优化除草剂药效日益关键，原因在于新型除草剂作用模式（MOA）的缺失及其广泛过度使用。本研究基于以下假设开发了一种基于卫星的方法以绘制除草剂控草失败图谱用于药效评估：有效控草可降低作物与杂草的共存度，从而减少随时间变化的光谱-空间异质性；而低药效则会增加该异质性。在受控实验玉米小区（2022–2023年）中，研究人员通过分析无人机（UAV）多光谱影像表征了两种不同MOA除草剂施药后的杂草抑制动态。卫星影像经处理以筛选对除草剂诱导像元差异敏感的灰度共生矩阵（GLCM）纹理特征。所筛选特征被用于比较两种基于卫星的绘制除草剂控草失败覆盖率（%）的方法，该方法在七个商业化玉米田中进行验证：（i）基于规则的框架，以及（ii）利用随机森林模型将UAV数据上 upscaling 至卫星尺度。结果表明，至施药后10天（DAS），两种MOA除草剂效应均已均匀表达，使得UAV影像中受损与健康杂草得以区分。在卫星尺度上，近红外（NIR）波段GLCM方差和均值是杂草抑制最敏感的指标。利用这些特征以及10和14 DAS的归一化植被指数（NDVI），基于规则的框架展现出优于UAV至卫星upscaling的性能，实现田块内精确率和召回率均为0.71，田块间决定系数（R2）为0.97、均方根误差（RMSE）为1.86（%）的一致性。这些结果证明基于规则的GLCM框架是利用PlanetScope卫星影像评估除草剂控草药效的有效工具。
杂草是农业生产的主要限制因素之一，除草剂的使用是现代农业中最广泛的杂草控制方法，能够以相对较低的成本支撑高作物产量。然而，对除草剂的过度依赖导致田间药效下降的风险增加，包括除草剂抗性杂草种群的出现，同时引发了对除草剂为基础杂草控制系统长期可持续性的担忧。更为严峻的是，新型除草剂作用模式（MOA）的开发已近乎停滞，这使得优化现有除草剂的药效变得日益关键。在这一背景下，开发快速评估除草剂对目标杂草物种药效的方法具有重要意义。遥感技术已被提出作为检测杂草对除草剂响应的潜在途径，能够通过植物生理信号间接评估除草剂药效，但直接针对这一农学问题的研究仍十分有限。
鉴于在实际田间尺度条件下通过检测生理损伤直接评估除草剂药效存在挑战，研究人员推断杂草控制药效最为合理地可通过施药后杂草出现状况或空间分布的变化来间接判断。因此，施药前后的杂草检测与制图可为田间尺度的药效评估提供实践基础。无人机（UAV）遥感在田间作物杂草制图中应用日益广泛，但其高运营成本和有限的空间覆盖范围限制了农民尤其是杂草制图方面的采用。相比之下，卫星影像因其广泛的空间覆盖、高频重访和相对较低的成本，在精准农业中应用日益普及，支持了更广泛的采用。然而，对于杂草检测而言，卫星影像较低的空间分辨率仍是主要制约因素，限制了像素级别的杂草斑块识别，这是在卫星农业应用中广泛认可的局限。近期解决这一挑战的方案是利用机器学习模型将高分辨率UAV观测数据upscaling至卫星影像，但该方法面临模型跨场地可转移性有限、需要大量多样化且标注良好的数据集等挑战，而生成这些数据集劳动密集且耗时。作为替代方案，基于规则的方法利用编码为决策规则的专家知识而非学习统计模式，为鲁棒的卫星分类任务提供了新思路。
本研究基于除草剂控草失败可通过卫星影像中增加的作物田间光谱-空间异质性来检测的核心假设，开发了一个利用卫星数据绘制除草剂控草失败图谱的框架。具体而言，高除草剂药效预期可降低作物-杂草共存度，产生更为空间均匀的光谱模式；而低药效则维持增加局部变异性的异质性混合物。这种光谱-空间异质性可利用灰度共生矩阵（GLCM）纹理特征进行量化，该特征能够捕获定义邻域内的局部像元变异性。研究人员选择玉米作为模式作物以在实际条件下实现研究目标，研究旨在：（1）利用时间序列UAV多光谱数据表征杂草抑制动态；（2）识别可区分抑制与未抑制杂草（指示除草剂控草失败）的卫星衍生GLCM特征；（3）在商业条件下利用基于规则框架中的光谱、空间及时空GLCM特征评估除草剂控草失败的卫星制图，并与UAV至卫星upscaling方法进行性能比较。
该研究采用四阶段工作流程：（1）利用高分辨率UAV多光谱影像时间序列表征实验玉米小区的杂草抑制动态，确定受损与未受损杂草清晰光谱分离的最佳DAS；（2）利用卫星多光谱影像提取和选择整合光谱、空间和时间（SST）信息的特征，以区分除草剂处理和未处理像元；（3）利用UAV多光谱影像生成田块尺度地面真值图谱用于卫星预测验证；（4）比较两种基于卫星的预测策略，即基于规则的框架和UAV至卫星upscaling方法。
实验于2022和2023年在以色列农业研究组织（ARO）Newe Ya'ar研究站进行，2公顷青贮玉米采用随机区组设计分为四种处理，包括阳性对照（无杂草处理，使用异丙甲草胺和莠去津进行苗前封闭）、阴性对照（不除草模拟控草失败）以及两种不同MOA的苗后除草剂处理（乙酰乳酸合成酶ALS抑制剂甲酰胺磺草胺、HPPD抑制剂 tembotrione）。UAV多光谱影像采集于施药后0、3、7、10、14和21天，利用支持向量机（SVM）分类器进行杂草分类，并通过四参数对数-逻辑函数建模杂草抑制动态。卫星影像采用PlanetScope卫星星座数据，计算八个光谱波段和四个植被指数的GLCM纹理特征，通过比较除草剂处理和未处理小区的线性模型时间斜率筛选敏感特征。
