基于无人机高光谱影像优化水稻地上生物量估算
无人机高光谱影像与DCNN结合改进有限样本下水稻地上生物量估算
英文: A Novel Hybrid-DCNN-Based Framework for Enhanced Rice Aboveground Biomass Estimation Under Limited Samples
研究单位
中山大学
劳伦斯伯克利国家实验室
中国科学院地理科学与资源研究所
中科吉安生态环境研究所
中国科学院空天信息创新研究院
西南交通大学
中国农业大学
中华人民共和国农业农村部
摘要
水稻地上生物量（AGB）的监测对于跟踪作物生长和预测产量至关重要。尽管深度学习算法，如深度卷积神经网络（DCNN），在估算作物参数方面表现出色，但收集足够的真实样本进行模型训练仍然是一个巨大的挑战，这导致了所谓的“小样本问题”。为了解决这个问题，该研究提出了一种创新的框架，该框架结合了基于PROSAIL-PRO辐射传输模型（RTM）的混合反演模型和机器学习技术，如XGBoost和随机森林（RF）。该框架还整合了主动学习优化和光谱角制图（SAM）方法，以确保选择的模拟样本与实际条件最为接近，并为这些样本分配地理位置信息。利用这些合格样本，构建了单分支和多分支DCNN模型。这些模型集成了来自无人机（UAV）的高光谱主成分（PCs）、冠层表面模型（CSM）的冠层高度（CH）信息以及热红外（TIR）图像的冠层温度数据。然后在两个实验地点验证了该方法的有效性。在实验地点A，单分支DCNN以PCs、TIR和CSM作为输入，取得了最高的精度（R2=0.816，RMSE=61.608g/m2）。而在实验地点B，多分支DCNN以PCs和TIR作为输入，表现最佳（R2=0.784，RMSE=65.533g/m2）。研究结果表明，模拟样本在实际应用中具有相当大的潜力。PCs是模型的主要贡献者，而TIR的作用比CSM更为重要。总之，该研究在有限的测量样本条件下实现了对水稻AGB的高精度估算，为小样本情况下的作物监测提供了有价值的参考。
高光谱数据：高光谱数据由Cubert X20P机载框幅式高光谱成像仪获取。该成像仪采用革命性的框幅式高光谱成像技术，具有20MP的超高清大面阵光谱探测器，可同步获取350~1000 nm范围内164个光谱通道高光谱图像，在1/1000秒内获得整个高光谱立方体数据，更适合高速移动式测量，数据真实可靠无伪影，影像具有厘米级地理坐标信息，配备一体式无刷云台，内置控制及固态存储，适合多旋翼或固定翼无人机搭载。
研究过程
图1 研究区域地理位置（a）、实验田位置（b）、站点A（c）、站点B（d）
图2 研究方法流程图
图3 单分支DCNN结构图
图4 多分支DCNN结构图
图5 无人机测量光谱与模拟光谱的比较：3个AGB水平下无人机测量光谱（a）、同一AGB水平下测量光谱与模拟光谱的比较（b）-（d）
图6 站点A采用XGBoost模型（a）与主动学习方法的RF模型（b）空间反演结果对比（红色圆圈内的区域表示高值低估区域，绿色圆圈内的区域表示低值高估区域）
图7 模拟样本点的生成与选取：2000个均匀分布的模拟样本（a）、SAM选取的500个合格样本（b）（样本点的颜色代表其SAs的大小）
图8 主动学习迭代细化后XGBoost模型（a）与RF模型（b）对站点A的空间反演结果比较
图9 主动学习迭代细化前XGBoost模型（a）和RF模型（b）对站点B进行空间反演的结果
图10 主动学习迭代细化后XGBoost模型（a）和RF模型（b）对站点B进行空间反演的结果
图11 站点A单分支DCNN（a）和多分支DCNN（b）、站点B单分支DCNN（c）和多分支DCNN（d）最优模型在测试集上的估算值与实测值散点图
图12 测量的CH与DSM（a）、DEM（b）和CSM（c）之间的相关性
表1 叶片（PROSPECT-PRO）和冠层（4SAIL）模型的参数
图13 RF模型（a）、XGBoost模型（b）模型精度变化曲线
表2 不同输入下单分支DCNN模型的估算精度
表3 不同输入下多分支DCNN模型的估算精度
研究结论
该研究开发了一种混合反演模型，该模型将PROSAIL-PRO RTM与机器学习技术（XGBoost和RF）相结合，以优化样本生成，从而解决了基于深度学习的水稻AGB估算中样本量有限的问题。研究进一步评估了来自多源无人机传感器的各种输入特征（即高光谱、冠层结构和热红外数据）以及模型架构（单分支和多分支DCNN）对AGB估算性能的影响。主要结论如下：
（1）PROSAIL-PRO模型模拟光谱数据与实测光谱数据具有较高的相似度，适合构建混合反演模型。此外，结合主动学习方法，通过优化训练样本集，显著提高了该类模型的精度。
（2）利用SAM方法筛选模拟样本纳入验证集，通过不断迭代，可以有效缓解混合反演模型的过拟合问题。值得一提的是，XGBoost模型相比RF模型展现出更强的抗过拟合能力。
（3）对于站点A，利用PCs、TIR和CSM的单分支DCNN模型实现了最高的估计准确率，R2为0.816，RMSE为61.608g/m2。对于地点B，使用PCs和TIR组合构建的多分支DCNN模型获得了最高的准确率，R2为0.784，RMSE为65.533g/m2。
（4）分析不同特征对模型精度的影响发现，高光谱数据的PCs对基于DCNN的水稻AGB估算贡献最大，TIR的贡献明显大于CSM，这主要是由于水稻抽穗期对温度高度敏感。
该研究创新性地建立了小样本条件下的水稻AGB高精度估算框架，证实了利用模拟样本数据和DCNN模型进行作物参数反演的潜力，为精准农业的智能化监测提供了参考。
DOI: 10.1109/TGRS.2025.3544343
