)量最大減少 4320 kg·ha?¹（約 60%）。影響程度與播種方式、種植密度和雜草出現(xiàn)時期密切相關(guān)：散播田對雜草的敏感性高于條播田；高密度種植受雜草競爭影響更明顯；而在冬季萌發(fā)的雜草對最終產(chǎn)量的損害尤為嚴重。

這些結(jié)論具有明確的工程與管理意義：一是應優(yōu)先在散播田與冬季易萌發(fā)區(qū)域?qū)嵤┰缙诒O(jiān)測與干預；二是將 DeepLabV3+ 等高性能語義分割用于空間定位，配合基于優(yōu)選波段和 SVR 的生物量估算，可支持分區(qū)差異化的精準除草決策（例如劃分噴灑強度、確定熱點區(qū)域）；三是針對返青期的小麥干擾，需要引入更多時相數(shù)據(jù)或多模態(tài)信息（如多光譜/高光譜與高度信息）以提高估算魯棒性。總體而言，本研究為基于 UAV 的高通量雜草監(jiān)測與定量危害評估提供了可行路徑，并為精細化除草管理提供了數(shù)據(jù)與方法支撐。

圖4小麥與雜草直方圖

圖5小麥與雜草反射率曲線

圖6不同條件下利用冠層覆蓋度或植被指數(shù)估算雜草生物量。RMSE的單位為kg·ha?¹

圖7不同模型的語義分割性能

圖8 DeepLabV3+的分割結(jié)果，(A)、(B)為播撒式和條播式小麥田原始圖像，(C)、(D)為分割結(jié)果，(E)、(F)為小麥和雜草的分割準確度值

圖9雜草與小麥的光譜特征及生物量相關(guān)性分析

圖10使用獨立數(shù)據(jù)集的模型測試結(jié)果。RMSE的單位為kg·ha?¹

圖11雜草對小麥生長的影響。(A)雜草對小麥干重的影響，(B)雜草對小麥籽粒產(chǎn)量的影響。J：拔節(jié)期”（Jointing），W：越冬期，B：撒播，D：穴播，L：植株密度180×10^4株/公頃，H：植株密度300×10^4株/公頃

結(jié)論

本研究開發(fā)了一種利用深度學習算法與光譜分析技術(shù)監(jiān)測麥田雜草發(fā)生的方法。研究發(fā)現(xiàn)，顏色和紋理等傳統(tǒng)圖像屬性在區(qū)分麥田禾本科雜草方面存在挑戰(zhàn)，而深度學習算法的應用顯著提升了雜草識別精度。在評估的算法中，DeepLabV3+表現(xiàn)出最優(yōu)性能，其分割效果優(yōu)于UNet、PSPNet等方法。通過選取敏感NDVI波段，可有效估算雜草生物量，構(gòu)建評估雜草危害影響的可靠框架。本研究開發(fā)的基于深度學習的雜草冠層覆蓋識別模型能準確估算雜草冠層覆蓋度，進一步將冠層覆蓋度與植被指數(shù)融合可提升雜草生物量估算精度。該方法有助于實現(xiàn)高效的無人機麥田雜草監(jiān)測并制定靶向植保策略，為無人機精準植保作業(yè)提供技術(shù)支持。

?來源

Liu T, Zhao Y, Wang H, et al. Harnessing UAVs and deep learning for accurate grass weed detection in wheat fields: a study on biomass and yield implications[J]. Plant Methods, 2024, 20(1): 144.