融合无人机RGB时序影像时空特征的深度学习框架改进枣树叶面积指数估算

《Frontiers in Plant Science》:Improved leaf area index estimation in Jujube trees by fusing spatial-temporal features from UAV RGB time-series with a deep learning framework

【字体: 大 中 小 】 时间:2026年05月18日 来源:Frontiers in Plant Science 4.8

编辑推荐:

  为利用无人机遥感技术实现枣树叶面积指数的高精度、高效率估算,并克服传统植被指数方法在作物生长后期易饱和、对背景噪声敏感及难以捕捉时间动态变化等局限性,本研究提出了一种采用CNN-GRU的并行混合深度学习框架。该模型通过卷积神经网络分支自适应地提取无人机RGB影

  
为利用无人机遥感技术实现枣树叶面积指数的高精度、高效率估算,并克服传统植被指数方法在作物生长后期易饱和、对背景噪声敏感及难以捕捉时间动态变化等局限性,本研究提出了一种采用CNN-GRU的并行混合深度学习框架。该模型通过卷积神经网络分支自适应地提取无人机RGB影像中的空间-光谱局部特征,同时利用门控循环单元分支学习关键物候期内叶面积指数的序列演化规律。最后,由一个元学习器融合时空信息进行决策。为验证模型的有效性和预测性能,本研究于2024年(新疆巴楚)和2025年(新疆阿拉尔)两个独立年份,在枣树的关键生育期内,系统性地采集了多时相地面实测叶面积指数数据及同步的无人机遥感影像。研究提取了一系列光谱和纹理指数作为模型输入。实验结果表明,所提出的CNN-GRU模型在训练集上表现出优异的学习和拟合能力,决定系数(R2)达到0.839。在测试集上,经数据增强策略优化后,模型的预测精度显著提升,预测精度达到最佳水平,R2为0.83,均方根误差(RMSE)为0.150。所有误差指标均优于Transformer、K近邻、多层感知器和CNN等主流对比模型。本研究表明,融合空间特征提取与时间序列建模的混合深度学习架构,是在复杂农业场景下实现作物叶面积指数精确、稳健遥感反演的有效途径,为智慧果园数字化管理和精准农业决策提供了可靠的技术工具。
研究背景与科学问题
叶面积指数是衡量单位地表面积上绿叶总面积的关键生物物理参数,直接关系到植被光合作用、蒸腾效率、碳氮循环及最终生产力。在精准农业体系中,快速、准确地获取作物LAI对于生长诊断、产量预测、水肥精准管理和灾害评估至关重要。虽然传统田间测量方法精度高,但耗时耗力、具有破坏性,且难以在田块或区域尺度实现连续监测。近年来,无人机遥感技术以其高时空分辨率、灵活的飞行规划能力和相对较低的操作与设备成本,成为农业地理空间制图和植被动态监测的变革性技术。长期以来,基于光学遥感的LAI估算主要依赖于经验性植被指数。然而,这些方法存在显著局限性:许多广泛使用的植被指数在作物生长后期冠层郁闭时易饱和,导致对LAI变化的敏感性急剧下降;单指数转换LAI的泛化能力差,其函数形式高度依赖于特定环境条件和可用数据,难以直接外推。此外,现有机器学习方法仍面临两个核心挑战:一是特征依赖性与表征局限,二是对时间动态变化的建模不足。作物LAI变化是一个连续的时间序列过程,如何开发一个能够同时从遥感数据中自适应挖掘空间-光谱特征和物候时间模式,并适用于有限样本场景的深度学习模型,以实现高精度、高稳健性的LAI估算,是当前面临的关键挑战。
研究目的与意义
为解决上述不足,本研究旨在开发一个用于枣树LAI高精度、高泛化性遥感估算的并行混合深度学习框架。通过提出CNN-GRU并行混合网络架构,实现对无人机遥感影像中空间光谱局部关联和时序动态变化的同时建模,并结合针对性的数据增强策略提升模型泛化能力。通过系统实验,全面验证所提模型在特征相关性、预测精度、模型鲁棒性、计算效率及空间制图性能方面相对于传统机器学习和主流深度学习模型的优越性。该研究旨在为枣树精准栽培管理和智慧果园发展提供可靠的技术支撑,相关成果发表在《Frontiers in Plant Science》期刊。
