生长阶段深度学习用于无人机高光谱估算冬小麦叶片氮含量

《Plant Phenomics》：Growth-stage Deep Learning for UAV Hyperspectral Estimation of Leaf Nitrogen Content in Winter Wheat

　　

叶片氮含量(LNC)对作物营养和精准施肥至关重要。基于无人机(UAV)的高光谱传感能够实现冬小麦田间尺度的快速氮素诊断，但LNC-光谱关系中的阶段依赖性漂移限制了多时相监测。为解决这一限制，研究人员提出了一种冬小麦叶片氮含量估算的生长阶段深度学习模型(GD-LNC)。GD-LNC的核心创新在于将显式生长阶段嵌入与动态特征融合门控机制协同整合。生长阶段被作为基于深度学习的高光谱模型中LNC估算的关键参数纳入。这一策略提高了灌浆期多时相LNC估算的泛化能力。本研究利用了两个生长季的多因素冬小麦试验数据集，数据集包括基于无人机的高光谱图像和同步地面样本。通过逐步投影算法(SPA)和混合蛙跳算法(SFLA)筛选出LNC敏感波段。随后，构建了一个多时相动态特征提取和生长阶段嵌入分支，并采用自适应融合机制动态调整各特征的贡献权重。这些组件共同实现了LNC的稳健估算和制图。结果表明，高光谱特征对LNC响应强烈，SFLA选择的波段保留了关键光谱信息，提高了估算精度和稳定性。GD-LNC优于偏最小二乘回归(PLSR)、长短期记忆网络(LSTM)和随机森林(RF)，其中SFLA-GD-LNC在训练集上决定系数R2为0.88，均方根误差RMSE为0.20%；验证集上R2为0.85，RMSE为0.22%；测试集上R2为0.88，RMSE为0.21%。该模型捕捉了LNC的时空动态，为氮素监测和跨阶段适应提供了一个可推广的无人机高光谱框架。

氮素是作物生长发育的关键营养元素，直接影响光合作用、物质合成和代谢调控，对小麦产量和品质形成至关重要。叶片氮含量(LNC)是作物氮素状况的核心指标，快速、准确地获取田间尺度LNC对精准施肥管理具有重要意义。无人机(UAV)高光谱遥感具有高机动性和高时空分辨率，为作物氮素非破坏性监测提供了新途径，但LNC与光谱响应之间的关系存在阶段依赖性漂移，导致基于单一观测时相的模型难以推广到灌浆期内其他关键阶段，多时相连续监测精度受限。灌浆期是小麦氮素再分配和产量品质形成的关键时期，目前针对该阶段的遥感估算研究相对不足，亟需开发具有阶段自适应能力的LNC估算模型。为此，研究人员在《Plant Phenomics》发表论文，提出了冬小麦叶片氮含量估算的生长阶段深度学习模型(GD-LNC)，该模型通过显式生长阶段嵌入与动态特征融合门控机制的协同整合，实现了跨阶段稳定的LNC估算。

研究人员开展了两个生长季(2022–2024年)的多因素冬小麦田间试验，地点位于河北农业大学辛集试验站(37°59′24″N, 115°12′5″E)。试验涉及5个品种(高优2018、马兰1号、衡观35、石栾02-1、济麦22)、4个灌溉水平(正常灌溉W100、轻度水分胁迫W75、中度水分胁迫W50、无灌溉W0)和5个氮肥水平(0、180、240、300、360 kg·ha?1)，共1044个样本。主要技术方法包括：(1) 采用Savitzky-Golay滤波器对UAV高光谱图像进行预处理，通过逐步投影算法(SPA)和混合蛙跳算法(SFLA)筛选LNC敏感波段；(2) 构建GD-LNC模型，其核心由源特征提取模块(基于1D CNN和Transformer自注意力机制)、动态深度特征融合模块(全局特征交互层和自适应权重分配层)和回归预测模块组成，其中生长阶段按Zadoks标尺编码为可学习嵌入向量；(3) 以偏最小二乘回归(PLSR)、随机森林(RF)和长短期记忆网络(LSTM)为对比模型，采用70%训练、15%验证、15%测试的分层抽样策略进行验证。

研究结果分以下部分呈现：

**3.1 LNC动态变化分析**：通过分析2023和2024年不同生长阶段Zadoks标尺(Z71至Z91)的LNC分布，发现灌浆期内LNC呈持续下降趋势，早期(Z71–Z73)分布集中稳定，进入Z75后显著降低，且不同年份间LNC绝对水平和离散程度存在差异，表明阶段依赖性变化显著影响LNC-光谱关系。

**3.2 LNC敏感光谱波段选择**：采用SPA和SFLA筛选敏感波段，SPA选出10个波段(402–982 nm)，覆盖可见光紫蓝、绿、红边和近红外区，分布离散；SFLA选出15个波段(494–1002 nm)，集中于蓝绿、红光和红边-近红外区，形成更集中的波段簇，且与LNC相关性均极显著(p<0.01)。SFLA筛选的波段组合具有更低的信息冗余，为后续建模提供了更优的判别特征。

