结合PROSAIL-PRO模型与无人机高光谱影像，利用深度迁移学习估算作物冠层氮含量

《Computers and Electronics in Agriculture》：Estimation of crop canopy nitrogen content using deep transfer learning with PROSAIL-PRO model and UAV hyperspectral imagery

　　

- 深度迁移学习缓解了遥感中的小样本局限性问题
- PROSAIL模拟数据被验证为有效的源域数据
- 分析了源域预训练对训练动态和结果的影响
- 利用无人机高光谱遥感实现了小麦和玉米CNC（冠层氮含量）反演

**引言**

氮（N）是作物生长和产量形成中的关键因素（Ata-Ul-Karim等，2020），在作物发育的全过程中发挥核心的调控作用。冠层氮含量（CNC）的动态监测对于理解氮的吸收、转运和利用效率具有重要意义（Verrelst等，2021）。准确表征CNC的时空动态为实时了解作物氮素状况提供了重要信息（Yan等，2026），更重要的是，为优化氮肥管理策略和减轻过量施用氮肥带来的环境风险提供了科学依据和实践途径。

与叶片尺度指标不同，CNC在群体水平上整合了冠层结构和种植密度，使其更能代表作物的空间分布和生理功能（Wang等，2025）。因此，它能在群体尺度上更准确地反映氮的积累和功能状态。然而，这些特性对测量方法提出了较高要求。虽然实验室化学分析具有高精度，但其方法具有破坏性且耗时。相比之下，传统的单点仪器只能提供离散测量，无法捕捉冠层的空间异质性。高光谱成像通过多维、非破坏性的测量克服了这一局限（Fu等，2021）。尽管卫星和地面平台各有独特优势，但基于无人机（UAV）的高光谱遥感系统凭借其技术成熟度、操作灵活性、时效性和高空间分辨率，尤其适合田间尺度的CNC监测。

对于利用无人机高光谱遥感进行非破坏性CNC监测，构建一个稳健的光谱数据与CNC之间的定量反演模型至关重要，因为模型性能直接决定预测精度。通常，该领域的建模方法可分为物理模型和数据驱动模型（Zhang等，2023）。物理模型基于电磁辐射与作物及土壤的相互作用，通过分析冠层在不同光谱波段的吸收、反射和透射及其与氮含量的关系来建立预测模型（Zhang等，2025）。然而，该方法涉及复杂的计算，需要深入理解生物物理和化学特性，从而提高了研究和实际应用的技术门槛。相比之下，数据驱动模型因其能够直接识别目标特征与光谱数据之间的潜在关系而更受青睐，因此相对易于实施且适用范围广泛（Berger等，2020）。据此，已有大量研究采用各种数据驱动方法——包括偏最小二乘回归（PLSR）（Baath等，2021）、支持向量回归（SVR）、随机森林回归（RFR）和反向传播神经网络（BPNN）（Guo等，2023）——来实现从无人机高光谱遥感数据中准确预测作物CNC。

作为高级数据驱动模型的一类，深度学习凭借其局部感受野、强大的特征提取能力和架构可扩展性，在利用高光谱遥感数据预测作物氮含量方面展现了巨大潜力（Fernández-Manteca等，2024）。研究表明，深度学习模型能够实现比传统数据驱动模型更高的预测精度和更强的特征融合能力。其端到端预测能力使其可以部署在无人机边缘计算设备上，实现实时定量反演（Guo等，2025）。然而，深度学习模型通常具有大量参数和高计算复杂度，而原位测量数据集往往因采样成本限制而规模有限。这种模型容量与数据量之间的不对称性极易引起过拟合，导致模型泛化能力和精度的下降，从而限制了深度学习优势充分发挥（Xiao等，2021）。

