應用方向

在我國煙草生產必須嚴格執行上級下達的計劃產量的背景下，準確且穩定的產量估算對生產管理具有重要意義。本文提出多源數據融合策略，構建煙草產量估算模型：數據包括無人機（UAV）機載高光譜特征（HF）、田間采集的生物物理參數（BPP）以及實驗室測定的生化參數（BCP）。考慮不同生育期的作物狀態共同影響最終產量，模型采用兩類典型循環神經網絡（RNN）——LSTM與GRU，并以隨機森林（RF）作為基線。針對跨年度數據時間維度不一致問題，設計一維卷積自編碼器（AEC1D）以統一輸入維度。結果表明，多源融合優于任一單源特征；其中采用HF+BCP+BPP的GRU模型精度最高（=0.705）。同時，LSTM與GRU整體優于RF；特征貢獻約為HF45%、BPP32%、BCP23%。該研究驗證了多源融合與 RNN 在煙草產量估算中的優勢，可為精準化田間管理提供支持。

關鍵詞：多源數據融合；RNN；產量估算；HF+BCP+BPP；AEC1D

背景

我國煙草屬于重要經濟作物，為調控市場供給、保持產品與價格穩定，行業主管部門對企業下達年度生產計劃，產量超出計劃通常需要額外審批，因此企業急需“準確、穩定”的產量估算以支撐生產決策與過程管理。傳統產量估算主要依賴田間調查，存在耗時、成本高且誤差大的問題。近年來，以高光譜成像為代表的無損監測技術在農業中得到廣泛應用，但高光譜數據波段多、信息冗余強，若僅構建植被指數易受土壤背景與冠層結構影響且可能出現飽和，光譜信息利用率也有限。另一方面，產量與 LAI、株高、葉氮等生物物理/生化指標密切相關，但將“高光譜特征（HF）+生物物理參數（BPP）+生化參數（BCP）”三類信息聯合用于煙草產量建模的研究仍相對不足。基于此，本文提出多源融合并引入能學習時序依賴的 RNN（LSTM/GRU），同時設計 AEC1D處理跨年觀測次數不一致，以構建更全面、可用于生產管理的煙草產量估算框架。

實驗與數據采集

（1）實驗設置

本研究在云南省大理州彌渡縣（MD）與祥云縣（XY）開展兩年田間試驗，覆蓋多地塊與多品種情景。試驗以氮肥梯度為主開展處理設計，其中 N100 為當地常規施肥量，N0 為不施氮，N150 為 1.5 倍常規量，其余處理按比例推算；整體采用隨機區組設計，每小區不少于 80 株，株行距為 1.2 m×0.5 m，其余田間管理措施按照當地規范執行。觀測安排選擇關鍵生育期開展：2022 年在蓮座期、現蕾期與打頂期共觀測 3 次，而 2023 年受天氣條件限制僅在蓮座期與打頂期觀測 2 次，導致跨年度樣本的時間步（time step）不一致。

圖1研究區域的地理位置及實驗樣地的布置

（2）數據采集

本研究構建了“無人機高光譜-田間生物物理-實驗室生化指標-實測產量”的多源數據體系。無人機端采用DJI M600搭載江蘇雙利合譜科技有限公司的GaiaSky-mini2-VN高光譜相機獲取400~1000 nm（175波段）的冠層光譜數據，飛行通常安排在10:00~15:00的晴朗無風時段，航高約80 m，起飛前使用灰板進行輻射定標，影像在ENVI平臺完成后續處理。田間同步采集生物物理參數（BPP），包括株高（PH）、株幅（PW）與葉面積指數（LAI）；生化參數（BCP）則包括葉氮含量（LNC）與葉綠素相對含量（LCC，SPAD）。其中LNC以小區中心隨機抽取2株植株、每株取上中部各2片葉送實驗室測定；LCC 使用SPAD-502Plus在同一批測量株上選擇完*展開葉多點測量并取平均得到小區代表值。產量標簽以烘烤后煙葉重量為準：收獲前每小區選取5株代表植株標記，煙葉烘烤約1周后稱重（剔除未完*轉黃葉片），并以5株烘烤葉總重Yinit按Yield = 3.33×Yinit換算為單位面積產量（t/ha）。數據集最初為231個樣本，剔除病害與影像質量不佳小區后保留189個有效樣本；每個生育期樣本包含PH、PW、LAI、LNC、LCC以及175個高光譜波段等特征。

