應用方向

在我國煙草生產(chǎn)必須嚴格執(zhí)行上級下達的計劃產(chǎn)量的背景下，準確且穩(wěn)定的產(chǎn)量估算對生產(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)包括無人機（UAV）機載高光譜特征（HF）、田間采集的生物物理參數(shù)（BPP）以及實驗室測定的生化參數(shù)（BCP）?？紤]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（RNN）——LSTM與GRU，并以隨機森林（RF）作為基線。針對跨年度數(shù)據(jù)時間維度不一致問題，設(shè)計一維卷積自編碼器（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，LSTM與GRU整體優(yōu)于RF；特征貢獻約為HF45%、BPP32%、BCP23%。該研究驗證了多源融合與 RNN 在煙草產(chǎn)量估算中的優(yōu)勢，可為精準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

我國煙草屬于重要經(jīng)濟作物，為調(diào)控市場供給、保持產(chǎn)品與價格穩(wěn)定，行業(yè)主管部門對企業(yè)下達年度生產(chǎn)計劃，產(chǎn)量超出計劃通常需要額外審批，因此企業(yè)急需“準確、穩(wěn)定"的產(chǎn)量估算以支撐生產(chǎn)決策與過程管理。傳統(tǒng)產(chǎn)量估算主要依賴田間調(diào)查，存在耗時、成本高且誤差大的問題。近年來，以高光譜成像為代表的無損監(jiān)測技術(shù)在農(nóng)業(yè)中得到廣泛應用，但高光譜數(shù)據(jù)波段多、信息冗余強，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不足?；诖?，本文提出多源融合并引入能學習時序依賴的 RNN（LSTM/GRU），同時設(shè)計 AEC1D處理跨年觀測次數(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。

實驗與數(shù)據(jù)采集

（1）實驗設(shè)置

本研究在云南省大理州彌渡縣（MD）與祥云縣（XY）開展兩年田間試驗，覆蓋多地塊與多品種情景。試驗以氮肥梯度為主開展處理設(shè)計，其中 N100 為當?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；整體采用隨機區(qū)組設(shè)計，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?shù)匾?guī)范執(zhí)行。觀測安排選擇關(guān)鍵生育期開展：2022 年在蓮座期、現(xiàn)蕾期與打頂期共觀測 3 次，而 2023 年受天氣條件限制僅在蓮座期與打頂期觀測 2 次，導致跨年度樣本的時間步（time step）不一致。

圖1研究區(qū)域的地理位置及實驗樣地的布置

（2）數(shù)據(jù)采集

本研究構(gòu)建了“無人機高光譜-田間生物物理-實驗室生化指標-實測產(chǎn)量"的多源數(shù)據(jù)體系。無人機端采用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的晴朗無風時段，航高約80 m，起飛前使用灰板進行輻射定標，影像在ENVI平臺完成后續(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）與葉綠素相對含量（LCC，SPAD）。其中LNC以小區(qū)中心隨機抽取2株植株、每株取上中部各2片葉送實驗室測定；LCC 使用SPAD-502Plus在同一批測量株上選擇完*展開葉多點測量并取平均得到小區(qū)代表值。產(chǎn)量標簽以烘烤后煙葉重量為準：收獲前每小區(qū)選取5株代表植株標記，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個樣本，剔除病害與影像質(zhì)量不佳小區(qū)后保留189個有效樣本；每個生育期樣本包含PH、PW、LAI、LNC、LCC以及175個高光譜波段等特征。

研究結(jié)果

（1）多源特征體系構(gòu)建與對比

研究在高光譜基礎(chǔ)上分別疊加BCP（LNC、LCC）與BPP（PH、PW、LAI）進行對比，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HF+BPP通常略優(yōu)于HF+BCP，說明結(jié)構(gòu)/群體生長狀態(tài)信息對葉產(chǎn)量更直接。僅用HF時精度*低，體現(xiàn)“光譜必要但不充分"，需要生物物理/生化信息補足對生長與營養(yǎng)狀態(tài)的刻畫。

(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)品估計模型散點圖對比

（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習性的角度，本研究引入SFI將整條光譜曲線按一階導數(shù)的5個穩(wěn)定極值分段，對各段進行擬合并求定積分，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)，并增強對外界因素與參數(shù)擾動的魯棒性，為后續(xù)多源融合與RNN時序?qū)W習提供更穩(wěn)定、緊湊的光譜輸入。

（3）跨年觀測時序維度統(tǒng)一

本研究針對跨年度樣本的聯(lián)合時序建模對2022年三期觀測與2023年兩期觀測導致的輸入時間維不一致問題，引入一維卷積自編碼器（AEC1D）作為時序?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序關(guān)聯(lián)，并將2022年的3個時間步壓縮映射為2個時間步；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)一維度的同時盡量保留生育期動態(tài)信息。重構(gòu)結(jié)果顯示，不同特征組合下測試集R2仍保持較高且與訓練集差異較小，表明該方法具有較好的泛化能力，并優(yōu)于簡單padding補零對齊，為后續(xù)LSTM/GRU產(chǎn)量估算提供穩(wěn)定一致的時序輸入。

圖3設(shè)計的AEC1D編碼器組件

圖4不同特征組合下的重建結(jié)果對比

結(jié)論

本文面向煙草生產(chǎn)計劃管理對“準確、穩(wěn)定"產(chǎn)量估算的需求，構(gòu)建了融合無人機高光譜特征（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（LSTM/GRU）刻畫多生育期時序信息。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，針對跨年度觀測次數(shù)不一致（2022三期、2023兩期）導致RNN輸入形狀不統(tǒng)一的問題，提出一維卷積自編碼器AEC1D進行時序維度對齊，相比padding補零對齊獲得更優(yōu)的建模表現(xiàn)。結(jié)果分析顯示三類特征對精度提升的平均貢獻約為HF 45%、BPP32%、BCP23%。本研究驗證了“多源融合+RNN"的煙草估產(chǎn)優(yōu)勢，并指出未來可進一步融合氣候、土壤、水分等影響因素以完*模型適用性。

來源

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.