基于高光谱遥感与物理引导深度学习的作物叶片蛋白质含量（LPC）精准监测模型LPCNet研究

本研究提出融合物理模型约束与数据驱动的深度学习框架LPCNet，通过PROSPECT-PRO和SAIL辐射传输模型生成模拟光谱数据集进行预训练，并引入叶绿素含量（LCC）作为多任务学习辅助目标，显著提升高光谱遥感对作物叶片蛋白质含量（LPC）的监测精度，为农业氮素管理与生态系统监测提供新范式。

　　

Section snippets

Field spectral dataset

本研究针对两种作物和三个试验田测量了LPC（叶片蛋白质含量）、LCC（叶绿素含量）和冠层光谱数据，共采集624份样本。图1和表1展示了三个田间试验的样本数量分布。2015年小麦样本采集自北京市昌平区，而2022年和2023年马铃薯样本则来自齐齐哈尔市克山农场（图1）。

Exp. 1: 小麦试验田位于昌平区（北纬40°20′），...

LPC estimation based on PLSR, MSR, RF, and GPR

本研究分析了遥感光谱指数（SIs）与LPC之间的相关系数（表6）。相关性分析结果表明，所有光谱指数均与LPC呈正相关，但不同作物和植被指数的相关系数存在显著差异。例如，NDRE与LPC的相关系数在小麦中为0.755，在马铃薯中仅为0.178，而双作物合并后降至0.172。在所有指数中，SAVI表现出最高的相关性...

Advantages of the LPCNet model

基于植被光谱指数（如NDVI、SAVI）和统计回归方法（如PLSR、MSR）的传统LPC估算受限于线性假设和指数间的多重共线性问题（表6）。例如，PLSR模型的验证精度仅为R2=0.488（图5），表明线性方法难以捕捉LPC与光谱反射率之间复杂的非线性关系。相比之下，基于多层卷积块结构的LPCNet（图2）充分利用了...

Conclusion

本研究提出的LPCNet框架通过融合物理模型预训练和LCC辅助策略，成功解决了高光谱遥感估算作物LPC的精度挑战。这种“物理约束+数据驱动”的混合方法有效结合了植被辐射传输模型（RTM）与数据驱动学习的优势，展现了显著的科学价值与应用潜力...

（注：根据要求省略了文献引用标识[ ]及图示标识（如Fig. 1），并保留了专业术语英文缩写与上下标格式）