PROSAIL-DNN-TL: A Hyperspectral Inversion Framework for Winter Wheat Leaf Chlorophyll Content Based on Fine-Tuned Transfer Learning
Xueqing Zhu · Ying Nian · Jikai Liu 等 4 人
提出PROSAIL-DNN-TL框架，用PROSAIL模拟数据预训练DNN并全网络微调，反演冬小麦叶
PROSAIL辐射传输模型生成85680样本预训练DNN，270个田间样本全网络
500次重复实验平均测试R²为0.79，2024和2025年生长季验证R²分别为0.75和0.92，
SPAD到LCC转换未针对仪器和作物标定，可研究跨传感器、跨作物、跨生长季的迁移学习泛化与绝对叶绿素标定。
将PROSAIL辐射传输模型与深度神经网络迁移学习结合，用8万余模拟样本预训练、270个田间样本微调，冬小麦叶绿素反演精度可靠，方法新颖且数据规模扎实，对作物生理监测与精准农业有参考价值。
准确、高效地估算叶片叶绿素含量（leaf chlorophyll content，LCC）对作物生理监测和精准农业至关重要。当前遥感估算LCC的方法主要依赖机器学习和深度学习方法，这类方法具有较强的非线性建模能力，但需要充足且具有代表性的样本。辐射传输模型（radiative transfer models，RTMs）能够基于物理机制模拟冠层光谱响应并生成大规模数据集，从而克服纯数据驱动方法的局限性。然而，由于模型参数化带来的不确定性以及模拟数据与观测数据之间的差异，其在不同环境条件下的应用仍面临挑战。本研究提出了一种混合框架PROSAIL-DNN-TL，将PROSAIL辐射传输模型与全网络微调迁移学习相结合，用于冬小麦LCC估算。首先，利用PROSAIL生成的85 680个模拟样本预训练深度神经网络（deep neural network，DNN），随后利用田间观测数据（n = 270）进行全网络微调。同时建立了仅使用田间数据训练的传统DNN模型以及基于不同特征选择策略的机器学习模型作为对比。结果表明：（1）UVE选择的波段分布在可见光、红边和近红外区域；CARS在可见光区域保留了更多波段，而SPA主要选择近红外波段；（2）RR和SVR的精度高于KNN，全光谱和CARS特征集表现较优，SPA精度最低；（3）PROSAIL-DNN-TL取得了可靠的LCC估算性能，在500次重复实验中平均测试R²为0.79，且相比传统机器学习模型表现出更优的性能；（4）利用2024年和2025年生长季采集的数据集进行评估时，PROSAIL-DNN-TL均表现出可靠的预测性能，R²分别为0.75和0.92。总体而言，所提出的混合框架通过迁移学习将辐射传输模型的物理知识与数据驱动建模相结合，为作物叶绿素监测提供了一种潜在途径。然而，本研究中使用的SPAD到LCC的转换并未针对仪器和作物进行专门校准，因此绝对LCC值应谨慎解读。