一种融合病害感知双任务深度学习框架结合无人机多光谱与地面高光谱数据实现稳健叶面积指数(LAI)估算的方法

《Artificial Intelligence in Agriculture》：A disease-aware dual-task deep learning framework for robust LAI estimation using UAV multispectral and ground hyperspectral data

　　

研究人员提出一种病害感知双任务深度学习方法来估算受生物胁迫玉米冠层的叶面积指数(Leaf Area Index, LAI)。玉米弯孢菌叶斑病(Curvularia leaf spot)和瓜弯孢菌(Curvularia lunata)显著改变冠层光合作用与结构性状，进而影响LAI等生物物理参数。高光谱与多光谱遥感虽可有效监测病害症状并估算LAI，但病害胁迫与冠层异质性引入的光谱变异限制了模型跨生育期的稳健性。研究人员在四个生育期采集接种上述两种病害的玉米田块地面高光谱与无人机(Unmanned Aerial Vehicle, UAV)搭载MicaSense RedEdge-MX五波段多光谱数据，构建双任务约束深度神经网络(Dual-task constrained Deep Neural Network, D-DNN)与基于学习无遗忘(Learning without Forgetting, LwF)策略的深度学习模型，将病害严重度信息融入LAI估算过程，并与梯度提升决策树(Gradient Boosting Decision Tree, GBDT)、轻量梯度提升机(Light Gradient Boosting Machine, LightGBM)等传统机器学习模型比较。结果表明：(1) D-DNN模型在早中期(VT和R1)获得较高病害识别精度，R2期因冠层郁闭与光谱饱和分类性能下降，R3晚期部分恢复；(2) LAI估算中D-DNN在轻度病害(R2=0.85, rRMSE=14.11%)与重度病害(R2=0.55, rRMSE=11.86%)下均表现稳定高适应性；(3)考虑病害严重度后各生育期LAI估算相对均方根误差(rRMSE)平均降低4.06%；(4)所提双任务深度学习框架有效整合病害信息增强病害胁迫下LAI估算鲁棒性，为高通量可靠作物监测、抗病育种及精准农业管理提供方法支撑。

论文解读：《A disease-aware dual-task deep learning framework for robust LAI estimation using UAV multispectral and ground hyperspectral data》

一、研究背景与意义

叶面积指数(Leaf Area Index, LAI)是表征作物冠层结构、活力及生物量积累的关键参数，亦广泛用于产量预测与基因型评价。玉米(Zea mays)生长过程中易受弯孢菌叶斑病(Curvularia leaf spot)和瓜弯孢菌(Curvularia lunata)等生物胁迫(Biotic Stress)，导致叶绿素降解、叶片结构受损及LAI下降。传统统计经验模型（基于植被指数 Vegetation Index, VI）与物理辐射传输模型（如PROSAIL）在健康冠层LAI估算中已有应用，但前者跨时空迁移性差，后者计算复杂且对输入要求高。现有研究多忽略病害严重度(Disease Index, DI, 1–9级)引起的冠层光谱异质性，传统回归与浅层学习模型难以处理病害引起的复杂光谱变异，且常规深度学习将LAI估算视为单输出回归而忽视病害这一生理先验。此外，跨生育期建模存在灾难性遗忘(Catastrophic Forgetting)问题。因此，研究人员开展此项研究，旨在构建融合病害严重度信息的双任务深度学习框架，提升病害胁迫下玉米LAI估算的准确性与跨生育期稳健性，论文发表于《Artificial Intelligence in Agriculture》。

二、主要技术方法概述

研究于2021年在中国农科院新乡综合试验基地开展，设Curvularia leaf spot接种区、Curvularia lunata接种区及健康对照，123个小区，四个生育期——拔节后(VT, Tasseling)、吐丝(R1, Silking)、籽粒形成(R2, Blister)、乳熟(R3, Milk)。地面观测：ASD FieldSpec PRO 4高光谱仪测叶片尺度反射率，SunScan冠层分析系统测LAI（多方向重复取均值），按标准计算DI分为5级再合并为Mild(DI 1–3)、Moderate(DI 4–5)、Severe(DI 6–7)、No resistance(DI 8–9)。无人机：DJI Matrice M600 Pro挂载MicaSense RedEdge-MX(蓝475 nm、绿560 nm、红668 nm、红边Red-edge 717 nm、近红外Near-Infrared, NIR 840 nm)，航高50 m，辐亮度校正转反射率，Agisoft PhotoScan拼接。特征工程：对高维高光谱采用基于随机森林的递归特征消除(Recursive Feature Elimination, RFE)筛选病害敏感波段/导数/高光谱VI；UAV多光谱构建NDVI、MSAVI2、NDRE等冠层VI用于LAI估算。建模对比：K近邻(K-Nearest Neighbors, KNN)、支持向量机(Support Vector Machine, SVM)做病害分类；GBDT、LightGBM做LAI回归基准；提出双任务约束深度神经网络(D-DNN)先以高光谱特征分类DI(Softmax交叉熵损失)，再将DI预测值作为辅助特征与UAV多光谱VI融合输入LAI回归分支(均方误差 Mean Squared Error, MSE损失)；采用学习无遗忘(LwF)增量学习策略防止跨阶段遗忘。各模型按生育期独立训练验证(2:1划分或十折交叉验证)，评价指标为决定系数(R²)、均方根误差(Root Mean Square Error, RMSE)与相对均方根误差(relative RMSE, rRMSE)。

