Improving alfalfa nitrogen estimation with canopy structural priors from DSSAT–PROSAIL and UAV hyperspectral data
Shuai Fu · Yunhao Li · Chunli Miao 等 8 人
构建MALENet融合DSSAT-PROSAIL结构先验与无人机高光谱，提升苜蓿氮浓度估算精度。
DSSAT耦合PROSAIL生成合成高光谱先验，预训练CNN-SE网络，再融合田
MALENet精度优于传统机器学习和深度学习模型，R²达0.71，近红外多次散射作为结构代理贡献58
可探索将作物模型结构先验迁移至其他牧草或作物生化参数反演，并缓解PROSAIL一维冠层假设局限。
该研究将作物模型与辐射传输模型耦合生成结构先验，并结合无人机高光谱数据反演苜蓿氮素，方法新颖、田间验证扎实，对精准饲草管理有参考价值，值得进入每日精选。
准确估算紫花苜蓿（Medicago sativa L.）的氮浓度有助于饲草品质评估和收获期安排。经验性遥感模型常因三维冠层结构的混杂效应而出现过拟合。引入结构参数可以稳定生化反演，但同步开展原位形态学测量难以大规模获取。我们开发了形态感知潜在嵌入网络（Morphology-Aware Latent Embedding Network，MALENet），这是一个将生理与形态机制同高光谱数据相结合的混合框架。农业技术转移决策支持系统（Decision Support System for Agrotechnology Transfer，DSSAT）与PROSAIL辐射传输模型耦合，生成了结构信息丰富的合成高光谱先验数据。在此基础上，预训练了一个带有挤压—激励（Squeeze-and-Excitation，SE）注意力机制的卷积神经网络（convolutional neural network，CNN），将生态生理学知识提炼为稠密潜在表征。随后，将这一机制性导出的嵌入与在不同田间条件下采集的经验性高光谱测量数据相融合。利用河西走廊多年田间样方进行的评估显示，相较于传统机器学习和深度学习模型（LASSO-ANN：R² = 0.61；CNN：R² = 0.66），预测性能有所提升（R² = 0.71，RMSE = 0.30%）。特征归因表明，MALENet利用近红外多次散射（归因占比58.3%）作为结构代理，以校准氮浓度反演，抵御冠层结构的混杂效应。尽管受样本量和PROSAIL一维冠层假设的限制，这些发现表明，物理引导的深度学习有潜力利用结构信息，在精准饲草管理中进行农业性状反演。