LR1601-IRIS 激光雷达 一体机在评估农田生态系统杂草竞争力中的应用

杂草竞争对玉米生长会产生不利影响，但适度的杂草有助于生态平衡和减少土壤流失。由于作物与杂草的竞争强度随生长阶段动态变化，需在多个生长阶段研究杂草竞争，实现科学管理。传统竞争强度指标如相对竞争强度 (RCI) 和竞争平衡指数 (CB) 不够全面。无人机 (UAV) 携带高光谱成像仪 (HSI) 和 LiDAR 技术可获取更全面的作物生长信息，因此多模态遥感方法应运而生。本研究基于Transformer和多层残差构建多模态深度融合模型（MulDFNet），通过HSI、VI和CHM三分支结构获取冠层特征，以增强对农田杂草竞争的理解和评估能力。

2021年5月至9月，来自安徽农业大学、东北农业大学以及浙江大学的研究团队在中国哈尔滨东北农业大学农业示范基地进行了试验。该地区以营养丰富的黑土和年平均降雨量400-600毫米为特点，年平均有效积温为2800°C，适宜植物生长。播种于2021年5月6日进行，采用玉米品种香河88，并进行附加实验评估玉米与杂草的竞争。作者将杂草密度分为五种处理（N0至N4），分别为0、20、40、80和160株/m2。每种处理重复三次，共15个地块，每个地块面积为3×15m2，相邻地块设有防护带。杂草幼苗被疏伐以模拟不同密度。

无人机数据采集使用LR1601-IRIS 激光雷达一体机（北京理加联合科技有限公司）和Resonon Pika L高光谱成像仪集成到DJI M600 Pro无人机中。数据采集涉及到高光谱数据及激光雷达数据，在一次飞行活动中完成。

图 1. 田间试验设计。（a）实验地点；（b）无人机图像采集；（c）各生长阶段数据采集时间；（d）农田数据收集和 CCI-A 指数创建。

表1. 高光谱成像仪和激光雷达传感器的主要技术参数

‍

本研究采用 SPA 算法进行光谱带选择。根据预测的 RMSE 值确定最佳光谱变量数。图2a 说明了 RMSE 值随光谱带数量的变化。当波段数量为 21 时，最小 RMSE 为 0.141。所选的 21 个敏感光谱带分布广泛，涵盖多个光谱区域，包括蓝紫色、绿色、红色和近红外。具体波段为 425 nm、434 nm、438 nm、442 nm、483 nm、516 nm、529 nm、558 nm、626 nm、677 nm、694 nm、716 nm、724 nm、733 nm、755 nm、759 nm、763 nm、922 nm、927 nm、1003 nm、1008 nm。

图2. 光谱波段和植被指数筛选。（a）敏感光谱波段选择；（b）植被指数选择。

对包含37个特征（21个光谱带、15个VI和1个CHM）的MulDFNet模型进行了性能评估，训练集CCI-A指数的回归精度为R2=0.968（RMSE=0.043），测试集CCI-A指数的回归精度为R2=0.903（RMSE=0.078），5个时期的R2值分别为0.201、0.902、0.891、0.878、0.851，如图3所示。三叶期模型回归效果最差，这是因为此阶段杂草竞争才处于初始阶段，不同竞争水平下植被冠层的差别尚不明显，模型无法提取足够的表达竞争的特征，导致回归效果相对较差。在五叶期，模型的回归效果最好，此阶段竞争出现明显差异，导致不同竞争水平的植被冠层发生适应性变化，使得模型的回归效果明显优于三叶期。在拔节期、喇叭期和开花期，回归效果略有下降，但R2值仍在0.85以上。总体来看，后四个阶段，多模态深度融合模型预测的CCI-A与实际计算的CCI-A具有较好的一致性。

图 3. 多模态深度融合模型在不同阶段的预测效果。（a）三叶期；（b）五叶期；（c）拔节期；（d）喇叭期；（e）开花期。

表2. 不同模态数据模型的精度分析

本研究构建了基于Transformers和多层残差（MulDFNet）的多模态深度融合模型，利用多维玉米表型数据导出的综合竞争指数（CCI-A）评估农田生态系统杂草的竞争力。结果表明，利用SPA算法获得的21个高光谱敏感波段和15个植被指数，结合冠层高度数据，在杂草竞争评估中具有重要潜力。利用HSI、VI和CHM数据的多模态深度融合模型对杂草竞争性的预测效果最优，R2值为0.903（RMSE=0.078）。此外，融合数据不仅保留了HSI、VI和CHM数据的结构特征而且提高了数据质量，多模态数据的融合具有更好的预测效果，优于HSI、VI或CHM中任何单一模态数据。在杂草竞争预测中，作者设计的多模态深度融合模型与早期/后期堆叠融合模型和其他机器学习模型相比，实现了明显更好的预测性能。总而言之，本研究证明了开发的多模态深度融合模型在杂草竞争评估中的有效性。这对推进杂草管理和精准农业实践有着良好的前景。