基于PC-2D-FIR-GEM-Net的低信噪比和稀疏孔径条件下的快速ISAR成像方法

《Remote Sensing》：A Fast ISAR Imaging Method Based on PC-2D-FIR-GEM-Net for Low SNR and Sparse Aperture Conditions

　　

在小型无人机（UAV）高光谱研究中，报告精度强烈依赖于验证设计方式，但泄漏控制和跨地点验证协议鲜有报道。研究人员利用新疆伊犁河谷察布查尔县三个玉米田的177个样方（抽穗期），量化了这种依赖性，从UAV高光谱影像（400–900 nm）及辅助LiDAR中反演冠层氮浓度（CNC；质量基，mg g^?1）。一个1829维特征空间被用作真实测试平台。在常规混合重复GroupKFold基准下，模型达到R² = 0.712，RMSE = 1.023 mg g^?1，RPD = 1.86。将特征排序重复到每个训练折内后，该值降至R² = 0.612–0.627，而留一田验证在每个被保留田上均产生负R²。预测向训练均值收缩，斜率压缩严重，与域迁移一致——田块间氮水平、品种、生长微阶段和灌溉制度均存在差异。特征优化（而非模型复杂度）驱动了重访内性能：选择前140个特征将R²从0.613提升至0.682，而集成混合和LiDAR（占TreeSHAP重要性的2.7%）贡献甚微。研究人员将此报告为一个关于小型高光谱数据集验证设计的可重复案例研究。

**研究背景与问题**
氮（N）是调控玉米生长、产量和品质的核心大量营养元素。缺氮限制生产力，而过量施肥则增加硝酸盐向地表水和地下水的流失及其他环境负担。因此，精准氮管理依赖于对作物氮状态进行及时、空间明确的评估。传统的破坏性采样劳动密集、速度慢且空间稀疏，这推动了遥感方法用于冠层氮浓度（CNC）估算。配备高光谱成像传感器的无人机（UAV）平台已成为高通量作物表型分析的有力工具，可提供高空间和光谱分辨率的田间尺度数据。可见–近红外范围（400–900 nm）的高光谱测量捕捉与叶绿素和冠层氮相关的吸收和反射特征。互补的UAV LiDAR提供三维冠层结构信息，包括高度、冠层密度和垂直剖面，有助于将结构变异与生化光谱响应分离。现有方法涵盖植被指数（如NDVI、NDRE、MCARI）和机器学习方法（如偏最小二乘回归、随机森林、支持向量回归等），以及深度学习架构。但对于野外遥感研究中常用规模的结构化表格数据集，梯度提升树仍然是强基线，尤其在样本有限时。然而，这些精度如何获得值得更仔细审视，这促使了本研究。首先，小型UAV数据集中的报告精度强烈受验证设计影响：若在交叉验证前从完整数据集导出波段组合或特征排序，则验证样本会影响所选预测变量；嵌套协议则需在每个训练折内重复所有数据依赖步骤。其次，空间可迁移性不等于随机或混合交叉验证下的性能；保留一个田或空间域提出了更困难的部署问题，即校准是否能迁移到未见条件。第三，特征工程、学习器选择、集成混合和辅助结构数据常被同时引入，使得难以分离各自的贡献。因此，本研究围绕验证设计而非新预测变量组织。具体目标包括：（1）量化当验证从常规混合交叉验证移动到泄漏控制嵌套协议再到留一田迁移时，报告CNC精度的变化幅度；（2）诊断跨田失败的机制，区分氮分布迁移与冠层光学特性迁移；（3）构建并优化一个1829维高光谱–LiDAR特征空间，包括原生光谱分辨率下的穷举波段搜索，作为这些比较的测试平台；（4）使用TreeSHAP和消融研究将保留信号归因于特征组和波长；（5）以原生分辨率绘制田内CNC图，并明确说明这些图可能和不可能的使用方式。该研究发表在《Remote Sensing》。

