Estimation of crop canopy nitrogen content using deep transfer learning with PROSAIL-PRO model and UAV hyperspectral imagery
Jing Zhao · Hong Li · Junping Liu 等 9 人
融合PROSAIL-PRO物理模型与深度迁移学习，用无人机高光谱估算作物冠层氮含量。
PROSAIL-PRO模拟光谱预训练CNN/ResNet18，冻结浅层微调深层，
迁移学习模型精度与泛化性最优，小麦R²=0.86、玉米R²=0.69，缓解小样本过拟合。
可探索多作物多生育期迁移、物理模型参数不确定性传播及跨传感器泛化能力。
将PROSAIL-PRO物理模型与深度迁移学习结合，缓解小样本高光谱反演过拟合，方法新颖且验证扎实，对作物氮素遥感监测有实用价值。
冠层氮含量（Canopy Nitrogen Content, CNC）是评估作物氮素状况的关键指标。基于无人机（UAV）高光谱遥感可以在大尺度上对CNC进行无损快速估测；然而，该任务常受限于地面真值数据相对模型复杂度而言较为稀缺的问题，这会导致过拟合和泛化能力较差。为应对这些挑战，该研究提出了一种将PROSAIL-PRO物理模型与深度迁移学习相结合的新型反演框架。利用在大规模PROSAIL-PRO模拟光谱上预训练的深度神经网络提取广义物理特征。随后，采用冻结浅层参数、更新深层参数的微调策略，从而有效解耦内在物理特征与站点特异性变异。研究评估了四种深度学习架构，包括卷积神经网络（CNN）、残差神经网络（ResNet18）及其各自的通道注意力增强变体，并与包括反向传播神经网络（BPNN）在内的六种经典统计模型进行了比较。结果表明，经迁移学习优化的深度模型在精度和泛化能力方面均显著优于基线和传统方法。具体而言，基于CNN的迁移模型在小麦数据集上取得了最佳性能（R² = 0.8597，RMSECV = 1.7642），而基于ResNet18的迁移模型在玉米数据集上取得了最佳性能（R² = 0.6921，RMSECV = 2.7944）。这些发现证实，PROSAIL-PRO驱动的深度迁移学习有效缓解了小样本高光谱数据集中的过拟合问题。通过确保高精度反演和稳健泛化，所提出的物理引导的数据驱动融合方法为作物氮素监测提供了一种有前景的解决方案。