基于迁移学习的大豆叶面积（LAI）估算方法：整合PROSAIL、无人机（UAV）和PlanetScope影像数据

冠层叶面积指数（LAI）的高精度跨尺度估算是精准农业的关键。本研究提出LAI-TransNet框架，通过PROSAIL模型模拟UAV和PlanetScope光谱数据，建立UAV尺度LAI基准，再通过CycleGAN对齐和双重伪标签策略实现跨尺度迁移学习，显著提升PlanetScope影像的LAI估算精度（R2=0.96）。该方法有效解决了UAV覆盖范围有限与PlanetScope分辨率不足的矛盾，在海南试验区验证中，LAI-TransNet的RMSE为0.11 m2/m2，rRMSE仅6.8%，较传统模型（如CNN、MLP）精度提高12%-18%。研究为大规模大豆种植监测提供了新方法，支持氮肥精准调控和生长阶段动态监测。

　　

大豆叶面积指数（LAI）的精准估算在农业管理和可持续发展中具有重要意义。传统方法依赖破坏性采样或手持式光学仪器，存在效率低、空间分辨率不足等问题。随着无人机（UAV）和卫星遥感技术的发展，高分辨率数据为LAI监测提供了新途径，但跨尺度数据融合仍面临挑战。本文提出LAI-TransNet框架，通过两阶段转移学习实现从无人机到卫星的LAI预测扩展，为大规模农田监测提供解决方案。### 一、研究背景与问题提出

叶面积指数（LAI）是植被覆盖度和光合效率的关键指标，直接影响作物产量和资源管理决策。现有研究多聚焦于单一遥感平台，如UAV或卫星，但两者在空间分辨率（厘米级vs.米级）和光谱覆盖（多光谱vs.全色波段）上存在显著差异。研究团队发现，虽然UAV数据精度高，但覆盖范围有限；PlanetScope卫星虽可实现大范围监测，但3米分辨率难以捕捉田间异质性。这种跨尺度数据的不匹配导致LAI估算精度下降，难以满足精准农业需求。### 二、方法创新与实施路径

#### （一）两阶段转移学习框架设计

1. **基准构建阶段（UAV尺度）**

- 采用PROSAIL辐射传输模型生成模拟数据集（UAV-Sim），涵盖0.5-8 m2/m2的LAI范围，模拟不同叶倾角分布、土壤类型等真实环境参数。

- 整合田间实测LAI数据（237个样本）与模拟数据，训练传统机器学习（随机森林、XGBoost）和深度学习模型（CNN、MLP、Transformer），建立UAV级LAI基准。

- 通过特征增强模块（计算植被指数统计特征）和CycleGAN对齐（解决UAV与模拟数据域差异），优化模型跨域泛化能力。2. **跨尺度扩展阶段（卫星尺度）**

- 预处理PlanetScope卫星数据，通过线性回归校准光谱响应差异，解决传感器差异导致的跨域偏移问题。

- 使用UAV基准模型（CNN-TL表现最优）进行微调，结合伪标签策略（5轮迭代，置信度阈值0.1）提升模型在真实卫星数据上的泛化性。

- 引入双伪标签机制：第一轮基于UAV实测数据生成伪标签，第二轮融合卫星影像和第一轮伪标签迭代优化。#### （二）关键技术创新点

1. **PROSAIL Prior适配**

在模拟数据生成阶段，引入大豆专用参数集（叶结构参数N取1-3，叶面积指数LAI取0.5-8），解决通用模型（如TranSAT）因缺乏作物特异性参数导致的预测偏差。2. **CycleGAN域对齐优化**

针对UAV与PlanetScope光谱差异（如卫星近红外波段865nm与UAV 860nm带宽重叠不足），设计双向域对齐网络：

- 生成器A：将PlanetScope影像映射到UAV光谱特征空间

- 生成器B：反向映射UAV数据至卫星域

- 引入循环一致性约束（λ_cycle=5.0）和特征一致性损失（λ_consist=0.3），确保跨尺度特征对齐。3. **混合特征工程策略**

- 融合4个原始波段（绿、红、红边、近红外）与9个植被指数（NDVI、EVI2、GNDVI等），增强模型对不同生物物理参数的敏感性。

- 采用SHAP可解释性分析，验证红边波段（750nm）和近红外波段（860nm）对LAI预测贡献度最高（SHAP值占比超60%）。### 三、实验设计与实施

#### （一）数据采集与预处理

1. **UAV数据采集**

- 选用DJI Mavic 3多光谱无人机，搭载4通道传感器（绿560±16nm、红650±16nm、红边750±16nm、近红外860±26nm），飞行高度30米，重叠85%，获取1.5m×1.5m网格化影像。2. **PlanetScope卫星数据**