**主要技术方法**
研究人员采用以下关键技术方法：（1）UAV高光谱（GaiaSky-mini3-VN推扫成像光谱仪，224波段，400–1000 nm）和LiDAR（DJI Zenmuse L2，点密度150点 m^?2）同步采集，获取177个10 m × 10 m样方（来自三个玉米田，新疆察布查尔县抽穗期）的冠层反射率与结构数据；（2）Savitzky–Golay滤波平滑光谱，Grünwald–Letnikov定义计算分数阶导数（阶数0–2，步长0.1），保留最优阶0.2及0.5、0.8、1.5共四个阶数；（3）穷举二波段（24,976对）和三波段（7种指数类型）组合搜索，筛选最优光谱指数；（4）基于XGBoost的增益重要性排序，从1829维特征空间（包括原始光谱、分数/整数阶导数、植被指数、优化波段组合、LiDAR结构指标）中选出前140个特征；（5）预测模型采用经Optuna贝叶斯搜索优化的XGBoost，并可选集成（非负最小二乘混合LightGBM、梯度提升、极端随机树、随机森林）；（6）三种验证协议：混合重复GroupKFold（3次重复×5折）、泄漏控制嵌套GroupKFold（特征选择在训练折内重复）、留一田验证；（7）TreeSHAP解释性分析与消融研究（逐一移除特征组）。

**研究结果**

**3.1 描述性统计**
177个样方CNC平均17.53 mg g^?1，范围13.31–21.71 mg g^?1。三个田块间差异显著：Area_1均值最高（19.53 mg g^?1，CV 4.5%），Area_2最低（16.30 mg g^?1，CV 9.6%），Area_3居中（17.70 mg g^?1，CV 10.2%）。总体CV为10.9%，表明足够变异性用于模型训练。反射率与CNC的Pearson相关在可见光区（400–700 nm）呈强负相关，绿波段（~535 nm）达峰值r = ?0.55，红边（~700 nm）处急剧转变，近红外平台弱正相关（最大r = 0.12于795 nm）。该模式与可见光反射率与冠层叶绿素/氮含量间的反比关系一致。

**3.2 分数阶导数分析**
0.2阶分数阶导数在552 nm处与CNC的Spearman相关系数绝对值最高（|r| = 0.618，基于830个亚样方观测）。低阶（0.2）变换介于原始光谱与一阶导数之间，最能保留与氮状态相关的光谱信息。绿峰区域（540–560 nm）在所有阶数下均表现最强相关。

**3.3 波段组合优化**
穷举二波段搜索识别出MSR(400, 541 nm)为最优二波段指数（|r| = 0.598），其次为SR(400, 548 nm)（|r| = 0.595）。相关热力图显示所有四种二波段指数类型在结合短波可见波段（400–440 nm）与绿峰（530–560 nm）时最强。三波段分析中CIre(400, 548, 555 nm)最优（|r| = 0.595），其次为NDRE(400, 535, 541 nm)（|r| = 0.591）。

**3.4 模型性能**
FO-Ensemble模型（前140特征）在混合重复GroupKFold下达到总体R² = 0.712，RMSE = 1.023 mg g^?1，MAE = 0.805 mg g^?1，nRMSE = 5.84%，RPD = 1.86。NNLS混合赋予XGBoost权重80.7%，GBR权重19.3%，其余为零。预测散点图显示回归到均值模式，低CNC值被高估，高值被低估。按田块分层，Area_2精度最高（R²=0.706），Area_1最低（R²=0.452）。

**3.5 基线学习器比较（摘要）**
混合模型与单一调优XGBoost统计上不可区分（R² 0.7120 vs 0.7106），所有八种基线学习器在相同特征和划分下范围窄（R² 0.544–0.711）。学习器选择对报告精度的影响远小于验证协议选择。

**3.6 消融研究**
移除所有导数特征导致最大精度下降（R²从0.695降至0.622，Δ = –0.073），确认光谱导数最关键。仅用原始光谱（R²=0.582）或仅用Top-K指数（R²=0.546）精度较低。移除VIs+Top-K指数反而使R²略增（0.717 vs 0.695），表明这些工程化指数在基于增益的特征选择中引入了过拟合偏差。

