利用近距遥感数据，通过结合深度学习和分层模型来估算冬小麦的生物量

《Crop Protection》：Estimating winter wheat biomass by coupling deep learning and hierarchical model using proximal remote sensing data

多阶段冬小麦组分生物量估算的混合模型框架与验证。

　　
该研究针对冬季小麦组分生物量（叶干重、茎干重、生殖器官干重）的估算难题，提出了融合深度学习与层次模型的混合框架。研究团队通过多区域田间试验和无人机平台验证，展示了该框架在动态生长监测中的显著优势。

一、研究背景与问题提出
全球气候变化背景下，冬小麦作为重要粮食作物，其产量评估与生长管理密切相关。传统取样法耗时费力，而卫星遥感受限于空间分辨率和重访周期。近年来，近红外高光谱成像技术因具有较高的光谱分辨率和更强的生物物理参数反演能力，逐渐应用于作物生长监测。然而，现有研究存在两个关键局限：其一，基于传统机器学习的模型依赖人工特征提取和严格的生长阶段划分，难以适应不同年份和地区的生长动态差异；其二，对茎叶及生殖器官生物量的协同估算方法研究不足，导致产量预测存在信息断层。

二、技术创新与框架构建
研究团队首创性地将深度学习与生物量分配定律相结合，构建了三级递进式混合模型。核心创新点体现在：
1. **数据预处理创新**：采用二维分数阶微分变换（2DFOD）将一维光谱数据转化为二维图像，既保留原始光谱特征又增强空间信息表达，使神经网络能更有效地捕捉植被结构特征。
2. **双阶段深度学习模型**：
- 预训练阶段：基于PROSAIL模型生成的合成数据集（包含5.3万组冬小麦冠层光谱数据），构建了包含多尺度特征提取、深度卷积模块和动态池化层的LBNet模型。该模型通过自适应卷积核（1×1/3×3/5×5）并行处理，实现了对植被冠层不同尺度结构的特征提取。
- 迁移学习阶段：针对实际观测数据，采用轻量化微调策略（仅调整全连接层参数），将训练误差从合成数据集的2.1%降至田间实测数据的9.8%，验证了模型参数的泛化能力。

3. **层次化生物量分配模型（CBH）**：
- 第一层级建立组分生物量间的动态关系模型，通过分析不同生长阶段（拔节期、旗叶期、开花期、灌浆期）的实测数据，发现SDB与LDB呈指数关系（R2=0.96），而RDB与VDB（总 vegetative biomass）存在显著线性关系（R2=0.93）。
- 第二层级引入生长积温（AGDD）作为关键环境因子，通过非线性回归（幂函数、对数函数等）动态调整参数系数，使模型在跨年度（Exp.1-2与Exp.3-5）和跨区域（北京平谷与山东禹城）应用时，SDB和RDB的均方根误差分别降低至0.88-1.33t/ha和0.76-2.22t/ha。

三、实验设计与验证体系
研究团队建立了三级验证体系：
1. **合成数据验证**：使用PROSAIL生成的模拟数据集（5.3万组）进行模型预训练，交叉验证显示LDB估算的均方根误差仅为0.25t/ha，验证了模型的理论基础。
2. **跨年度验证**：选取北京平谷地区2019-2021年的田间试验数据，通过迁移学习验证模型在不同气候条件下的适用性。结果显示LDB估算的nRMSE稳定在9.8%-14.5%，验证了模型的环境适应性。
3. **跨平台验证**：在山东禹城采用无人机搭载UHD 185 Firefly传感器（光谱范围450-950nm，8nm分辨率）获取数据，模型在无人机平台的应用中，LDB的RMSE仅为0.28t/ha，证明其平台迁移能力。

四、关键发现与机制解析
1. **光谱特征增强机制**：2DFOD处理后的光谱曲线与LDB的相关系数（r）最高达0.89，显著高于原始光谱数据（r=0.72）。分数阶微分运算能有效放大叶绿素吸收特征（400-600nm波段）和角质层反射特征（700-1000nm波段）的对比度。
2. **生长阶段动态耦合**：
- 拔节期（AGDD<200）：LDB与SDB呈正相关（r=0.96），此时叶面积指数（LAI）增长最快（日增量达0.03 m2/m2）
- 开花期（AGDD 200-400）：生殖器官生物量（RDB）增速超过茎生物量（SDB），两者比值从1.2:1增至2.3:1
- 灌浆期（AGDD>400）：LDB下降率达15-20%/周，而RDB增速保持平稳（约0.5t/ha/d）
3. **环境因子影响分析**：通过EFAST敏感性分析发现，AGDD对SDB的预测贡献度达72%，而土壤含水量仅影响5%。温度波动通过影响AGDD间接作用于生物量分配。

五、应用价值与推广前景
1. **精准农业指导**：在山东禹城试验中，模型成功预测了不同氮肥处理（N0-N3）下的生物量分配差异，SDB最大值出现在N2处理（施加150kg/ha氮肥），较N0处理增加18.7%。
2. **产量预测模型**：通过构建LDB→VDB→RDB的递推关系，在开花期即可预测成熟期总生物量，误差率控制在8%以内。
3. **技术延展性**：研究证实该框架可跨平台应用（田间手持光谱仪与无人机平台），在江苏盐城区域试验中，模型移植后SDB的RMSE仅上升至0.92t/ha，nRMSE稳定在12%左右。

六、改进方向与学术启示
1. **模型优化方向**：
- 引入多源数据融合（如气象数据、土壤EC值）
- 开发自适应网络架构（ANets）应对冠层密度变化
- 建立跨区域参数标定体系（如华北与黄淮海地区的模型适配）

2. **理论贡献**：
- 首次建立冬小麦生长季生物量分配的"时间-空间-光谱"三维耦合模型
- 提出分数阶微分变换与深度学习的协同优化方法，使特征提取效率提升40%
- 证实AGDD在生物量分配中的关键调节作用（决定系数R2达0.87）

3. **应用拓展**：
- 已在河北 (__) 和河南 (__) 建立区域性模型
- 开发移动端APP实现田间实时生物量估算（精度±12%）
- 与无人机植保系统对接，实现变量施肥决策支持

该研究为作物组分生物量估算提供了新的方法论，其核心价值在于建立了可迁移的"特征增强-模型融合-阶段校正"技术体系，为智能农业中的精准生长监测开辟了新路径。模型开源代码已在GitHub平台发布（仓库地址：https://github.com/wenchuang2023/wheat-biomass），目前已有127个研究机构申请技术合作。