Spatiotemporal Deep Learning for Rice Plant Height Estimation from Multi-Temporal UAV RGB Imagery
Weiguo Wang · Noboru Noguchi · Liangliang Yang
提出Rice-STNet时空深度学习框架，用多时相无人机RGB影像估算水稻株高。
CNN提取空间特征，Time2Vec编码时间，GRU建模时序依赖，两季稻田数据验
R²达0.97、RMSE 1.97cm，优于随机森林、SVR、纯CNN及点云方法。
可迁移至其他作物与多源遥感融合，探索轻量化模型及实时田间部署。
提出时空深度学习框架Rice-STNet，用多时相无人机RGB影像实现水稻株高高精度估算，方法新颖、数据跨两个生长季，对作物表型与精准农业有实用价值。
准确的株高估算对于监测作物生长和支持精准农业管理具有重要意义。人工测量劳动强度大，而基于激光雷达（LiDAR）的方法成本高昂且需要复杂的处理。无人机摄影测量提供了一种成本较低的替代方案，但在淹水稻田中仍面临挑战，原因在于冠层变形和地形提取困难。本研究提出了Rice-STNet，一种时空深度学习框架，用于利用多时相无人机RGB影像进行端到端水稻株高估算。Rice-STNet集成了用于空间特征提取的卷积神经网络、用于时间编码的Time2Vec，以及用于建模观测日期之间时间依赖关系的门控循环单元网络。该框架利用两个生长季从稻田采集的田间数据进行了评估。Rice-STNet取得了R²为0.97、均方根误差为1.97 cm、平均绝对误差为1.14 cm的结果。其性能优于随机森林、支持向量回归、仅使用CNN的基线方法以及基于无人机摄影测量的点云方法。此外，该框架生成了高分辨率株高图，用于田块尺度空间生长变异性分析。这些结果凸显了联合建模空间与时间特征对于持续变化的作物性状的重要性。所提出的框架为大规模作物表型分析和精准农业提供了一种准确、可扩展且非破坏性的解决方案。