传统的二维图像数据增强技术通常不适用于缓解一维高光谱向量的过拟合问题。旋转、裁剪和镜像等几何变换（Ronneberger等，2015）是二维图像的标准操作，但当应用于光谱数据时，由于一维光谱向量缺乏空间几何属性，这些变换会破坏光谱完整性和物理含义。此外，通过人工噪声注入进行数据增强可能无法增强模型的鲁棒性，反而会降低信噪比，阻碍模型收敛。另一方面，虽然生成对抗网络（GANs）等生成方法可以增加样本量（Zhang等，2022），但它们缺乏物理可解释性，会引起光谱特征模糊，且计算成本较高。因此，如何在成本效益可接受的前提下弥合深度学习模型复杂度与原位数据集有限规模之间的差距，仍然是无人机高光谱遥感领域面临的关键挑战。

近年来，迁移学习已证明在少样本场景中非常有效，并在计算机视觉和自然语言处理领域得到广泛应用（Ma等，2024）。迁移学习的核心机制依赖于跨域知识迁移和复用，使模型无需从头开始训练，从而降低数据量和计算需求。这一迁移学习范式利用两个不同的数据集：源域包含大量与任务相关的标注数据，目标域则由应用特定小样本数据集组成。深度学习模型首先在源域上进行预训练，大规模数据使浅层能够提取通用特征。随后，通常冻结浅层参数，并使用目标域数据对深层参数进行微调。该过程使模型能够针对特定目标预测任务进行优化。通过保留源域的通用特征提取能力，并通过目标域专业化增强适应性，这一深度迁移学习策略降低了相关领域任务建模时的计算需求（Long等，2015）。至关重要的是，源域与目标域数据之间的域对齐程度强烈影响深度迁移模型的最终性能。

作为典型的植被冠层辐射传输模型（RTM），PROSAIL已被广泛应用于作物冠层参数估计和遥感反演研究（Jacquemoud等，2009）。其模拟数据可以支持基于物理的参数反演，为统计回归和机器学习模型的建立提供合成光谱样本，并建立作物生长状况、观测几何与冠层反射率响应之间的定量关系（Danner等，2021；Verrelst等，2012；Verrelst等，2019）。这些应用表明，RTM模拟不仅能生成大规模、多场景的冠层反射率数据，还能将植被冠层辐射传输过程相关的基于物理的先验信息引入光谱建模。然而，在许多现有的RTM辅助建模框架中，模拟光谱和实测光谱主要通过样本增强或联合建模的方式整合，而模拟数据中所嵌入的辐射传输机制和光谱响应特性尚未被充分利用于模型的特征表示学习（Verrelst等，2016）。

为解决这一问题，本研究将基于PROSAIL的RTM模拟整合到深度迁移学习框架中，并将其作为源域数据进行模型预训练，探索在特征表示层面而非仅在样本层面利用RTM生成数据。不同于直接将模拟光谱作为额外样本纳入实测数据集，该策略首先利用大规模、低成本的模拟光谱进行源域预训练，使深度学习模型学习到与冠层反射率形成相关的通用光谱表示，从而有助于缓解深度学习模型的大量参数与田间实测样本有限之间的不匹配。随后，采用逐层解冻迁移学习策略。在保留源域预训练获得的基本光谱表示能力的同时，利用田间实测的无人机高光谱数据自适应地微调模型参数，使模型进一步学习田间冠层结构、背景干扰、光照变化和传感器观测条件共同影响的特定领域光谱特征。通过这种方式，RTM模拟提供的物理先验光谱信息和田间观测包含的经验信息被纳入模型的不同表示层次，从而实现源域和目标域信息的分层利用。该框架有助于发挥物理模拟数据和实测遥感数据的互补优势，为提高作物冠层参数预测精度提供了可行的方法，在田间实测样本有限时降低过拟合风险，并增强田间应用的预测稳定性。