三、研究结果

3.1 光谱影像特征分析：高光谱原始波段B_(692–703)、一阶导数f′_{(1964–2045)}、二阶导数f″_(701–736)与LAI的Pearson相关系数(|R|=0.43–0.80)高于传统NDVI/DVI/EVI；红边(680–750 nm)及短波红外(~1400 nm, ~1900 nm)与LAI相关性最强。经Pearson预筛(|r|>0.6)及RFE，各生育期分别选出前10个LAI敏感UAV-VI（如MSAVI2、NDRE、GNDVI）和前10个病害敏感高光谱特征（原始波段、一阶/二阶导数、窄带NDVI）。

3.2 病害对LAI估算的影响：与健康对照组(D-DNN: R²=0.74, rRMSE=18.34%)相比，Curvularia leaf spot感染样本(D-DNN: R²=0.68, rRMSE=21.54%)和Curvularia lunata感染样本(D-DNN: R²=0.61, rRMSE=23.86%)估算精度显著下降，证实病害引入光谱噪声降低LAI模型精度。

3.3 玉米病害分级分类模型估算结果：LwF在VT期表现最优(准确率Accuracy=0.988, Macro-F1=0.897)，KNN在R1、R3期略优(Accuracy≤0.89, Macro-F1≤0.874)，D-DNN与LwF在各期保持竞争性能；R2期因冠层闭合与光谱饱和所有模型Macro-F1降至0.621–0.651，误分主要集中在相邻Mild与Moderate级间。混淆矩阵显示Severe与No resistance级因光谱差异大识别率更高。

3.4 病害胁迫下LAI估算：D-DNN与LwF在引入病害感知(Disease-aware)后全面优于无视病害(Disease-agnostic)版本。D-DNN Disease-aware各期rRMSE分别为VT 18.07%、R1 12.47%、R2 14.88%、R3 14.65%，较Disease-agnostic平均rRMSE降低约4.06%。按病害严重度分层：Mild下D-DNN最优(R²=0.85, rRMSE=14.11%)；Severe下D-DNN仍保持较好稳定性(R²=0.55, rRMSE=11.86%)；LightGBM在R2全期达最高R²=0.92。D-DNN在跨严重度及跨生育期中表现出最低性能波动。

四、讨论与结论总结

讨论部分指出：红边与短波红外波段对病害后期叶绿素降解与水分解更敏感；SHAP(SHapley Additive exPlanations)分析显示土壤调节VI(MSAVI)早期重要，红边VI(Red-edge VI)后期重要；D-DNN串行先学DI再约束LAI比LwF同时优化双任务更易收敛且抗过拟合，因病害严重度是LAI变化的因果先验而非对称并行任务；叶片尺度高光谱可捕捉被上层冠层遮挡的下部病斑信号，弥补UAV多光谱俯视几何局限；模型局限含地域单一、病害类别有限、极重病样本少及未融卫星数据，未来需多生态区多病原验证及引入热红外/LiDAR等多源数据。

结论部分翻译总结如下：

(1) D-DNN与LwF在各生育期具竞争病害识别力——VT、R1较高，R2因冠层闭合下降，R3随症状明显部分恢复；Macro-F1揭示VT期轻度病害主导影响整体精度。

(2) D-DNN在轻、重度病害下均获稳定LAI估算性能(R²_轻度=0.85, rRMSE=14.11%; R²_重度=0.55, rRMSE=11.86%)。

(3) 双任务约束D-DNN通过先分类DI再约束LAI估算捕获生理胁迫与冠层结构潜在关联，LAI估算rRMSE较传统模型平均降低4.06%。

(4) 显式融合病害严重度为辅助约束的双任务框架增强了生物胁迫下LAI估算适应性与鲁棒性，不仅提高精度，也为多源数据融合与多性状预测提供可扩展途径，对精准农业、抗病育种及产量预报具实用价值。