《International Journal of Applied Earth Observation and Geoinformation》：From canopy segmentation to accurate prediction: An UAV-based multi-feature fusion framework for plot-scale ratoon sugarcane seedling counting
編輯推薦：
本研究針對再生甘蔗田間人工計數效率低、傳統方法難以適應高密度群體結構等難題，創新性地提出了一套基于無人機多源遙感與機器學習的幼苗數量高通量表型分析框架。研究人員通過無人機獲取RGB與多光譜影像，利用K均值聚類實現冠層精準分割，并提取植被指數與紋理特征構建綜合特征集，結合多種特征選擇方法與機器學習模型，篩選出由梯度提升回歸與KBest-F方法組合的最優預測模型。結果顯示，該模型的決定系數達0.7641，均方根誤差為19.42，平均絕對誤差15.93，成功實現了田塊尺度的高密度再生甘蔗幼苗數量高效、準確預測，為甘蔗產業的精準田間管理和產量預估提供了有力的技術工具。
甘蔗是全球最重要的糖料作物，貢獻了全球80%以上的糖產量。在中國廣西，甘蔗種植面積占全國的65%以上，是該區域農業經濟的支柱產業。其中，再生甘蔗（即利用宿根發芽的第二年及以后的甘蔗）因其顯著的成本優勢和高效的生產模式，已成為當地規模化種植的主流。然而，再生甘蔗出苗具有“高密度、多芽萌發”的特點，幼苗初期密度大，后期冠層完全重疊，個體植株莖葉邊界難以清晰分辨，這使得傳統人工計數方法效率低下、代表性差，也無法滿足大田管理的需求。同時，直接應用基于無人機RGB影像和深度學習的目標檢測技術進行個體識別和計數，在此高密度、冠層重疊的晚期出苗階段面臨瓶頸，精度大幅下降。因此，如何快速、準確地獲取再生甘蔗在出苗期的幼苗數量分布，成為診斷苗情、調控群體結構、實現精準管理的關鍵，也是智慧農業和精準作物栽培領域亟待突破的研究重點。
在這一背景下，由廣西師范大學電子與信息工程學院、腦計算與智能芯片廣西重點實驗室的研究團隊開展了一項創新性研究，成果發表在《International Journal of Applied Earth Observation and Geoinformation》期刊上。該研究旨在開發一種高效、可擴展的田塊尺度甘蔗幼苗數量預測方法，以應對高密度再生甘蔗出苗期監測的挑戰，并為“控苗”管理提供技術支持。
為了達成這一目標，研究人員綜合運用了多項關鍵技術方法。研究在廣西桂林農業科學院種植基地進行，以當地主栽品種“桂糖42號”的第一年再生幼苗為對象，將試驗田劃分為200個獨立的樣本小區。技術核心流程包括：1) 無人機多源數據采集與預處理：在甘蔗出苗期末期，使用配備RGB和四波段（綠、紅、紅邊、近紅外）多光譜集成傳感器的DJI Mavic3M無人機，在12米高度同步采集影像，并經過圖像拼接、幾何校正、輻射校準等處理，生成高質量的數字正射影像圖。2) 冠層精準分割與特征提取：以歸一化植被指數為基礎，采用K均值聚類(K-means)等無監督學習方法，將甘蔗冠層從土壤、雜草等背景中精確分割出來，并基于此掩膜提取每個樣本小區的冠層面積、平均光譜反射率。隨后，系統計算了9種植被指數和基于灰度共生矩陣的4種空間紋理特征，構建了包含光譜和空間信息的綜合特征集。3) 特征優化與機器學習建模：為了消除特征冗余，研究集成了六種特征降維方法對特征集進行優化。在此基礎上，構建并比較了八種機器學習回歸模型，包括線性模型、非線性模型和集成學習模型，以篩選最佳的幼苗數量預測方案。
研究結果如下：
3.1. 三種無監督學習方法的冠層分割
比較了雙峰法、K均值聚類法和高斯混合模型三種方法的冠層分割效果。通過簡單結構指數、輪廓系數和Calinski-Harabasz指數等定量指標評估，并結合視覺特征，研究發現K均值聚類法在分割精度和穩定性上表現最佳。其輪廓系數最高（0.69），CHI指數顯著高于其他方法（34785.57），生成的冠層掩膜輪廓與實際甘蔗生長形態一致性好，邊緣連續，能有效區分連續生長的甘蔗區域與非植被背景，因此被選作后續冠層特征提取的掩膜生成方法。
3.2. 特征提取結果
通過系統遍歷1至30維特征空間，確定了六種特征降維方法各自的最優特征數量。結果顯示，不同方法篩選出的最優特征集普遍包含了冠層面積、紅邊波段相關特征以及紋理對比度特征。例如，基于F檢驗的KBest-F方法和基于互信息的KBest-MI方法均在27個特征時達到最優；而遞歸特征消除法僅用11個特征即可獲得良好的預測性能，體現了其高效去除冗余信息的能力。
3.3. 基于有效特征的甘蔗幼苗數量預測
綜合比較了八種機器學習模型與不同特征降維方法組合的預測性能。總體而言，集成學習模型的表現優于線性模型和單一非線性模型。其中，梯度提升回歸與KBest-F特征選擇方法的組合取得了最優的預測性能。在測試集上，該組合模型的決定系數R2達到0.7641，均方根誤差為19.42，平均絕對誤差為15.93。進一步的分析指出，冠層面積、歸一化紅邊指數、紅邊對比度和綠色熵是核心預測特征，它們共同貢獻了超過60%的總特征重要性，其協同效應支撐了準確的幼苗數量估算。
結論與討論部分強調，本研究成功開發并驗證了一個從冠層分割到精準預測的完整無人機多特征融合框架，用于田塊尺度高密度再生甘蔗的幼苗數量估算。該框架的核心貢獻在于：第一，針對再生甘蔗冠層高密度、重疊嚴重的難題，驗證了K均值聚類等無監督學習方法在冠層精準分割中的有效性，為后續特征提取奠定了基礎。第二，突破了單一類型遙感特征的局限，通過融合植被指數（光譜特征）和紋理特征（空間特征），構建了更全面的特征集，并系統比較了多種特征優化方法，顯著提升了模型對幼苗數量變化的敏感性。第三，確定了梯度提升回歸模型與基于F檢驗的特征選擇方法為最優組合，并識別出冠層面積、歸一化紅邊指數等核心預測因子，從機理上解釋了遙感特征如何協同作用于幼苗數量估計。
這項研究的意義深遠。在實踐層面，它為再生甘蔗出苗期的“間苗定苗”管理提供了高效、準確的量化工具，有望替代傳統低效的人工計數，助力精準農業實踐。在理論層面，該研究豐富了高密度作物群體參數遙感反演的理論體系和方法庫，展示了無人機多源遙感與機器學習在復雜農業場景中的強大應用潛力。尤其對于像廣西這樣的甘蔗主產區，該技術框架的推廣將有力推動甘蔗產業的智能化、精細化發展，為保障糖業安全和提升農業生產效率提供重要的技術支撐。
