近日，青岛农业大学园艺学院茶树育种团队在茶园干旱分类监测方面取得显著进展，相关研究成果发表于《Smart Agricultural Technology》期刊。该研究创新性地结合多源遥感和数据融合技术，并运用深度学习模型，为茶园干旱分类的准确、无损监测提供了新方法。

　　干旱是影响全球农业生产的主要自然灾害之一，严重阻碍作物生长，对茶树生长发育有着深远的影响。传统的茶树干旱胁迫评价方法主要依靠人工调查，费时费力且主观性强，难以满足大规模茶园的快速监测需求。茶树育种团队针对这一难题，深入探索了图像处理和计算机视觉技术在茶园干旱分类监测中的应用潜力。

　　研究中，团队成员提出了RSDCM（基于遥感的干旱分类模型），一种改进的遗传算法-反向传播（GA-BP）结合MS + TIR框架，通过遗传算法的全局搜索优化初始权重和阈值（隐藏层=1，隐藏层中的神经元=5，50代，群体大小=5，NonUnifMutation算子）来避免局部最小值并加速收敛。一个配备MS，RGB，TIR传感器收集了来自干旱的多源数据，将RSDCM模型与单一BP算法和三种经典的机器学习模型（SVM、RF、ELM）进行了对比。

　　基于处理后的数据，团队构建了多种分类模型。其中，多源数据融合优于单源数据，MS + TIR实现最佳性能（准确率：0.983，精确度：0.967-1.000，召回率：0.967-1.000，F1分数：0.967-1.000）。RSDCM模型（准确度：0.983）比其他四个模型表现更好，可以准确地划分茶园干旱胁迫等级。这一成果不仅显著提升了茶园干旱分类监测的效率和准确性，可为茶园管理决策提供有价值的指导和数据支持。

　　3D曲面图。（a）阈值分割前后各种模型性能的3D曲面图;（b）基于不同数据下各种模型性能的3D曲面图。

各种数据类型下各模式的混淆矩阵

代表性茶园干旱分类分布图

　　硕士研究生徐阳为论文第一作者，毛艺霖，李赫，李晓江，孙立涛，范凯，李志鹏，巩淑婷等参与了该研究，丁兆堂和王玉为论文的通讯作者。