在模型构建方面，本研究使用PROSAIL-PRO生成源域模拟数据。作为PROSAIL的扩展版本，PROSAIL-PRO将单位面积叶片质量分解为蛋白质和碳基组分，使模拟光谱能够更好地表征与作物氮素状况相关的冠层反射率响应。因此，本研究使用PROSAIL-PRO模拟数据作为源域，利用原位无人机高光谱数据作为目标域，构建用于作物冠层氮含量（CNC）预测的深度迁移学习模型。该模型旨在解决田间实测样本数量有限与深度学习模型高复杂度之间的不匹配问题，并在样本有限条件下提高CNC预测的精度和稳定性。

本研究的主要创新如下：（1）提出了一种深度迁移学习框架，以PROSAIL-PRO模拟数据作为源域用于无人机高光谱CNC预测，为超越简单样本增强的RTM生成数据利用方式提供了新思路。（2）所提出的迁移学习策略有助于缓解田间实测样本有限与深度学习模型高复杂度之间的不匹配，从而在样本有限条件下提高预测精度和模型稳定性。（3）系统比较了不同作物数据集、深度模型架构和逐层解冻策略的影响，以确定适合CNC预测的迁移配置。（4）进一步将训练好的深度迁移学习模型应用于无人机高光谱图像，生成了小麦和玉米CNC的空间分布图。

**实验区域**

实验地点位于中国江苏省镇江市句容市江苏农博园（32°1′24.25″N，119°15′6.29″E），如图1所示。该区域属亚热带季风气候，平均无霜期为229天，年平均气温15.1°C，年日照时数为2,116小时。这些气候条件支持当地冬小麦—夏玉米轮作体系。本研究采用了该轮作体系，并包含田间

**光谱相关性分析**

图5（a-c）展示了PROSAIL-PRO模拟及实测小麦和玉米数据在不同CNC范围内的平均反射光谱。三个数据集在400.35–1009.56 nm范围内均表现出高度相似的光谱响应模式。反射率在560 nm附近的绿色峰值之后开始下降，在约690 nm处出现明显的叶绿素吸收谷。植被特有的光谱红边效应出现在700至750 nm之间，导致一个急剧的……

**训练损失和R2动态分析**

在模型训练过程中，损失值和R2在各轮次的变化是评估模型性能和诊断训练问题的重要指标。图11展示了所有模型在不同目标域数据集上200个轮次内的损失值和R2演变情况。这些曲线为评估模型收敛性和泛化能力提供了依据。所有迁移学习模型（Transfer-CNN、Transfer-CNN-CA、Transfer-ResNet18、Transfer-ResNet18-CA）均实现了更低的验证损失……

**结论**

本研究开发了一种深度迁移学习框架，以PROSAIL-PRO模拟高光谱数据作为源域进行预训练，随后使用无人机原位高光谱观测数据对模型进行微调，用于小麦和玉米的CNC预测。通过将物理辐射传输建模与数据驱动学习相结合，所提出的方法有助于解决与有限田间测量相关的关键挑战，包括模型过拟合、泛化能力弱等……

**CRediT作者贡献声明**

Jing Zhao：撰写原稿、验证、软件、方法论、形式分析、数据整理、概念化。Hong Li：监督、资源、项目管理、调查研究、资金获取。Junping Liu：撰写—审阅与编辑、资源、资金获取。Wei Chen：验证、数据整理。Xin Guo：验证、数据整理。Yunlong Wu：数据整理。Menglong Zhao：可视化、资源。Junaid Nawaz Chauhdary：撰写—审阅与编辑。Zhaoxia Yan：

**利益冲突声明**

作者声明他们不存在可能影响本文工作的已知的竞争性经济利益或个人关系。

**致谢**

本研究得到国家重点研发计划[项目编号2023YFD1900702]和江苏省研究生科研与实践创新计划[项目编号KYCX25_4256]的支持。

Jing Zhao | Hong Li | Junping Liu | Wei Chen | Xin Guo | Yunlong Wu | Menglong Zhao | Junaid Nawaz Chauhdary | Zhaoxia Yan