作物含水率与作物成熟度有着很强的相关性。准确地预测作物含水率有助于高效地收获作物以及控制作物产出质量。本文以无人机获取的田间油菜与小麦的高光谱图像为基础，结合深度学习算法建立了含水率预测模型。除此之外，文中基于博弈论的模型解释分析方法评估了预测过程中的重要光谱波段。该研究为筛选可预测作物含水率的光谱波段提供了一种创新的方法。

　　首先，研究人员利用无人机(DJI M600)获取了包含150个光谱波段信息(400nm~1000nm)的大田尺度的油菜以及小麦的高光谱图像。在建立预测模型时，为了充分发挥光谱图像的优势，利用预训练的VGG16提取了空间特征以及利用双向LSTM提取了光谱特征。两个网络的特征提取结果在模型结构末尾以线性加权集成方法进行特征融合以输出预测结果。为了提炼光谱波段，减少冗余波段信息的干扰，文章利用SHAP(Shapley Additive exPlanations)方法将单个光谱波段值作为输入特征，根据预测结果的优劣对光谱波段进行评估排序。

　　结果表明，相比于非集成方法，利用两种深度学习算法模型集成结果对油菜与小麦含水率进行预测可取得更好的结果，相关系数分别达到了0.916与0.818。该结果也在与NDVI等植被指数的回归结果对比中得到了验证。SHAP的分析结果通过可视化的方法进行了展现。研究发现根据SHAP值选取的前10%(15个)的光谱波段与根据PCA算法选择的光谱波段类似，说明了该方法对光谱特征提取的有效性。本文指出该研究为设计与制造更专业化的光谱分析软硬件提供了一种可行的特征提取方法。

　　图1 通过高光谱图像提取空间与光谱信息并建立预测模型的流程示意图

　　图2 空间特征对预测油菜含水率的贡献值可视化图(左：田块灰度图;右：基于田块光谱的SHAP值成像图)

　　图3 油菜测试集的SHAP值成像图(上：田块的平均光谱曲线;下：相对田块光谱曲线的SHAP值)

　　来源： Torres-Tello, WJ., Ko, S. A novel approach to identify the spectral bands that predict moisture content in canola and wheat. Biosystems Engineering, Volume 20, Article number: 91-103, October 2021. https://doi.org/10.1016/j.biosystemseng.2021.08.004.

　　编辑： 张金诺