Estimating cotton leaf area index under shallow subsurface drip irrigation using TabPFN and UAV-based multisource remote sensing

方法

无人机高光谱与RGB影像、递归特征消除、TabPFN及SHAP，分生育期建模。

发现

TabPFN整体最优（R²=0.781），多源融合增益随生育期变化，特征重要性呈阶段差异。

机会点

可探索小样本下多源融合的生育期自适应建模，并迁移到其他干旱区作物与灌溉处理。

摘要 叶面积指数（LAI）是反映棉花冠层发育和作物水分状况的关键指标，但在干旱区浅埋地下滴灌条件下，土壤水分和盐分的空间变异加剧了冠层异质性，使其准确估算仍具挑战性。本研究将基于无人机的高光谱与RGB影像同表格先验数据拟合网络（TabPFN）相结合，用于小样本条件下棉花LAI的估算。提取了光谱植被指数、颜色指数和纹理特征，并采用交叉验证的递归特征消除法筛选稳定预测因子。基于高光谱、RGB及融合特征集，分别构建了蕾期、花期、铃期和吐絮期的分阶段模型。将TabPFN与XGBoost、随机森林和支持向量回归进行比较，并利用SHapley加法解释（SHAP）量化特征贡献。在12个生育期—特征集组合中，TabPFN总体表现最佳（平均R²=0.781±0.190）。多源融合对生育期的依赖性强：相对于表现最佳的单源特征集，融合使蕾期、花期和铃期的R²分别提高1.2%、7.1%和12.2%，但在吐絮期略逊于高光谱特征。SHAP揭示了特征重要性的阶段性变化：蕾期以纹理特征为主，花期和吐絮期光化学指数影响最大，铃期色素相关特征与结构特征共同起作用。利用最优模型生成的田块尺度LAI图显示，不同灌溉处理间存在明显的空间差异。将TabPFN与基于无人机的多源遥感相结合，可在小样本条件下提供准确且可解释的棉花LAI估算，从而为干旱区作物监测和精准灌溉提供支持。