**3.7 SHAP可解释性分析**
TreeSHAP显示分数阶导数贡献总SHAP重要性的51.1%，整数阶导数33.5%，Top-K波段优化指数11.5%，LiDAR结构特征2.7%。由于SHAP贡献基于非嵌套模型，Top-K指数的11.5%应视为上界（泄漏控制分析显示移除它们不降低精度）。光谱SHAP重要性曲线显示模型主要依赖绿峰（520–560 nm）、红边（700–750 nm）和蓝光（430–460 nm）区域。

**3.8 预测CNC的空间分布**
FO-Ensemble模型以原生分辨率逐像素应用于UAV高光谱影像，生成三个田块的CNC主题图。Area_1整体较高，Area_2内部异质性明显，Area_3呈条带模式。由于留一田验证显示跨田可迁移性弱，这些图应视为重访内特定地点可视化，而非可迁移模型证据，不应直接用于变量率决策。

**3.9 稳健性、泄漏控制验证与空间可迁移性**
泄漏控制嵌套GroupKFold下，全嵌套特征选择配置的集成模型R² = 0.612，RPD = 1.605。移除Top-K波段指数后R²略升至0.627，表明部分表观贡献来自特征选择偏差。排除<420 nm波长后嵌套R² = 0.613，表明模型不依赖噪声边缘波段。留一田验证中每个保留田均产生负R²，预测向训练均值收缩，斜率压缩（0.10–0.52），表明跨田域迁移失败是联合域迁移（氮水平、品种、生长微阶段、灌溉制度差异）的结果，而非仅标签迁移。边缘波段敏感性测试显示排除<420 nm后最优波段组合移至绿峰和红边区域，且相关系数提高（|r| 0.71–0.72），原始400 nm最优组合为边缘效应伪影。

**讨论部分总结**
讨论指出：验证设计主导报告精度（混合与泄漏控制间约0.09 R²差距），任何数据依赖步骤（如波段搜索、重要性选择）必须重复在训练折内；分数阶导数（最优阶0.2）是主要信息载体；多源特征融合中LiDAR贡献甚微（2.7% SHAP重要性），在本数据集下不驱动精度；学习器复杂度和集成混合贡献二阶，验证设计恒定下不应将其解读为模型优越性；光谱SHAP重要性区域与氮–叶绿素吸收物理一致，边缘波段伪影需谨慎处理；对精准氮管理，混合交叉验证精度（RMSE 1.023 mg g^?1，RPD 1.86）可用于田内变异描述，但留一田结果要求局部校准；回归到均值行为使极端氮区预测最不可靠；局限性包括：单年单生态区、三个田块品种/阶段混杂、样方聚合缩小响应范围、像素级图无不确定性层、未进行正式跨田再校准等。

**研究结论**
本研究利用UAV高光谱影像（辅助LiDAR）反演玉米冠层氮浓度，作为小型遥感数据集的测试平台，回答了报告精度在多大程度上属于数据属性，多大程度上属于验证设计属性。在固定数据集、1829维特征空间和学习器下，报告精度从常规混合重复GroupKFold基准的R² = 0.712，下降到特征排序在每个训练折内重复后的R² = 0.612–0.627，并在保留整个田块时变为负值。对跨田失败的诊断显示预测向训练均值收缩，斜率0.10–0.52，属联合域迁移（氮水平、品种、生长微阶段、灌溉制度共同差异）。在单次重访内，特征优化而非模型复杂度主导性能：从1829个特征中选出140个最信息量特征使交叉验证R²从0.613升至0.682；分数阶导数（最优阶0.2，绿峰552 nm）提供51.1%的SHAP重要性；归因波长与绿峰、红边和蓝光吸收区域一致。相比之下，集成混合无统计显著性，辅助LiDAR贡献2.7%的SHAP重要性。因此，研究人员将该工作流程呈现为单季、特定地点的诊断工具，更重要的是，作为可重复的演示：泄漏控制和地点级验证应伴随任何小型高光谱数据集的精度声称。像素级图在重访内可用于定向诊断和采样；将其用于变量率决策或在新区块重用校准，则需要局部再校准和显式不确定性层。