摘要
水稻产量预测对于保障粮食安全至关重要，在中国等主要水稻生产国尤为突出。虽然无人机（UAV）高光谱数据凭借其获取详细的光谱信息的能力而被广泛用于产量预测，但无法充分涵盖冠层结构、水分含量等关键影响因素。为提升预测精度，整合可反映冠层湿度的热红外（TIR）数据与能提供作物高度及冠层密度的LiDAR数据至关重要。但这些传感器所提供的生物物理特征在不同生长期的产量预测中具体作用尚不明确。
本研究通过评估在水稻关键生长阶段（分蘖期、孕穗期、抽穗期、灌浆期）收集的高光谱、TIR和LiDAR数据的组合使用来弥补这一差距。采用集成机器学习模型，推导并整合了包括光谱指数、纹理特征、温度数据和冠层结构属性在内的多模态信息，用于水稻产量预测。同时对比单时态（单个生长阶段数据）与多时态（多个生长阶段数据）建模策略的效果。结果显示，高光谱数据在孕穗期即可达到满意预测精度（R2 0.806）；融合TIR的温度特征与LiDAR的结构特征，虽未改善早期预测效果，却显著提升了中后期（尤其抽穗期）的预测精度；而整合分蘖期、孕穗期、抽穗期数据的多阶段模型，实现了最高预测精度（R2 0.837）。本研究为优化传感器融合策略、确定水稻产量预测中信息价值最高的生长阶段，提供了重要参考依据 。
研究过程
图1 研究区域概述和实验设计。（a）研究区位于中国南部江西省（b）研究使用的无人机平台和机载传感器（c）实验地处理设置示意图
图2. 基于无人机多源遥感数据的实验流程图
图 3.不同生长期的光谱指数与不同波长组合产量的相关性
图4. 空间纹理特征与不同波长组合产量的相关性
表 1.基于高光谱数据点的不同生长期产量预测精度
图5 不同生长期的高光谱模型的变量对比
图6. 不同生长期热红外变量与产量的相关性。* 表示 0.05 水平的显着性，** 表示 0.01 水平的显着性。
图7. 不同生长期激光雷达变量与产量的相关性。* 表示 0.05 水平的显着性，** 表示 0.01 水平的显着性。假设 DEM 在水稻生长期保持不变。
表2基于高光谱和热红外融合数据的不同生长期的产量预测精度
表3. 基于高光谱和激光雷达融合数据的不同生长期的产量预测精度
图8. 不同模型策略跨生长期的产量预测散点图
表4. 基于高光谱、热红外和激光雷达数据在不同生长期的产量预测精度
图9. 不同生长期的高光谱、热红外和激光雷达模型中的变量重要性
图10.结合不同生长期的基于高光谱、热红外和激光雷达融合的变量重要性
表 5. 结合不同生长期的高光谱、热红外和激光雷达数据对产量预测精度的对比
结论
本研究调查了基于无人机的的多源数据（高光谱、热红外和激光雷达）结合单时序和多时态建模方法在水稻产量预测方面的潜力。分析涵盖分蘖、孕穗、抽穗和灌浆四个关键生长期。主要发现总结如下：
1. 基于高光谱数据在孕穗阶段具有较高的预测精度（R2= 0.806），其中二维纹理特征与三维光谱特征是主要贡献因素。
2. 热成像和激光雷达数据在水稻生长早期阶段（分蘖期和孕穗期）未提升产量预测精度，但在抽穗后阶段（灌浆期等）显著改善了预测表现，这凸显了它们在作物生长后期监测中的实用价值。
3. 采用整合分蘖期、孕穗期及抽穗期多模态数据的多时态模型时，实现了最高的整体预测精度（R2=0.837），相较于表现最佳的单阶段模型，精度提升了3.8%。然而，该方法需付出更高的数据采集成本，且预测时间更晚，更接近收获期。
尽管取得了上述进展，本研究仍强调了基于无人机的产量预测中成本与精度之间的权衡关系。虽然多模态与多时态方法能提高预测精度，但其实际应用受限于成本增加与复杂性提升。未来研究应聚焦于进一步优化数据融合策略，以提高成本效益与可扩展性。这些研究见解为无人机技术在精准农业中的应用提供了支撑，也为改进产量预测系统提供了切实可行的路径。
文章链接：https://doi.org/10.1080/10095020.2025.2535524