- 下载2024年3月21日3米分辨率8波段影像（431-885nm），包含沿海蓝、蓝、绿、黄、红、红边、近红外波段。3. **地面测量与模拟数据**

- 使用LAI-2200C仪实地测量237个样点的LAI值（均值3.4 m2/m2，四分位距2.1-4.4 m2/m2）。

- PROSAIL模型生成14万UAV-Sim样本和16万PS-Sim卫星模拟样本，参数范围覆盖真实大豆生长特性（叶干物质0.01-0.05g/cm2，叶倾角三类分布）。#### （二）模型架构对比

1. **深度学习模型**

- **CNN（ResNet50-1D）**：4层残差结构，64-2048通道扩展，实现UAV-Sim数据R2达0.94（RMSE=0.12 m2/m2）。

- **MLP（Mixer架构）**：8层混合模块，通过token mixing和channel mixing增强非线性表达能力。

- **Transformer**：6层编码器，8个注意力头捕捉光谱序列全局依赖，但UAV-Sim数据上R2为0.87（RMSE=0.18）。2. **转移学习模型**

- **CNN-TL**：冻结初始卷积层，微调阶段引入L1正则化（λ=0.01）防止过拟合，在UAV-Sim_Measured上R2=0.81（RMSE=0.64）。

- **双伪标签机制**：第一轮基于UAV实测数据生成伪标签（置信度阈值0.1），第二轮融合卫星影像和伪标签迭代优化，降低标签噪声影响。#### （三）评估指标与基准

- **核心指标**：决定系数（R2）、均方根误差（RMSE）、相对均方根误差（rRMSE）。

- **基准对比**：

| 模型类型 | UAV-Sim R2 | RMSE (m2/m2) | PS-Sim R2 |

|----------------|------------|--------------|-----------|

| RF | 0.93 | 0.58 | 0.69 |

| CNN | 0.94 | 0.12 | 0.99 |

| LAI-TransNet | 0.81 | 0.64 | 0.96 | ### 四、关键实验结果分析

#### （一）UAV尺度基准验证

- **模型性能对比**：CNN在UAV-Sim数据上表现最优（R2=0.94），RF次之（R2=0.93），而Transformer因全局注意力机制导致R2下降至0.87。

- **数据域偏移影响**：加入实测数据后（UAV-Sim_Measured），传统模型R2骤降（RF从0.93→0.40），转移学习模型（CNN-TL R2=0.81）通过特征对齐保持稳定。#### （二）跨尺度预测性能

- **卫星数据模拟验证**：LAI-TransNet在PS-Sim数据上R2达0.96（RMSE=0.11），优于直接训练的CNN（R2=0.99但RMSE=0.06）。

- **真实数据验证**：对比UAV基准（R2=0.81）与PlanetScope预测（R2=0.69），误差主要来自土壤背景干扰（UAV数据土壤反射率校正误差＞卫星数据）。#### （三）空间分布一致性

- **高LAI区域匹配度**：LAI-TransNet预测的中央高值区（5-8 m2/m2）与UAV基准重合度达92%，而Transformer模型仅匹配63%。

- **边缘区域偏差**：北方低值区（1-3 m2/m2）因卫星混合像元（植被占比40-85%）导致预测偏移，LAI-TransNet通过CycleGAN对齐将rRMSE控制在6.8%。### 五、讨论与展望

#### （一）方法优势与局限性

1. **创新性体现**：

- 独创性结合PROSAIL物理模型与CycleGAN域对齐，解决跨尺度光谱失配问题。

- 双伪标签机制（第一轮基于UAV实测，第二轮融合卫星伪标签）降低数据稀缺性影响。2. **现存挑战**：

- 计算复杂度较高（单线程PROSAIL模拟需7.5小时），需优化分布式计算框架。

- 数据单一性限制（仅测试单一地点、单一季节），未来需增加多站点、多时相验证。#### （二）农业应用价值

- **精准施肥**：LAI-TransNet预测误差＜10%，可支持变量施肥（如每平方米误差＜0.5 m2/m2）。

- **病虫害预警**：通过LAI动态监测（每日更新），结合多时相数据可识别异常区域（如LAI突变＞0.3 m2/m2/d）。

- **产量预测**：与PROSAIL模型结合，可反演叶面积指数与产量（R2＞0.85）的物理关系。#### （三）技术延伸方向

1. **轻量化部署**：开发模型剪枝（如移除30%权重）和量化（4位浮点）版本，降低边缘设备部署成本。

2. **多源数据融合**：整合LiDAR高程数据（0.1m分辨率）与InSAR地表形变数据，构建三维LAI预测模型。

3. **时序分析扩展**：引入LSTM模块处理多时相PlanetScope数据，实现LAI生长周期建模（如苗期＞1.5 m2/m2，开花期达4.0+）。### 六、结论

本研究通过构建PROSAIL-模拟数据-实测数据验证的转移学习框架，成功将UAV级LAI预测精度（R2=0.81）扩展至卫星尺度（R2=0.96）。创新性地融合物理模型约束（PROSAIL参数范围）与深度学习特征提取（CNN残差结构），解决了跨尺度数据异质性难题。未来需加强模型泛化性验证，并探索在水稻、玉米等作物的应用适配性。