研究结果显示，至10 DAS，两种MOA除草剂效应均已均匀表达，UAV影像中可实现受损与健康杂草的分离，ED
50出现于7.23 DAS，ED
90在9.5–10.5 DAS，表明10 DAS为利用UAV多光谱传感评估除草剂药效的最佳时间点。在卫星尺度上，NIR波段GLCM方差和均值在所有特征中显示出最大的处理与对照间线性模型斜率差异，未处理对照呈现正斜率（方差0.102、均值0.099），而除草剂处理接近零或负斜率，该特征与UAV预测杂草盖度呈强正相关（R
2=0.85）。
在七个商业化玉米田中，基于规则的框架利用NDVI以及10和14 DAS的NIR-GLCM方差和均值，结合热点分析（Getis-Ord Gi*统计量，z≥1.96），通过至少五个图层共识识别控草失败像素。该框架田块内精确率和召回率均为0.71，田块间与UAV参考图谱比较R
2=0.97、RMSE=1.86%。相比之下，UAV至卫星upscaling方法（随机森林模型，500棵树，留一场交叉验证）表现较差，田块间R
2=0.86、RMSE=7.07%，田块内平均精确率仅0.11、召回率0.60，表明系统性地低估除草剂控草失败。
研究结果部分详述如下：
**UAV杂草抑制动态表征**：2023年实验田分析显示，两种除草剂处理的健康与受损杂草像元比值在0–3 DAS维持高位，7–10天下降，10 DAS后达低值。SVM分类模型在0 DAS分类准确率高于0.93，14 DAS健康杂草召回率0.81、精确率0.90，受损杂草召回率0.72、精确率0.83。四参数对数-逻辑函数拟合显示ALS和HPPD处理的ED
50均为7.23 DAS，HPPD处理ED
90为9.5 DAS，ALS处理为10.5 DAS。
**卫星特征筛选**：在所有光谱和GLCM特征比较中，NIR-GLCM方差和均值在处理与对照间线性模型斜率差异最大。2022年低杂草压力（~2%）和2023年高杂草压力（~20%）条件下均呈现一致模式。NIR-GLCM方差与UAV预测杂草盖度在10 DAS呈强线性关系（R
2=0.85，RMSE=0.095），证实其对控草失败存在和强度的可靠反映。
**商业化田地UAV控草失败制图**：七个商业化玉米田的UAV-SVM分类中，杂草类（控草失败）精确率0.96–1.00（均值0.99），召回率0.75–0.95（均值0.85），玉米和土壤的分类性能均值超过0.90。
**卫星控草失败制图：基于规则与UAV-upscaling比较**：基于规则方法的田块内精确率0.42–0.93、召回率0.22–0.94，均值均为0.71；UAV-upscaling精确率0.00–0.51、召回率0.00–1.00，均值分别为0.11和0.60。去除Field 7（UAV数据获取于7 DAS，可能未完全反映最终杂草抑制状态）后，基于规则方法精确率和召回率提升至0.78和0.80。田块间基于规则方法R
2=0.97、RMSE=1.86%，显著优于upscaling的R
2=0.86、RMSE=7.07%。
讨论部分，研究人员指出卫星影像为农业监测提供了可扩展覆盖，但其空间分辨率限制了田间尺度的杂草检测。由于本研究通过施药后杂草持久性间接评估除草剂药效，纹理特征捕获了超出光谱数据限制的空间异质性，时空纹理特征较同一影像的光谱特征对杂草抑制动态表现出持续更高的敏感性。PlanetScope的高重访频率（多数获取<36小时）特别适合捕捉这些短期施药后动态。10 DAS被确定为UAV和卫星评估除草剂药效的最佳时间点，此时杂草光谱响应充分表达，这与Pause等（2019）利用Sentinel-2 NDVI时间序列检测 glyphosate 诱导植被下降的研究结果一致。NIR-GLCM方差和均值通过捕获光谱-空间异质性随时间的变化，成为最敏感的特征，而NDVI等纯光谱指数在处理与对照间未显示可比的斜率分离。与UAV至卫星upscaling方法相比，基于规则的框架在数据受限条件下展现出实用优势，减少了大规模训练数据集的依赖；其改进性能可能与其在两个互补层次整合空间信息有关，即像元尺度GLCM纹理特征和热点聚合步骤。研究也指出热点聚合在低信号条件下可能导致过检测，而卫星影像的较低灵敏度和较粗空间分辨率可能导致小或稀疏杂草斑块漏检，未来可通过光谱混合模型和改进阈值进一步优化。
研究结论：该研究证明从PlanetScope卫星影像衍生的时空GLCM纹理特征可在实际田间条件下检测表现出除草剂控草失败的杂草。通过整合时间变化与基于规则的空间聚合，该框架在商业玉米田中实现了一致的精确率，并优于依赖有限训练数据的UAV至卫星upscaling方法。结果证实了除草剂控草失败表现为增加的光谱-空间异质性这一研究假设，该异质性可利用知识驱动的卫星纹理分析进行操作化。这些发现为田间尺度除草剂药效的卫星推断建立了方法路径，独立于大量训练数据集。从实践角度，该方法为农民和研究人员提供了监测除草剂药效的可扩展工具，约10 DAS检测控草失败可为特定区域跟进干预提供窗口，优化杂草管理同时减少不必要投入；历史卫星记录进一步支持趋势分析以指导长期除草剂决策。未来工作应在更大地理区域、多样化种植系统和更早物候阶段验证该框架，以完善基于知识的规则并扩展其在商业 farming 条件下施药前杂草制图的应用。
