机载高光谱技术助力小麦田杂草精准识别与产量损失预测
应用方向
杂草是与作物争夺光照、养分和水分的有害植物，会严重影响作物生长。准确识别小麦田中的杂草对精准喷药和针对性除草至关重要。处于生长期初期的禾本科杂草与小麦幼苗极为相似，导致识别难度较大。本研究针对不同杂草侵染程度的小麦田，采用无人机（UAV）进行影像采集。通过运用深度学习算法和光谱分析技术，实现了杂草的精准识别与提取。结果显示：散生小麦田的杂草检测准确率达91.27%，密植小麦田则为87.51%。与无杂草区域相比，杂草密度增加导致小麦生物量下降，*大生物量减少71%。杂草密度对产量的影响类似，*大产量减少4320公斤/公顷−1，降幅达60%。本研究建立了小麦田杂草监测方法，并通过精准提取杂草，研究了不同生长阶段及杂草密度对小麦生长的影响。研究结果为杂草防治和危害评估研究提供了参考依据。
背景
杂草作为与作物竞争光照、营养、水分和生长空间的非目标植物，会导致田间环境恶化，抑制小麦生长发育，造成生长缓慢、发育**及产量质量下降。大规模杂草侵染可导致小麦产量减少60%，程度取决于杂草密度和干扰持续时间。监测杂草对靶向控制和**喷洒至关重要，可减少农药消耗和非点源污染。草本杂草（禾本科）在小麦越冬和拔节期为主导杂草，与小麦幼苗形态相似，识别难度大。现有方法包括人工识别、机器视觉和图像提取，但RGB图像信息有限，高光谱成像可提供更多目标信息，提高精度。无人机遥感系统具有快速、非破坏性、低成本和高通量优势，已广泛应用于农业作物生长监测。本研究聚焦小麦田草本杂草识别，利用UAV高光谱图像和深度学习，填补草本杂草（而非阔叶杂草）识别及产量影响评估的空白。
实验与数据采集
（1）实验设置
本研究于2019-2020年在江苏省仪征市和泗洪县进行。选取了8个试验地作为研究对象，其中6个地块存在不同程度的杂草侵扰，其余2个地块保持无杂草对照。
图1实验区域
（2）数据采集
采用搭载GaiaSky-mini高光谱成像传感器（江苏双利合谱科技有限公司）的DJI Matrice 600 Pro无人机（大疆**科技有限公司，深圳，中国）进行高光谱数据采集。高光谱成像传感器波段范围为400–1000 nm，光谱分辨率3.5 nm。飞行前使用DJI GS Pro进行航线与航点规划，前后重叠率50%，侧向重叠率60%。起飞前以标准白板进行反射率校正，升空后利用20%、40%及60%反射率的灰布进行大气校正。影像采集采用自动曝光模式，依据环境光照条件与目标亮度自动调整增益与曝光时间，采集时间为晴朗天气下的上午10：00至下午2：00之间。
图2研究流程图
图3深度学习技术实现杂草覆盖提取(A)深度学习网络结构；(B)标注流程及结果。如图3B所示：红色标注区域代表小麦，蓝色表示杂草，黑色为土壤。
研究结果
（1）杂草的语义分割效应
在 RGB 三通道及可见—近红外（400–1000 nm）范围内，杂草与小麦的光谱/颜色特征高度重叠：在 RGB 直方图上三通道分布非常相似，反射率曲线在多数波段亦存在大量重叠，仅在可见光的绿波段和红波段出现有限差异。这意味着单纯依赖颜色或单一植被指数（如 NDVI）在混合像元环境下难以实现可靠分辨，尤其在返青期或株型复杂的田块中误判与漏判风险显著增大。基于此，研究比较了五种主流语义分割模型用于田间杂草识别的效果，结果表明 DeepLabV3+ 综合性能*好：对耕地（land）识别普适性高，对小麦与杂草的区分能力强，边缘区域的识别效果尤为明显。模型在不同播种方式下的检测精度分别为散播田约 91.27%、条播田约 87.51%，MIoU、F1、Precision、Recall 等指标均保持在较高水平（均 >85%）。在实际部署角度看，DeepLabV3+ 的单张图像处理时间约 46.5 ms，具备近实时处理能力，但该模型本身只能判别“有/无”或像元类别，不能直接量化杂草密度或推断个体数量，这是其在工程化应用中的一项重要局限。
（2）结合光谱指数与机器学习的生物量估算
