基于深度学习与高光谱遥感的作物叶面积指数(LAI)及叶绿素含量(LCC/CCC)协同反演模型研究

本研究针对传统破坏性采样法难以实现冠层叶绿素含量(CCC)大规模监测的难题，来自国内的研究团队创新性地构建了卷积神经网络模型CanopyChlNet，通过高光谱数据协同反演叶面积指数(LAI)和叶片叶绿素含量(LCC)，最终实现CCC的高精度估算。该模型在冬小麦和马铃薯实验中R2达0.709-0.775，显著优于随机森林(RF)和偏最小二乘回归(PLSR)，为作物长势精准监测提供了新范式。

　　

冠层叶绿素含量(Canopy Chlorophyll Content, CCC)作为评估作物光合效能、氮素状况及病害发生的黄金指标，其精准量化对智慧农业具有革命性意义。传统依赖"割叶称重"的破坏性检测方法显然难以满足现代农业的大规模监测需求。这项研究另辟蹊径，将高光谱遥感技术(hyperspectral remote sensing)与深度学习深度融合，开创性地开发出CanopyChlNet模型——这个基于一维卷积神经网络(1D-CNN)的智能系统，能够从作物冠层反射光谱中挖掘出隐藏的深度特征，实现叶面积指数(Leaf Area Index, LAI)和叶片叶绿素含量(Leaf Chlorophyll Content, LCC)的协同反演，最终通过数学关系式CCC=LAI×LCC完成终极使命。

在冬小麦和马铃薯的实战验证中，这个"光谱解码器"展现出惊人实力：LAI预测R²达0.709（误差仅0.803 m²·m^-2），LCC反演精度更飙升至0.775（误差5.288 μg·cm^-2），最终CCC估算性能(R²=0.718)把传统方法远远甩在身后。相比之下，随机森林(Random Forest, RF)和偏最小二乘回归(Partial Least Squares Regression, PLSR)就像拿着放大镜找蚂蚁，而CanopyChlNet则配备了电子显微镜。这项突破不仅为作物生长监测装上了"智慧之眼"，更开创了农情遥感监测的新纪元。