关键技术方法
研究人员在新疆巴楚县和阿拉尔市两个代表性枣树种植区开展了为期两年(2024-2025)的多时相、多区域试验。使用搭载48MP RGB相机的无人机获取高分辨率影像,并同步利用植物冠层分析仪(YP-G20)在标准化的采样点进行地面LAI测量。对无人机影像进行辐射定标、相对辐射归一化等预处理,并提取了包括RGB原始值、植被指数在内的26个光谱参数,以及基于灰度共生矩阵的8个纹理特征。通过相关性筛选和多重共线性检验优化特征集。研究设计了一个CNN-GRU并行混合深度学习框架,CNN分支负责挖掘特征间的局部关联模式,GRU分支专注于学习LAI动态变化的时间依赖性,二者提取的抽象特征在元学习器中自适应融合并输出预测值。为应对有限标记样本问题,引入了CutMix数据增强策略。研究采用严格的训练/测试集划分和10次重复实验来评估模型性能。
研究结果
  1. 1.
    叶面积指数与光谱、纹理特征的相关性及重要性
    研究人员系统评估了候选特征与LAI在三个关键生长阶段(生长期、成熟期、结果期)的线性关系。结果显示,光谱和纹理特征与LAI的相关性具有明显的阶段性。RGB三通道均值在完整生长季始终保持最强的正相关性(r最高达0.791)。尽管MRGB与LAI线性相关性高,但所提出的CNN-GRU深度学习模型能够同时挖掘多维特征与LAI之间的复杂非线性交互作用及其时间动态模式,其反演精度和鲁棒性显著高于基于MRGB和高相关性纹理特征构建的简单线性基线模型,证明了深度学习框架的必要性。
  2. 2.
    模型训练性能对比
    研究比较了Transformer、K近邻、多层感知器、CNN以及所提出的CNN-GRU模型在训练集和测试集上的性能。在训练集上,CNN-GRU模型表现出最优的学习和拟合能力。在测试集上,CNN-GRU模型在原始数据和经过数据增强后的数据上均展现出全面优势。经过数据增强优化后,CNN-GRU模型取得了最佳的预测精度,R2为0.83,RMSE为0.150,所有误差指标均显著优于其他主流对比模型。配对Bootstrap显著性检验表明,CNN-GRU模型性能的提升是统计显著的。
  3. 3.
    输入尺寸对模型性能的影响
    为探究输入影像尺寸对CNN-GRU模型预测性能和计算效率的影响,研究将影像调整为7种不同尺寸进行测试。结果表明,模型的预测精度与输入尺寸呈正相关,但计算开销也显著增加。模型在输入尺寸为128×128像素时达到了精度与计算效率的最佳平衡,因此被选为最终模型的输入尺寸。
讨论与结论
研究人员对模型性能进行了深入讨论。CNN-GRU混合架构通过结合CNN的空间特征提取能力和GRU的时间序列建模优势,在训练集拟合精度、稳定性和测试集泛化性能方面建立了综合优势。数据增强策略通过增加训练数据的多样性,有效帮助模型学习了更具普适性的特征模式,在面对新数据时表现出更强的鲁棒性和更高的预测精度。线性标签混合策略在物理上对于枣树冠层LAI反演是合理的,合成样本的LAI值由两个原始冠层的面积比例线性加权,这完全符合LAI的物理定义。消融实验结果表明,CutMix增强前后核心特征-LAI相关性和特征重要性排序保持高度稳定,同时模型的泛化性能显著提升,充分证明了CutMix策略的物理合理性和有效性。
研究结论翻译
本研究表明,融合空间特征提取与时间序列建模的混合深度学习架构,是在复杂农业场景下实现作物叶面积指数精确、稳健遥感反演的有效途径,为智慧果园数字化管理和精准农业决策提供了可靠的技术工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号