用于玉米冠层生化与结构性状反演的可解释光谱图像融合多任务学习

《Computers and Electronics in Agriculture》:Explainable spectral–image fusion multi-task learning for maize canopy biochemical and structural trait retrieval

【字体: 大 中 小 】 时间:2026年09月21日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

   光谱–图像多任务框架同时反演了四种玉米冠层性状。高光谱数据(HSI)衍生出的伪RGB图像保留了光谱平均过程中丢失的空间信息。MM-MTL在表现上优于单任务、单表征以及传统基线方法。按地块分组和跨年验证评估了模型的泛化能力。空间打乱和波长扰动实验支持了模型可解释性分析。 引言

  

光谱–图像多任务框架同时反演了四种玉米冠层性状。高光谱数据(HSI)衍生出的伪RGB图像保留了光谱平均过程中丢失的空间信息。MM-MTL在表现上优于单任务、单表征以及传统基线方法。按地块分组和跨年验证评估了模型的泛化能力。空间打乱和波长扰动实验支持了模型可解释性分析。

引言

玉米是全球最重要的粮食作物之一,在食物、饲料和生物能源生产方面发挥着核心作用(Erenstein等,2022)。在现代玉米生产中,快速、无损且可重复的冠层状态评估对于精准施肥、高通量表型分析和早期胁迫诊断变得日益重要(Araus和Cairns,2014;Tang等,2025;Yang等,2020)。冠层叶绿素状况、叶面积指数(LAI)、氮素状况和花青素积累具有特别重要的信息价值,因为它们共同反映了光合能力、冠层结构、营养状况和胁迫响应(Singh等,2020;Song等,2021;Yang等,2020)。然而,传统的破坏性采样和基于实验室的分析方法仍然费力、耗时,且难以在高时间频率和田间规模下部署,这限制了它们在持续作物监测中的应用价值(Singh等,2020)。

近场高光谱传感为无损反演作物生物化学和结构性状提供了一条有效途径,因为可见光–近红外区域内连续的窄波段对色素吸收、叶片内部结构和冠层散射过程高度敏感(Curran,1989;Im和Jensen,2008;Jinru和Baofeng,2017)。大量研究已经表明,高光谱信息能够支持超越宽波段指数所能提供的性状估算。例如,Haboudane等(2002)开发了用于精准农业中估算作物叶绿素含量的窄波段植被指数,并进一步表明高光谱植被指数和定制算法能够预测冠层尺度的绿色LAI。在玉米冠层中,Gitelson等(2003)报道红光和近红外光谱响应与LAI和绿色生物量密切相关,而Gitelson(2005)表明可以利用红边相关公式稳健地估算冠层叶绿素含量。此外,Gitelson等(2010)证明可见光光学响应对花青素积累敏感,从而支持无损色素评估。这些研究共同奠定了高光谱估算冠层性状的生理和光学基础。

尽管取得了上述进展,大多数现有研究仍将叶绿素、LAI、氮素相关指标或花青素作为独立的单性状问题来估算,而非从同一观测数据中联合建模多个生理相关的冠层变量(Haboudane等,2002;Haboudane等,2004;He等,2021;Hong等,2021)。这种"一性状一模型"的策略存在两个主要局限性。第一,它要求为每个目标变量重复进行特征工程、模型开发和超参数调优。第二,它忽视了叶绿素状况、冠层发育、氮素平衡和胁迫色素往往在生长阶段和管理梯度上协同变化的事实。在真实田间条件下,冠层反射率还会受到背景土壤、阴影、光照波动、衰老和结构异质性的影响,这使得稳健的多性状反演比单性状估算要困难得多(Singh等,2020;Yang等,2020)。

除了多性状联合建模之外,冠层信息的表征方式也是一个重要考量。冠层图像保留了当高光谱像元被平均为一维反射率向量时未能保留的空间信息。叶片排列、冠层空隙、纹理、边缘和可见颜色变化等特征可以提供关于冠层结构和状况的有用信息(Araus和Cairns,2014;Yang等,2020;Zhang,2014)。在本研究中,伪RGB图像是从同一高光谱数据体的可见光波段中衍生出来的,而非来自独立的RGB传感器。因此,其潜在价值并非来自引入额外的光谱波长,而是来自保留在感兴趣区域(ROI)光谱平均过程中基本被移除的二维空间组织。将ROI均值光谱与HSI衍生的伪RGB表征相结合,可能使精细光谱变化和空间冠层组织得以被联合建模。

近年来,深度学习提供了一种从高维感知数据中直接学习非线性光谱和空间表征的灵活方法(Ghamisi等,2018;Kamilaris和Prenafeta-Boldu,2018)。近期研究也探索了将多种感知表征融合用于作物表型分析和产量预测。例如,Nguyen等(2023)采用多感官数据融合和多任务深度学习进行玉米表型分析,Toledo等(2024)结合多模态遥感与深度学习和注意力机制进行玉米产量预测,Mena等(2025)研究了面向亚地块作物产量预测的自适应融合方法。这些研究展示了数据融合在农业预测中的潜力,但它们在传感配置和预测目标方面与本研究有所不同。Nguyen等(2023)关注高通量玉米表型分析的多感官融合,而Mena等(2025)和Toledo等(2024)主要使用多模态遥感观测进行产量预测。相比之下,本研究利用从同一近场高光谱数据体衍生的两种互补表征,对多个玉米冠层生物化学和结构性状进行同时回归:一个保留精细波长信息的ROI均值光谱,以及一个保留二维冠层组织的配准伪RGB图像。在预测比较之外,本研究还通过空间打乱实验评估空间表征是否提供了超越平均光谱的可度量信息,并联合评估跨物理地块、采集活动和生长年份的泛化能力,以及模型相关的光谱和表征层级敏感性分析。

