精準農業∣機載高光譜成像對小麥田禾本科雜草的精準識別：探索生物量與產量影響

背景

雜草作為與作物競爭光照、營養、水分和生長空間的非目標植物，會導致田間環境惡化，抑製小麥生長發育，造成生長緩慢、發育不良及產量質量下降。大規模雜草侵染可導致小麥產量減少60%，程度取決於雜草密度和幹擾持續時間。監測雜草對靶向控製和*確噴灑至關重要，可減少農藥消耗和非點源汙染。草本雜草（禾本科）在小麥越冬和拔節期為主導雜草，與小麥幼苗形態相似
，識別難度大。現有方法包括人工識別
、機器視覺和圖像提取，但RGB圖像信息有限，高光譜成像可提供更多目標信息
，提高精度。無人機遙感係統具有快速、非破壞性、低成本和高通量優勢，已廣泛應用於農業作物生長監測。本研究聚焦小麥田草本雜草識別
，利用UAV高光譜圖像和深度學習
，填補草本雜草（而非闊葉雜草）識別及產量影響評估的空白。

實驗與數據采集

（1）實驗設置

本研究於2019-2020年在江蘇省儀征市和泗洪縣進行。選取了8個試驗地作為研究對象，其中6個地塊存在不同程度的雜草侵擾
，其餘2個地塊保持無雜草對照。

圖1實驗區域

（2）數據采集

采用搭載GaiaSky-mini高光譜成像傳感器（江蘇雙利合譜科技有限公司）的DJI Matrice 600 Pro無人機（大疆創新科技有限公司
，深圳
，中國）進行高光譜數據采集。高光譜成像傳感器波段範圍為400–1000 nm
，光譜分辨率3.5 nm。飛行前使用DJI GS Pro進行航線與航點規劃
，前後重疊率50%，側向重疊率60%。起飛前以標準白板進行反射率校正，升空後利用20%
、40%及60%fanshelvdehuibujinxingdaqixiaozheng。yingxiangcaijicaiyongzidongpuguangmoshi，yijuhuanjingguangzhaotiaojianyumubiaoliangduzidongtiaozhengzengyiyupuguangshijian

，caijishijianweiqinglangtianqixiadeshangwu10：00至下午2：00之間。

圖2研究流程圖

圖3深度學習技術實現雜草覆蓋提取(A)深度學習網絡結構
；(B)標注流程及結果。如圖3B所示：紅色標注區域代表小麥，藍色表示雜草
，黑色為土壤。

研究結果

（1）雜草的語義分割效應

在 RGB 三通道及可見—近紅外（400–1000 nm）範圍內，雜草與小麥的光譜/顏色特征高度重疊：在 RGB 直(zhi)方(fang)圖(tu)上(shang)三(san)通(tong)道(dao)分(fen)布(bu)非(fei)常(chang)相(xiang)似(si)，反(fan)射(she)率(lv)曲(qu)線(xian)在(zai)多(duo)數(shu)波(bo)段(duan)亦(yi)存(cun)在(zai)大(da)量(liang)重(zhong)疊(die)，僅(jin)在(zai)可(ke)見(jian)光(guang)的(de)綠(lv)波(bo)段(duan)和(he)紅(hong)波(bo)段(duan)出(chu)現(xian)有(you)限(xian)差(cha)異(yi)。這(zhe)意(yi)味(wei)著(zhe)單(dan)純(chun)依(yi)賴(lai)顏(yan)色(se)或(huo)單(dan)一(yi)植(zhi)被(bei)指(zhi)數(shu)（如 NDVI）在zai混hun合he像xiang元yuan環huan境jing下xia難nan以yi實shi現xian可ke靠kao分fen辨bian，尤you其qi在zai返fan青qing期qi或huo株zhu型xing複fu雜za的de田tian塊kuai中zhong誤wu判pan與yu漏lou判pan風feng險xian顯xian著zhu增zeng大da。基ji於yu此ci，研yan究jiu比bi較jiao了le五wu種zhong主zhu流liu語yu義yi分fen割ge模mo型xing用yong於yu田tian間jian雜za草cao識shi別bie的de效xiao果guo

，結jie果guo表biao明ming DeepLabV3+ 綜合性能*好：對耕地（land）識別普適性高
，對小麥與雜草的區分能力強，邊緣區域的識別效果尤為明顯。模型在不同播種方式下的檢測精度分別為散播田約 91.27%、條播田約 87.51%
，MIoU
、F1
、Precision、Recall 等指標均保持在較高水平（均 >85%）。在實際部署角度看
，DeepLabV3+ 的單張圖像處理時間約 46.5 ms，具備近實時處理能力
，但該模型本身隻能判別“有/無”或像元類別，不能直接量化雜草密度或推斷個體數量

