Article Highlight | 10-Nov-2026

无人机遥感+集成学习预测水稻地上生物量:基学习器与元学习器如何选择?

Higher Education Press

地上生物量(aboveground biomass, AGB)是一种实用的农业生态指标,特别适用于监测作物生长、预测产量以及评估作物-环境-管理交互作用。大多数情况下,AGB预测依赖于破坏性取样,尽管准确,但费时费力且空间代表性有限,难以应用于大尺度、高频动态监测场景。无人机(UAV)遥感凭借高时空分辨率、作业灵活性和成本优势,已成为作物地上生物量连续、大范围评估的理想工具,使用无人机(UAV)遥感结合机器学习(ML)显著推进了田间尺度地上生物量的预测研究。然而,在异质田间环境下,受模型结构与参数不确定性影响,单一机器学习算法预测鲁棒性不足。集成学习框架(ELFs)通过元学习器整合多个基学习器的预测,能够利用模型互补性提升预测精度和稳定性,但目前针对元学习器筛选以及基学习器数量和多样性影响的系统性评估仍然较为匮乏。

近日,安徽科技工程大学资源与环境学院李新伟团队等在中国工程院Engineering集群子刊Engineering Agriculture上发表了题为“Remote sensing using unmanned aerial vehicles and ensemble learning for rice aboveground biomass prediction: insights into selecting base and meta learners”的研究论文(DOI: 10.15302/J-FASE-2026684)。该研究利用多时相无人机影像提取的植被指数(VIs)和纹理特征(TFs),构建了集成学习框架,融合九种机器学习算法与三种元学习器:线性模型(LM)、随机森林和贝叶斯模型平均(BMA),系统评估了基学习器配置对预测精度的影响。

田间试验于2020年6–10月在安徽省凤阳县小岗村开展,采用裂区设计,设置施氮量为主区因子,水稻品种为副区因子,共36个试验小区。试验利用大疆精灵4多光谱无人机在水稻6个关键生育期获取多光谱影像,同步进行破坏性采样获取AGB实测值。研究从影像中提取多组VIs和基于灰度共生矩阵的TFs,采用递归特征消除进行敏感特征筛选,最终优选得到7个VIs、8个TFs,并以7:3比例构建训练集与独立测试集,基学习器训练采用五折交叉验证,整个流程重复20次独立迭代以消除随机性影响。

结果表明,使用VIs和TFs融合特征集的模型显著优于仅依赖单一特征集的模型。在九种基学习器中,高斯过程回归(GPR)表现最优,在VIs + TFs测试集上,GPR取得了最高的R² = 0.769和最低的RMSE(均方根误差)= 1.83 t·ha⁻¹;随机森林回归(RFR)性能次之(R² = 0.763, RMSE = 1.85 t·ha⁻¹)。三种元学习器的预测效果均优于最优的单一基学习器,其中BMA元学习器在融合特征集上取得了最高精度(R² = 0.795,RMSE = 1.73 t·ha⁻¹),泛化能力最优,且稳定性与LM元学习器并列最高。元学习器性能对基学习器池的组成高度敏感:当基学习器数量为5时,精度与稳定性达到最优平衡;由线性核模型(SMR、PLSR、LASSO、RR)与GPR构成的混合集成取得了最高精度(R² = 0.795,RMSE = 1.73 t·ha⁻¹)。包含GPR的集成体系显著优于不含GPR的组合,而纳入最弱基学习器PLSR则会降低整体性能。

该研究表明,元学习器选择和基学习器组成对ELFs预测精度具有关键影响,BMA元学习器结合线性核模型与GPR的混合集成策略,为无人机高精度作物AGB监测提供了清晰的方法论指导。这些发现对精准农业中的作物生长动态监测和产量预测具有实际应用价值。

Disclaimer: AAAS and EurekAlert! are not responsible for the accuracy of news releases posted to EurekAlert! by contributing institutions or for the use of any information through the EurekAlert system.