多任务学习(MTL)提供了一个通过部分共享表征来联合建模相关预测目标的自然框架(Caruana,1997;Ruder,2017;Zhang和Yang,2021)。当预测任务共享有用信息时,联合学习可以方便表征共享,同时保留任务特定的预测功能。此外,基于不确定度的损失加权为在联合优化过程中平衡具有不同数值尺度、预测难度和噪声特征的任务提供了一种有原则的方法(Kendall等,2018)。这些特性使MTL适用于从共同的感知观测中同时估算多种玉米冠层性状。基于深度学习的作物监测面临的另一项挑战是理解模型生成预测时使用了哪些信息。仅仅具有高的预测精度并不能揭示模型是依赖于有意义的光谱或冠层结构模式,还是依赖于训练数据中的特定相关性。因此,可解释性方法可以为检验学习到的模型行为与既定作物感知知识之间的关系提供有用证据(Arrieta等,2019;Samek等,2021)。在本研究中,可解释性在表征和波长两个层面进行了考察。任务级门控与输入表征掩码相结合以表征训练模型如何使用光谱和空间信息,同时通过波长扰动和跨折稳定性分析评估逐波段增益×梯度。这些分析旨在提供模型敏感性和预测相关性的经验证据,而非建立因果性的物理解释。

基于以上背景,本研究开发了一个光谱–图像融合多任务学习框架,用于同时估算四种玉米冠层性状:叶绿素指数(Chl index)、叶面积指数(LAI)、氮素平衡指数(NBI)和花青素指数(Anth index)。使用Specim IQ相机获取的高光谱观测数据以两种互补形式进行表征:一个保留精细反射信息的204波段ROI均值光谱向量,以及一个从同一高光谱数据体的可见光波段衍生的配准伪RGB冠层图像,后者保留了二维空间组织和可见外观。因此,这两种输入提供的是同一高光谱观测的互补光谱和空间表征,而非来自独立传感器的测量值。在此基础上,MM-MTL在一个统一的回归框架中整合了多尺度一维光谱骨干网络、轻量级二维图像骨干网络、任务特定融合、光谱专家预测和基于不确定度的加权多任务学习。

具体而言,本研究解决三个问题。第一,光谱和空间表征的联合使用能否相较于仅光谱、仅伪RGB、单任务和传统回归方法改善多性状反演,并且保留图像表征中的空间组织是否提供了可度量的预测价值?第二,按物理地块、采集活动和生长年份分组的验证设置下,所提模型的泛化能力如何?第三,模型对光谱和空间信息的任务级使用及其波长敏感性模式能否通过掩码、扰动和跨折稳定性分析进行表征并获得经验支持?通过回答这些问题,本研究旨在评估不仅限于预测性能,还包括光谱–空间多任务学习在玉米冠层性状反演中的互补性、泛化行为和模型依赖的敏感性模式。整体工作流程如图1所示。

小节摘录

**研究区域与试验设计**

田间试验于2024年和2025年玉米生长季在河南省新乡市进行。两个生长季共进行了九次田间活动。2024年的四次活动分别在出苗期、拔节期、抽雄期和灌浆期进行;2025年的五次活动分别在出苗期、幼苗期、六叶期、拔节期和灌浆期进行。由于出苗期、拔节期和灌浆期在两年中均进行了采样,九次

**样本分布与冠层性状统计**

在2.1节所述的九次田间活动中,2024年采集了432个样本,2025年采集了600个样本,质量控制前共计1,032个样本。经过2.4.1节所述的阶段性光谱质量控制程序后,排除了9个样本,留下1,023个有效样本用于后续模型开发和评估。这些样本覆盖了六个物候期类别:出苗期、幼苗期、六叶期、拔节期、抽雄期和灌浆期。

在整个

**光谱–图像融合多任务学习的预测性能**

在地块分组的五折交叉验证下,MM-MTL对Chl index、LAI、NBI和Anth index的R2值分别为0.872、0.885、0.722和0.807。由于同一物理地块的所有观测都被分配到同一外层折中,这些结果比按样本随机划分提供了更保守的评估,因为可以防止来自同一地块的重复观测同时出现在模型开发和评估中。在相对较强的

**结论**

本研究开发了一个光谱–图像融合多任务学习框架(MM-MTL),用于从玉米冠层的近场高光谱观测中同时反演Chl index、LAI、NBI和Anth index。该框架将204波段ROI均值光谱向量与从同一高光谱数据体衍生的配准伪RGB表征相结合,从而在一个统一的多任务模型中整合精细光谱信息与二维空间冠层信息。

**CRediT作者贡献声明**

Penglei Zhang:审阅与编辑,原始草稿撰写,可视化,验证,软件,方法论,调查,形式分析,数据整理,概念构思。Tianbo Hao:审阅与编辑,验证,调查,数据整理。Zhuoyuan Zhao:审阅与编辑,验证,调查,数据整理。Hong Sun:审阅与编辑,监督,资源,项目管理,资金获取,概念构思。Yelu Zeng:审阅与—

**利益冲突声明**

作者声明,他们不存在已知的可能影响本文所报告工作的相互竞争的经济利益或个人关系。

**致谢**

本研究部分得到了国家自然科学基金(NSFC-FAPESP项目,编号W2412109)、国家重点研发计划(项目编号2025YFE0209000)、内蒙古中央引导地方科学技术发展专项(2024ZY0145)、中国农业大学2115人才培养计划以及高校培训改革项目(SZ-2024-02)的支持。本项目感谢的协助Penglei Zhang|Tianbo Hao|Zhuoyuan Zhao|Hong Sun|Yelu Zeng|Zheng Cui|Ta Na|Lang Qiao|Durval Dourado Neto|Feng Yang|Jingzhu Wu
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