花生（Arachis hypogaea）的农艺和生理性状对育种者选育高产、抗逆性强的基因型非常重要。然而，直接测量这些性状费时费力。本研究评估了使用基于无人机（UAV）的高光谱成像和机器学习（ML）技术预测干旱胁迫下花生的三个农艺性状（生物量、豆荚数和产量）和两个生理性状（光合作用和气孔导度）的可行性。对两种不同的方法进行了评估。第一种方法采用八十个窄带植被指数作为集合模型的输入特征，该模型包括 K 最近邻、支持向量回归、随机森林和多层感知器（MLP）。第二种方法利用了每个波段冠层光谱反射率的平均值和标准偏差。由此产生的 400 个特征用于训练深度学习（DL）模型，该模型由一维卷积层和MLP回归器组成。使用特征学习和 DL（R²=0.45-0.73；对称平均绝对百分比误差 [sMAPE]=24%-51%）获得的农艺性状预测结果优于使用特征工程和传统 ML 模型（R²=0.44-0.61，sMAPE=27%-59%）获得的预测结果。相比之下，集合模型在预测生理特征方面的表现（R²=0.35-0.57；sMAPE=37%-70%）略优于 DL 模型（R²=0.36-0.52；sMAPE=47%-64%）。结果表明，基于无人机的高光谱成像和 ML 技术的结合有望帮助育种者快速筛选出提高花生产量和耐旱性的基因型。

图1 试验场的地面图片，有四个开放的防雨棚。红色网格覆盖在图像上以指示边界。

图2 干旱后14、18和29天的平均冠层光谱反射率加上和减去标准差（SD）（DAD）。

图3 高光谱图像处理流程。

图4 深度学习（DL）模型架构：（a）模型示意图，（b）详细的DL模型层及其超参数。

图5 深度学习（DL）模型在旱后 14、18 和 29 天（DAD）预测生物量、豆荚数和产量的测试数据上的表现。这些散点图中显示的数据点是测试数据集中 R2 与表 3 所示中值最接近的折线。

图6 组合模型在旱后 14、18 和 29 天（DAD）预测生物量、豆荚数和产量的测试数据上的表现。这些散点图中显示的数据点是测试数据集中R2与表4中所示中值最接近的折线。

图7 深度学习（DL）模型在干旱后 14、18 和 29 天（DAD）预测光合速率和气孔导度的测试数据上的表现。这些散点图中显示的数据点是测试数据集中R2 与表5中所示中值最接近的折叠点。

图8 组合模型在干旱后 14、18 和 29 天（DAD）预测光合速率和气孔导度的测试数据上的表现。这些散点图中显示的数据点是测试数据集中R2 与表6所示中值最接近的折线。

图9 用于 (a) 光合作用、(b) 气孔导度、(c) 生物量、(d) 豆荚数和 (e) 豆荚产量的集合模型训练的前 10 个植被指数。

图10 用于 (a) 光合作用、(b) 气孔导度、(c) 生物量、(d) 荚果数和 (e) 荚果产量的深度学习（DL）模型。

图11 256个图的地块级标准差 （SD） 平均值± 256 个地块的地块级SD和（b）256个图的地块级平均反射率值± 256个图的地块级反射率SD。

图12 耐旱基因型 Line-8（a）和对干旱敏感的基因型 AP-3（b）的光谱响应。