基于CNN-LSTM-Attention模型与无人机多光谱影像的水稻全生育期叶面积指数高精度估测

本研究创新性提出CNN-LSTM-Attention（CLA）混合深度学习模型，通过融合卷积神经网络（CNN）、长短期记忆网络（LSTM）和自注意力机制，利用无人机多光谱数据实现水稻叶面积指数（LAI）全生育期动态监测。模型显著克服传统植被指数（VIs）的土壤背景干扰和饱和问题，验证精度达R2=0.92，相对均方根误差（RRMSE）<9%，为精准农业管理提供新技术范式。

　　

1 引言

水稻作为全球三大主粮之一，其叶面积指数（Leaf Area Index, LAI）是评估光合能力和产量的关键参数。传统LAI测量方法存在效率低下、难以规模化等问题，而卫星遥感又受限于时空分辨率。本研究采用搭载RedEdge-P相机的无人机（UAV）获取厘米级多光谱数据（475-842nm），通过几何校正和辐射定标处理，构建覆盖水稻分蘖期至成熟期9个时间点的270组样本数据集。

2 材料与方法

实验设计：在河南信阳设置30个水稻品种试验田，同步采集LAI-2200C实测数据与UAV影像。

技术路线：提出CLA模型架构——CNN层提取空间特征（卷积核尺寸3×3），LSTM层（隐藏单元64个）捕捉时序依赖，注意力机制动态加权关键生长期。对比植被指数（NDVI、EVI2等15种）、机器学习（SVR、RFR等）和深度学习模型（DNN、CNN等）性能，采用R²、RRMSE等指标评估。

创新设计：

• •

  针对低LAI（1-3）土壤干扰问题，引入NDRE（重要性得分>0.2）等红边指数

• •

  采用Dropout层（0.3）和L2正则化（λ=0.01）防止过拟合

• •

  注意力权重计算通过tanh激活函数动态优化

3 结果与讨论

时序特征分析：LAI呈"上升-下降"趋势，近红外波段（842nm）反射率在生育后期变异系数达18.7%。

模型对比：

• •

  线性回归（EVI2最佳）：R2=0.58，RRMSE=20.24%

• •

  随机森林（RFR）：R2=0.81，RRMSE<14%

• •

  CLA模型：R2=0.92，RRMSE=8.96%，低LAI区间误差降低至20%

机制解析：

1. 1.

   CNN有效提取冠层空间异质性特征

2. 2.

   LSTM捕获温度、降水等环境因子累积效应

3. 3.

   注意力层显著提升分蘖期和抽穗期的权重分配

4 结论

CLA模型突破传统方法局限：

1. 1.

   全生育期估测误差<9%，较机器学习提升23%

2. 2.

   在LAI>6的高密度冠层条件下仍保持7.35%的RRMSE

3. 3.

   仅需6个核心VIs输入，计算效率较全变量输入提升40%

未来建议拓展多传感器（LiDAR/高光谱）融合研究，并验证跨年际泛化能力。该成果为作物表型组学研究提供可迁移的技术框架。