基于无人机多源数据融合与Stacking集成学习的烟草淀粉含量高精度预测模型研究

　　本研究针对传统烟草淀粉含量检测方法耗时昂贵、单一模型预测精度不足的问题，创新性地结合无人机高光谱与可见光影像数据，采用SiPLS特征选择与Stacking集成学习（SVR+GRU+MLP）构建预测模型，实现R2 达0.97、RMSE降至1.50%的突破性精度，为作物品质无损监测提供新范式。

　　

烟草作为重要经济作物，其淀粉含量直接影响香气品质和工业价值。传统检测依赖高效液相色谱（HPLC）等实验室方法，存在破坏样本、耗时昂贵等问题，难以满足大田实时监测需求。尽管无人机遥感技术为作物表型分析带来革新，但现有研究多局限于单一数据源或简单模型，面对复杂田间环境时预测精度受限。如何融合多源遥感数据、突破算法瓶颈，成为精准农业领域亟待解决的科学问题。

福建省烟草专卖局联合高校科研团队在《Industrial Crops and Products》发表研究，创新性地将无人机高光谱（400-1000nm）与可见光影像相结合，通过协同区间偏最小二乘法（SiPLS）筛选10个特征波段（如709.97nm、808.61nm），提取颜色（ExGR、CIVE）和纹理特征（GLCM、LBP）。研究采用Stacking集成框架，以支持向量回归（SVR）和门控循环单元（GRU）为基学习器，多层感知机（MLP）为元学习器，构建多模态融合预测模型。实验覆盖福建6个试验区的不同品种（翠碧1号、云烟87）和施肥梯度（T0-T200），通过SMOTE算法增强数据多样性。

图像分割
采用U2-Net网络实现烟草植株区域分割，F1分数达96.67%，为特征提取奠定基础。

特征筛选
对比PCA、SPA等5种方法后，确定SiPLS筛选的10个波段组合最优（R²
=0.79），其中蓝紫光区（400-437nm）和红边波段（709-718nm）贡献显著。

机器学习对比
SVR在融合图像特征后表现最佳（R²
=0.88），优于XGBoost等算法，验证核函数对高维数据的适应性。

深度学习对比
GRU凭借门控机制处理序列数据优势，在融合数据集上R²
达0.94，较LSTM参数效率提升30%。

集成学习验证
Stacking模型将SVR与GRU预测结果通过MLP非线性整合，最终R²
提升至0.97，误差较单一模型降低2.71%。SHAP分析显示GLCM对比度和400.28nm波段贡献度最高，揭示纹理与特定光谱的协同作用。

该研究首次实现烟草田间淀粉含量的多源遥感精准预测，创新点体现在三方面：一是建立高光谱-可见光特征融合体系，证实颜色指标VEG与淀粉含量显著负相关（r=-0.82）；二是设计轻量化集成框架（模型仅0.3MB），解决深度学习落地难题；三是跨区域验证表明模型在未知环境（D1-D2试验区）仍保持90%以上精度。相较于传统方法，该技术将检测效率提升20倍，为作物品质智能监测提供可复制方案，未来可扩展至氮磷钾等多参数同步反演。

研究也存在数据地域局限，未来需纳入更多生态区样本。团队计划整合土壤传感器数据，并探索Transformer等新型基学习器，进一步推动精准农业技术革新。