Pixel-level high-throughput estimation of crop photosynthetic phenotyping parameters using a multi-task deep learning framework

高光谱遥感在估算作物生理生化性状方面具有潜力，但传统方法常受限于样本量小、多性状反演精度有限以及鲁棒性差等问题。为缓解这些挑战，我们提出了一种集成框架，将像元级数据集构建策略与多任务深度学习架构相结合，用于估算光合表型参数（photosynthetic phenotyping parameters, PPPs）——一组涵盖气体交换、色素组成和结构特性的性状。具体而言，在受控实验条件下，我们开发了MTI-Net，一种轻量级多任务反演网络，可同时高精度估算水稻和番茄的多个PPPs（R² > 0.90）。由于生理真值测量是在叶片尺度获得的，像元级预测应被解释为弱监督的、模型导出的空间估计或相对分布，而非直接验证的像元级生理测量。该方法框架在数据划分和随机初始化下表现出稳定性能，并在应用于像元平均光谱时保持稳定性能。一个互补的可微分波段选择模块（DRS-Net）进一步将光谱维度降至40个信息波段，同时保持反演精度高于0.75，提示了简化传感器设计的潜在路径。重要的是，估算的PPPs在番茄中揭示了具有生物学可解释性的模式，包括阶段依赖性动态、辐照度驱动的变化以及冠层分层分化——其中中层叶片在早期光合作用中占主导，而上层叶片在后期阶段占优势。总体而言，本研究为特定环境下的近地高光谱表型分析提供了方法学基础。尽管需要在多样化田间条件下进一步验证，但该框架展示了高通量多参数估算的潜力，并为未来经济高效的高光谱系统提供了方法学依据。