尽管单一植被指数在区分上受限，研究发现部分波段组合的 NDVI 与小麦/杂草生物量存在极高相关性（相关系数 >0.92），例如冬季小麦*佳组合为 (960 nm, 733 nm)，冬季杂草为 (960 nm, 719 nm)，拨节期亦存在相应的高相关组合。这提示利用恰当的波段组合可以为生物量估算提供有力的光谱特征。基于此，研究将冠层覆盖（CC）与若干植被指数作为输入变量，使用支持向量回归（SVR）建立杂草生物量估算模型。模型建模阶段总体表现良好（建模 R² 均 >0.85）：冬季估算精度*高，训练阶段 RMSE 常低于 8 kg·ha⁻¹；但在返青/再生期由于小麦群体增大且混合像元影响增强，建模精度有所下降，RMSE 可上升但通常不超过 20 kg·ha⁻¹。独立验证显示性能存在波动——总体平均验证 RMSE 约 40.03 kg·ha⁻¹；其中钻播冬季表现*佳（验证 RMSE ≈ 9.28 kg·ha⁻¹），而散播返青情形*差（验证 R² ≈ 0.6，RMSE ≈ 30.38 kg·ha⁻¹）。影响精度的主要因素包括：语义分割无法精细量化杂草密度导致 CC 估计偏差、小麦对植被指数的干扰（尤其在返青期）以及田块间播种方式与密度差异。因此，推荐将语义分割的空间定位与基于优选波段的光谱回归相结合，并针对播种方式与生育期进行专门校准，以获得更稳定的生物量估算结果。
（3）杂草对小麦生长与产量的定量影响
通过对不同杂草密度、播种方式与生育期的对照分析，研究明确量化了杂草对小麦生长与产量的负面影响：随着杂草密度增加，小麦干重*大减少 71%，产量*大减少 4320 kg·ha⁻¹（约 60%）。影响程度与播种方式、种植密度和杂草出现时期密切相关：散播田对杂草的敏感性高于条播田；高密度种植受杂草竞争影响更明显；而在冬季萌发的杂草对*终产量的损害尤为严重。
这些结论具有明确的工程与管理意义：一是应优先在散播田与冬季易萌发区域实施早期监测与干预；二是将 DeepLabV3+ 等高性能语义分割用于空间定位，配合基于优选波段和 SVR 的生物量估算，可支持分区差异化的精准除草决策（例如划分喷洒强度、确定热点区域）；三是针对返青期的小麦干扰，需要引入更多时相数据或多模态信息（如多光谱/高光谱与高度信息）以提高估算鲁棒性。总体而言，本研究为基于 UAV 的高通量杂草监测与定量危害评估提供了可行路径，并为精细化除草管理提供了数据与方法支撑。
图4小麦与杂草直方图
图5小麦与杂草反射率曲线
图6不同条件下利用冠层覆盖度或植被指数估算杂草生物量。RMSE的单位为kg·ha⁻¹
图7不同模型的语义分割性能
图8 DeepLabV3+的分割结果，(A)、(B)为播撒式和条播式小麦田原始图像，(C)、(D)为分割结果，(E)、(F)为小麦和杂草的分割准确度值
图9杂草与小麦的光谱特征及生物量相关性分析
图10使用独立数据集的模型测试结果。RMSE的单位为kg·ha⁻¹
图11杂草对小麦生长的影响。(A)杂草对小麦干重的影响，(B)杂草对小麦籽粒产量的影响。J：拔节期”（Jointing），W：越冬期，B：撒播，D：穴播，L：植株密度180×10^4株/公顷，H：植株密度300×10^4株/公顷
结论
本研究开发了一种利用深度学习算法与光谱分析技术监测麦田杂草发生的方法。研究发现，颜色和纹理等传统图像属性在区分麦田禾本科杂草方面存在挑战，而深度学习算法的应用显著提升了杂草识别精度。在评估的算法中，DeepLabV3+表现出*优性能，其分割效果优于UNet、PSPNet等方法。通过选取敏感NDVI波段，可有效估算杂草生物量，构建评估杂草危害影响的可靠框架。本研究开发的基于深度学习的杂草冠层覆盖识别模型能准确估算杂草冠层覆盖度，进一步将冠层覆盖度与植被指数融合可提升杂草生物量估算精度。该方法有助于实现高效的无人机麦田杂草监测并制定靶向植保策略，为无人机精准植保作业提供技术支持。
来源
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.
