Explainable spectral–image fusion multi-task learning for maize canopy biochemical and structural trait retrieval

准确且可解释地估算多个玉米冠层性状，对于近地作物监测和高通量表型分析具有重要意义。本研究开发了一种光谱—图像融合多任务学习框架（MM-MTL），用于同时反演叶绿素指数（Chl index）、叶面积指数（LAI）、氮平衡指数（NBI）和花青素指数（Anth index）。近地高光谱观测使用Specim IQ相机采集，覆盖400–1000 nm，共204个光谱波段。对于每次观测，提取ROI均值光谱向量以保留细粒度冠层反射率信息，同时从同一高光谱立方体的可见光波段生成配准的伪RGB图像，以保留二维冠层结构和可见外观。MM-MTL集成了光谱与图像特征提取、任务特定融合以及不确定性加权多任务学习，以联合估算这四种性状。研究使用2024年和2025年生长季9次田间试验采集的共计1,023个有效样本进行模型开发与评估。在按小区分组的五折交叉验证下，MM-MTL对Chl index、LAI、NBI和Anth index的R²分别为0.872、0.885、0.722和0.807，且持续优于单任务、单表征和传统回归基线。在更具挑战性的泛化设置下，模型性能有所下降，留一试验验证的R²范围为0.543–0.680，双向跨年验证的R²范围为0.425–0.640。消融分析和事后分析进一步表明，保留图像空间组织可提升预测性能，而任务路由、输入表征掩蔽、波长扰动和跨折稳定性分析揭示了光谱与空间信息的性状依赖性利用方式。这些结果表明，从同一高光谱观测中提取的互补光谱与空间表征可改善多性状玉米冠层反演，而跨采集试验、年份和田间环境的迁移仍是未来改进的重要方向。