，這是其在工程化應用中的一項重要局限。

（2）結合光譜指數與機器學習的生物量估算

盡管單一植被指數在區分上受限，研究發現部分波段組合的 NDVI 與小麥/雜草生物量存在*高相關性（相關係數 >0.92），例如冬季小麥*佳組合為 (960 nm, 733 nm)
，冬季雜草為 (960 nm, 719 nm)，撥節期亦存在相應的高相關組合。這提示利用恰當的波段組合可以為生物量估算提供有力的光譜特征。基於此，研究將冠層覆蓋（CC）與若幹植被指數作為輸入變量，使用支持向量回歸（SVR）建立雜草生物量估算模型。模型建模階段總體表現良好（建模 R² 均 >0.85）：冬季估算精度最高，訓練階段 RMSE 常低於 8 kg·ha⁻¹；但在返青/再生期由於小麥群體增大且混合像元影響增強，建模精度有所下降，RMSE 可上升但通常不超過 20 kg·ha⁻¹。獨立驗證顯示性能存在波動——總體平均驗證 RMSE 約 40.03 kg·ha⁻¹；其中鑽播冬季表現*佳（驗證 RMSE ≈ 9.28 kg·ha⁻¹），而散播返青情形最差（驗證 R² ≈ 0.6
，RMSE ≈ 30.38 kg·ha⁻¹）。影響精度的主要因素包括：語義分割無法精細量化雜草密度導致 CC 估計偏差
、小麥對植被指數的幹擾（尤其在返青期）yijitiankuaijianbozhongfangshiyumiduchayi。yinci
，tuijianjiangyuyifengedekongjiandingweiyujiyuyouxuanboduandeguangpuhuiguixiangjiehe，bingzhenduibozhongfangshiyushengyuqijinxingzhuanmenxiaozhun
，yihuodegengwendingdeshengwulianggusuanjieguo。

（3）雜草對小麥生長與產量的定量影響

通過對不同雜草密度、播種方式與生育期的對照分析，研究明確量化了雜草對小麥生長與產量的負麵影響：隨著雜草密度增加，小麥幹重*大減少 71%
，產量*大減少 4320 kg·ha⁻¹（約 60%）。影響程度與播種方式、種植密度和雜草出現時期密切相關：散播田對雜草的敏感性高於條播田；高密度種植受雜草競爭影響更明顯；而在冬季萌發的雜草對最終產量的損害尤為嚴重。

這些結論具有明確的工程與管理意義：一是應優先在散播田與冬季易萌發區域實施早期監測與幹預
；二是將 DeepLabV3+ 等高性能語義分割用於空間定位

，配合基於優選波段和 SVR 的生物量估算，可支持分區差異化的精準除草決策（例如劃分噴灑強度、確定熱點區域）

；三是針對返青期的小麥幹擾，需要引入更多時相數據或多模態信息（如多光譜/高光譜與高度信息）以提高估算魯棒性。總體而言，本研究為基於 UAV 的高通量雜草監測與定量危害評估提供了可行路徑，並為精細化除草管理提供了數據與方法支撐。

圖4小麥與雜草直方圖

圖5小麥與雜草反射率曲線

圖6不同條件下利用冠層覆蓋度或植被指數估算雜草生物量。RMSE的單位為kg·ha⁻¹

圖7不同模型的語義分割性能

圖8 DeepLabV3+的分割結果
，(A)、(B)為播撒式和條播式小麥田原始圖像，(C)、(D)為分割結果，(E)
、(F)為小麥和雜草的分割準確度值

圖9雜草與小麥的光譜特征及生物量相關性分析

圖10使用獨立數據集的模型測試結果。RMSE的單位為kg·ha⁻¹

圖11雜草對小麥生長的影響。(A)雜草對小麥幹重的影響
，(B)雜草對小麥籽粒產量的影響。J：拔節期”（Jointing），W：越冬期

，B：撒播，D：穴播，L：植株密度180×10^4株/公頃
，H：植株密度300×10^4株/公頃

結論

本ben研yan究jiu開kai發fa了le一yi種zhong利li用yong深shen度du學xue習xi算suan法fa與yu光guang譜pu分fen析xi技ji術shu監jian測ce麥mai田tian雜za草cao發fa生sheng的de方fang法fa。研yan究jiu發fa現xian
，顏yan色se和he紋wen理li等deng傳chuan統tong圖tu像xiang屬shu性xing在zai區qu分fen麥mai田tian禾he本ben科ke雜za草cao方fang麵mian存cun在zai挑tiao戰zhan
，而er深shen度du學xue習xi算suan法fa的de應ying用yong顯xian著zhu提ti升sheng了le雜za草cao識shi別bie精jing度du。在zai評ping估gu的de算suan法fa中zhong，DeepLabV3+表現出*優性能，其分割效果優於UNet、PSPNet等方法。通過選取敏感NDVI波bo段duan
，可ke有you效xiao估gu算suan雜za草cao生sheng物wu量liang，構gou建jian評ping估gu雜za草cao危wei害hai影ying響xiang的de可ke靠kao框kuang架jia。本ben研yan究jiu開kai發fa的de基ji於yu深shen度du學xue習xi的de雜za草cao冠guan層ceng覆fu蓋gai識shi別bie模mo型xing能neng準zhun確que估gu算suan雜za草cao冠guan層ceng覆fu蓋gai度du，進jin一yi步bu將jiang冠guan層ceng覆fu蓋gai度du與yu植zhi被bei指zhi數shu融rong合he可ke提ti升sheng雜za草cao生sheng物wu量liang估gu算suan精jing度du。該gai方fang法fa有you助zhu於yu實shi現xian高gao*的無人機麥田雜草監測並製定靶向植保策略

，為無人機精準植保作業提供技術支持。

​來源

Liu T, Zhao Y, Wang H, et al. Harnessing UAVs and deep learning for accurate grass weed detection in wheat fields: a study on biomass and yield implications[J]. Plant Methods, 2024, 20(1): 144.