TAM-Net：融合表格扩散算法、注意力机制与多任务学习的无人机多源影像作物水分状态监测深度网络

针对作物水分状态监测中生理指标缺失、数据量不足等问题，研究人员开发了融合TabDDPM数据合成、注意力机制(hybrid attention)和多任务学习(multi-task learning)的TAM-Net模型，通过无人机多源数据(SPI/TEI/THI/STI)实现了EWT、Gs、Tr和ΦPSⅡ的高精度监测(R2 0.76-0.90)，构建的FCWI指数为精准灌溉提供了新工具。

　　

在全球气候变化加剧水资源短缺的背景下，西北地区作为中国21.9%玉米产量的贡献区域，正面临严峻的干旱挑战。传统作物水分监测方法存在两大痛点：一方面，与水分状态高度相关的生理指标（如气孔导度G_s、实际光化学效率Φ_PSⅡ）测量耗时费力；另一方面，现有研究多局限于表型参数如等效水厚度(EWT)，难以捕捉作物早期干旱响应。虽然无人机多源遥感数据（光谱指数SPI、纹理特征TEI、热红外指数THI、结构参数STI）展现出潜力，但"小数据"瓶颈和模型架构优化问题制约着监测精度提升。

针对这些挑战，西北农林科技大学旱区农业水土工程教育部重点实验室的研究团队在《European Journal of Agronomy》发表创新成果。他们构建了融合表格去噪扩散概率模型(TabDDPM)、注意力机制和多任务学习的TAM-Net深度网络，通过2023-2024年田间试验数据（含不同灌溉梯度I0-I2和施氮水平N0-N3），实现了玉米水分状态的突破性监测。研究采用TabDDPM合成高相似度训练数据，利用混合注意力机制筛选关键特征，通过多任务学习框架同步预测EWT、G_s、T_r和Φ_PSⅡ，最终构建考虑不确定性的模糊综合评价指数FCWI。

关键技术包括：(1)基于无人机多源传感器获取SPI/TEI/THI/STI四类特征；(2)采用TabDDPM算法进行数据增强；(3)设计含通道-空间双注意力机制的深度学习架构；(4)建立多任务损失函数联合优化四个水分指标；(5)通过模糊数学方法集成多指标构建FCWI。

【有效性验证】章节显示：

1. 多源数据协同将模型R²提升至0.52-0.63，其中热红外指标THI贡献最大，印证了叶片温度与气孔关闭的强关联性。
2. TabDDPM合成的数据使TAM-Net对四个指标的预测NRMSE降低至12.92%-22.95%，显著优于传统方法。
3. 注意力机制可视化表明THI和SPI在预测G_s时权重占比达67%，而STI对EWT预测贡献率达58%。
4. FCWI指数成功区分不同灌溉处理，在I0干旱处理区呈现显著低值（0.32±0.11），与田间观测高度一致。

这项研究的创新性体现在三方面：首先，首次将扩散模型应用于农业遥感数据合成，解决了小样本难题；其次，通过生理-表型多指标联合监测，突破了传统方法对早期干旱响应不敏感的局限；最后，FCWI指数为田间水分管理提供了直观量化工具。正如作者Zhikai Cheng在讨论中指出，该模型在2024年不同氮肥处理下的稳定表现（预测误差<15%），证实了其在精准灌溉实践中的推广价值。未来研究可进一步探索该框架在小麦、棉花等作物上的适用性，并尝试与卫星遥感数据融合实现区域尺度监测。