基于无人机影像与局部优化特征(LOFs)的冬前小麦苗情分类研究

为解决传统小麦苗情分类方法效率低、通量不足的问题，扬州大学研究人员创新性地结合土壤像素去除、冠层覆盖度(cc)与植被指数(VIs)，提出局部优化特征(LOFs)方法，通过量化比值植被指数(RVI)局部光谱差异，构建二次判别分析模型，将分类准确率从0.86提升至0.99，为冬前小麦苗情高通量评估提供了新范式。

　　

在全球粮食安全格局中，小麦作为三大主粮之一，其产量稳定性直接关系国计民生。冬前苗情作为产量形成的关键生育期指标，传统依赖人工测定叶龄、分蘖数等参数的方法不仅耗时费力，更难以实现大面积田块的快速精准评估。当前农业部门亟需突破这一技术瓶颈，而无人机遥感技术与人工智能算法的融合为此提供了全新可能。

扬州大学江苏省作物遗传生理重点实验室/粮食作物现代产业技术协同创新中心的研究团队，在2022-2024年通过设置系列播期试验构建差异化苗情群体，创新性地将土壤像素去除算法与冠层覆盖度(cc)相结合，并突破传统植被指数(VIs)均值分析的局限，首创局部优化特征(LOFs)方法。该研究利用高分辨率多光谱无人机影像，系统比较了纯植被指数(PVIs)、常规植被指数与冠层覆盖度的组合效果，最终发表在《Journal of Integrative Agriculture》的研究成果表明，基于比值植被指数(RVI)局部光谱差异的量化模型，可实现对冬前小麦苗情的精准分类。

研究团队主要采用三项关键技术：通过多旋翼无人机搭载RedEdge-MX多光谱传感器获取厘米级分辨率影像；运用机器学习算法提取纯植被指数(PVIs)和冠层覆盖度(cc)参数；创新开发局部优化特征(LOFs)算法量化RVI的空间异质性。所有数据均来自2022-2024年度在江苏稻麦轮作区设置的梯度播期试验田块。

【植被指数筛选】通过SHAP值分析发现，在18个候选植被指数中，比值植被指数(RVI)对苗情分类的贡献度最高，其局部变异特征能有效反映群体生长一致性。

【特征组合优化】比较六类特征组合发现，PVIs+cc的组合分类准确率达0.86，显著优于单一特征，证实土壤噪声去除与冠层结构参数融合的必要性。

【LOFs算法突破】通过3×3像素窗口计算RVI局部变异系数，构建的LOFs特征将模型准确率提升至0.99，较传统均值特征提升15个百分点。

【模型性能验证】最终建立的二次判别分析(QDA)模型在独立验证集上Kappa系数达0.98，对弱苗、壮苗、旺苗三类识别精度分别达到98.7%、99.2%和97.6%。

该研究首次实现了无人机遥感与局部特征优化的协同创新，其建立的LOFs算法突破了传统植被指数"见均值不见异质"的局限。通过将物理去除土壤噪声（PVIs）与数学量化局部变异（LOFs）相结合，为作物表型组学研究提供了新思路。更重要的是，这套方法论可拓展应用于其他生育期农艺参数估算，对发展智慧农业中的高通量表型技术具有普适性意义。研究结果直接服务于长江中下游稻茬麦区苗情诊断，为精准农业管理提供了可靠的技术支撑。