【智慧农业之窗】基于辐射传输驱动深度学习框架的多源无人机数据水稻生长参数高精度反演方法

叶面积指数（LAI）和叶片叶绿素含量（LCC）是表征水稻生长动态的关键指标。尽管基于无人机（UAV）的高光谱数据已被广泛应用于作物监测，但其高维冗余特性给有效信息提取带来了较大挑战。为此，本文提出了一种通用的两阶段反演框架。首先，利用受田间条件约束的 PROSAIL 辐射传输模型生成合成光谱数据，训练引入自注意力机制的一维卷积神经网络（1D-CNN），从高冗余高光谱数据中提取光谱复合变量（Spectral Composite Variables，SCVs）。随后，将所获得的 SCVs 与冠层温度（由热红外 TIR 传感器获取）以及作物高度（由无人机 LiDAR 与 RGB 影像获得）进行融合，构建 LAI 和 LCC 的多源联合反演模型，并通过同点与跨点验证策略对模型性能进行评估。结果表明，所提取的 SCVs 与 LAI 和 LCC 之间具有较强相关性，其平均相关系数分别为 0.83 和 0.85。所提出的框架在各生育阶段（如孕穗期、抽穗期和灌浆期）均表现出较高的反演精度，LAI 和 LCC 的平均决定系数（R²）分别达到 0.76 和 0.71。其中，在抽穗期模型性能最优，LAI 的 R² 和 RMSE 分别为 0.83 和 0.47，LCC 的 R² 和 RMSE 分别为 0.77 和 4.13 μg·cm⁻²。跨点验证进一步证实了模型的稳健性与可迁移性，且在不同试验区中均在抽穗期取得最佳表现。基于该框架生成的厘米级分辨率 LAI 与 LCC 空间分布图与实测高度一致，可实现对水稻生长状况的精细化监测。总体而言，本文提出的辐射传输驱动深度学习框架为解决高光谱冗余问题和提升作物生长参数反演精度提供了一种稳健且具有良好推广潜力的技术方案。

图1. 研究区域及采样点概览

图2. 不同生长阶段CHM精度验证的散点图

图3. 研究方法流程图

图4. 用于高光谱数据的带自注意力模块的1D卷积神经网络框架

图5. 自我注意机制架构图

图6. 不同生长阶段水稻生长参数（LAI与LCC）与无人机衍生的变量（SCV、冠层温度及作物高度）之间的相关性

图7. 不同模型组合下，抽穗期、抽穗期及灌浆期LAI（a）和（b）以及LCC（c）和（d）的估测精度

图8. LAI反演模型的跨站点验证结果

图9. LCC反演模型的跨站点验证结果

图10. 水稻不同生长阶段及不同地块的LAI与LCC空间分布图

来源：

Y. Zou et al., "A Radiative Transfer-Driven Deep Learning Framework for Accurate Estimation of Rice Growth Parameters Using Multisource UAV Data," in IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-16, 2025, Art no. 4424116, doi: 10.1109/TGRS.2025.3643447. 

转自扬州大学智慧农业研究院

监制：王丽娇