**3.3 GD-LNC模型的基线与消融分析**：通过设置多组对比实验验证生长阶段信息和动态融合门控的贡献。(1) 无生长阶段信息的混合基线模型(LSTM、PLSR、RF)测试集R2为0.54–0.71，RMSE为0.30%–0.40%，明显低于引入生长阶段信息的模型，说明仅靠光谱特征无法准确估算全生育期LNC。(2) 各阶段独立建模的基线模型，单个阶段R2仅0.10–0.50，整体聚合后R2为0.87，但阶段内稳定性差，表明阶段划分可部分减少物候异质性，但削弱了跨阶段信息共享，鲁棒性不足。(3) 去除生长阶段嵌入的GD-LNC消融版本，测试集R2降至0.70，RMSE升至0.32%，证实生长阶段嵌入提供了关键的物候上下文，其贡献并非来自模型复杂度增加。(4) 去除动态融合门控(替换为直接拼接)的消融版本，测试集R2为0.84，RMSE为0.24%，表明自适应特征融合优于简单拼接，动态门控能根据生长阶段调整特征贡献权重。(5) 留一观测日期验证(leave-one-date-out)的聚合R2为0.27，RMSE为0.50，说明模型在更严格的时间验证策略下仍具备一定预测能力，但需进一步优化。

**3.4 基于不同敏感特征集和建模算法的模型精度比较**：分别以SPA和SFLA筛选的波段为输入，比较PLSR、LSTM、RF和GD-LNC四种模型。在所有模型中，GD-LNC在两个特征集上均表现最优，SFLA+GD-LNC组合在测试集上达到R2=0.88、RMSE=0.21%，优于RF(R2=0.79, RMSE=0.27%)、LSTM(R2=0.83, RMSE=0.24%)和PLSR(R2=0.79, RMSE=0.27%)。SFLA特征集相比SPA特征集，使所有模型精度提升，表明SFLA选择的波段组合在多时相、跨年份灌浆条件下具有更强的判别能力和鲁棒性。

**3.5 利用GD-LNC制图冬小麦叶片氮含量**：基于SFLA+GD-LNC最优组合，应用于UAV高光谱影像，生成Z71、Z73、Z75、Z83、Z91等关键生长阶段的LNC空间分布图。制图结果清晰捕捉了不同时期LNC的时空动态变化，准确恢复了各处理小区间的空间差异，大多数小区误差较小且变化趋势一致。

讨论部分总结：SPA和SFLA筛选的波段在光谱功能上均具有“氮素营养导向”，但SFLA通过以反演误差最小化为目标的全局搜索，形成了更集中的波段簇，更有利于捕捉灌浆期内色素变化和冠层结构变异对LNC的联合约束。GD-LNC的优势在于同时解决高光谱波段间的长程依赖和LNC-光谱关系的阶段漂移：通过Transformer自注意力机制建模全局波段相关性，通过生长阶段嵌入和动态融合门控机制实现物候上下文感知与自适应特征重校准，两者互补而非冗余，提升了跨阶段稳定性。模型在应用层面为灌浆期氮素诊断和管理决策提供了数据支持，但部分小区在Z71时期存在系统性低估(预测值比实测值低0.08%–0.57%)，可能与局部冠层覆盖率低、光照条件变化和微环境异质性有关，未来可通过多源数据融合和辐射一致性控制加以改进。此外，模型对训练范围外的生长阶段仍需进一步验证。

结论部分翻译：本研究在两个生长季开展了冬小麦田间试验，建立了“敏感波段筛选-生长阶段融合-图像级LNC反演与制图”的一体化估算流程，实现了基于无人机高光谱影像的叶片氮含量生长阶段监测与制图。GD-LNC的核心创新在于显式生长阶段嵌入与动态特征融合门控机制的协同整合，使模型能够同时考虑物候背景并自适应调整光谱特征贡献。结果表明，SPA和SFLA均有效筛选出与LNC显著相关的光谱波段，但SFLA选择的波段组合更集中于蓝绿和红光波段范围，并保留了关键的红边至近红外信息，使基于SFLA特征集的模型总体精度更高、稳定性更强。在LNC估算中，GD-LNC在两个特征集上均优于RF、LSTM和PLSR，其中SFLA+GD-LNC组合表现最佳：训练集R2=0.88、RMSE=0.20%，验证集R2=0.85、RMSE=0.22%，测试集R2=0.88、RMSE=0.21%。基于最优方法生成的灌浆期关键时期LNC空间分布图清晰捕捉了不同日期的LNC动态变化。总之，本研究提出的GD-LNC为冬小麦无人机高光谱氮素估算提供了可行方法，灌浆期的密集物候监测可减少不同日期、年份和区域间可能出现的阶段错配效应，但GD-LNC对观测灌浆范围之外的生长阶段的适用性仍需进一步验证。