动态玉米真叶面积指数检索使用KGCNN和TL和集成的3D辐射转移建模用于作物表型化
Dan Zhao1,2, Guijun Yang1, Tongyu Xu2
1Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture and Rural Affairs, Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing, 100097, China.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
这项研究引入了一种新的方法,将3D辐射转移建模 (3D RTM) 与知识导向深度学习 (KGCNN) 结合起来,以精确监测叶面积指数 (LAI). 该方法通过提高模型在不同年份和不同生长阶段的适应性,显著改善了作物生长评估和产量预测.
科学领域:
- 农业遥感 农业遥感
- 植物科学 植物科学
- 机器学习在农业中的应用.
背景情况:
- 准确的叶面积指数 (LAI) 对于作物监测和产量预测至关重要.
- 传统的LAI逆转方法在不同现象阶段和年份的数据代表性和环境变化方面存在困难.
- 现有的方法在适应年间变化和不同的增长条件方面是有限的.
研究的目的:
- 为准确和实时的真叶面积指数 (LAI) 检索开发一种新的方法.
- 解决传统的LAI逆转方法在数据代表性和环境变异性方面的局限性.
- 提高LAI检索在不同年份和现象学阶段的适应性和稳定性.
主要方法:
- 将三维辐射转移建模 (3D RTM) 与以知识为导向的卷积神经网络 (KGCNN) 的集成.
- 开发KGCNN架构,结合3D树冠结构物理,并通过转移学习 (TL) 增强.
- 在合成数据 (LESS模型) 上进行预训练,然后通过现场测量和跨年验证 (2021-2023) 进行微调.
主要成果:
- 与1D RTM (PROSAIL + CNN + TL) 和其他模型 (LSTM,RNN,RF) 相比,基于TL的3D RTM的KGCNN显示出更高的LAI检索精度.
- 观察到显著的改善:R2增长了0.27,RMSE下降了2.46对于2022年数据集;RMSE下降了1.62对于2023年数据集与PROSAIL + TL相比.
- 开发的3D场景建模策略和KGCNN微调增强了模型适应不同数据分布的能力,提高了准确性和稳定性.
结论:
- 拟议的3D RTM + KGCNN + TL方法为准确和稳定的真实LAI检索提供了一个强大的解决方案.
- 这种方法有效地克服了传统方法在处理跨年变化和现象变化的局限性.
- 该研究强调了将物理模型与深度学习集成为先进的农业遥感应用程序的潜力.
更多相关视频
06:21Micron-scale Phenotyping Techniques of Maize Vascular Bundles Based on X-ray Microcomputed Tomography
Published on: October 9, 2018
9.3K
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
4.1K
