基于高光谱遥感和跨区域迁移学习的冬小麦叶绿素含量评估

方法

基于新乡与周口1491份冠层高光谱与SPAD数据，对比RATL与直接迁移、TCA

发现

RATL通过自适应特征选择、权重调整与域适应训练，有效提升跨区域叶绿素评估泛化精度。

机会点

可探索多作物、多生育期及不同传感器间的迁移学习，构建通用跨域叶绿素评估模型。

甘肃农业大学李怡悦等与中国农业科学院作物科学研究所肖永贵、孟亚雄研究员团队合作，针对高光谱遥感跨区域叶绿素评估中因"域偏移"导致的模型泛化性能下降问题，提出一种稳健自适应迁移学习框架（RATL），通过自适应特征选择、特征权重调整与域适应训练3模块协同实现跨区域知识有效迁移。基于2023—2024年冬小麦灌浆后期新乡与周口两地共1491份冠层高光谱与叶片SPAD数据，设置4种场景比较RATL与直接迁移、迁移成分分析和相关对齐之间的精度。