研究結果

（1）多源特征體系構建與對比

研究在高光譜基礎上分別疊加BCP（LNC、LCC）與BPP（PH、PW、LAI）進行對比，結果在RF、LSTM、GRU三類算法下均一致：多源融合顯著優于單一HF，且HF+BCP+BPP始終取得最高或*穩定的精度；同時HF+BPP通常略優于HF+BCP，說明結構/群體生長狀態信息對葉產量更直接。僅用HF時精度*低，體現“光譜必要但不充分”，需要生物物理/生化信息補足對生長與營養狀態的刻畫。

(a)不同特征組合下RF的產量估算

(b)不同特征組合下LSTM的產量估算

(c)不同特征組合下GRU的產量估算

圖2基于多種模型構建的產品估計模型散點圖對比

（2）煙草高光譜特征重構與降維

從提升煙草估產可用光譜信息與可學習性的角度，本研究引入SFI將整條光譜曲線按一階導數的5個穩定極值分段，對各段進行擬合并求定積分，把全譜壓縮為5維特征。該重構顯著降低維度與冗余，并保留了光譜曲線形態與全譜響應信息，相比僅依賴少數植被指數更充分利用高光譜數據，并增強對外界因素與參數擾動的魯棒性，為后續多源融合與RNN時序學習提供更穩定、緊湊的光譜輸入。

（3）跨年觀測時序維度統一

本研究針對跨年度樣本的聯合時序建模對2022年三期觀測與2023年兩期觀測導致的輸入時間維不一致問題，引入一維卷積自編碼器（AEC1D）作為時序對齊模塊。該模型在編碼端利用1×2卷積核（stride=1）在相鄰生育期之間提取局部時序關聯，并將2022年的3個時間步壓縮映射為2個時間步；隨后經解碼重構得到與2023一致的輸入形狀，從而在統一維度的同時盡量保留生育期動態信息。重構結果顯示，不同特征組合下測試集R2仍保持較高且與訓練集差異較小，表明該方法具有較好的泛化能力，并優于簡單padding補零對齊，為后續LSTM/GRU產量估算提供穩定一致的時序輸入。

圖3設計的AEC1D編碼器組件

圖4不同特征組合下的重建結果對比

結論

本文面向煙草生產計劃管理對“準確、穩定”產量估算的需求，構建了融合無人機高光譜特征（HF）、田間生物物理參數（BPP）與生化參數（BCP）的多源估產框架，并引入循環神經網絡（LSTM/GRU）刻畫多生育期時序信息。結果表明，多源融合顯著優于任一單源輸入，*優組合為HF+BCP+BPP；在該組合下GRU取得最高精度（=0.705，RMSEV=0.554 t/ha，MAPEV=16.41%），LSTM次之且整體優于RF等傳統方法。同時，針對跨年度觀測次數不一致（2022三期、2023兩期）導致RNN輸入形狀不統一的問題，提出一維卷積自編碼器AEC1D進行時序維度對齊，相比padding補零對齊獲得更優的建模表現。結果分析顯示三類特征對精度提升的平均貢獻約為HF 45%、BPP32%、BCP23%。本研究驗證了“多源融合+RNN”的煙草估產優勢，并指出未來可進一步融合氣候、土壤、水分等影響因素以完*模型適用性。

來源

Zhang M ,Zhang B ,Zhao C , et al.Tobacco yield estimation via multi-source data fusion and recurrent neural networks[J].International Journal of Applied Earth Observation and Geoinformation,2025,144104925-104925.