Progressive Multimodal Integration for RGB-Based NDVI Inference in Golf Course Turfgrass

方法

U-Net编解码融合RGB、球场区域与气象数据，12万张配准图像块五种子评估。

发现

基础气象季节信息显著提升精度，但温度积算与扩展环境信息无增益甚至降低泛化。

机会点

可探索环境变量冗余筛选与跨气候区迁移，避免无效多模态堆叠导致泛化下降。

归一化差异植被指数（NDVI）是草坪草状态的关键指标。然而，直接测量NDVI需要能够捕获红光和近红外（NIR）波段的多光谱传感器，这促使人们日益关注利用深度学习方法从常规红绿蓝（RGB）影像推断NDVI。现有的多模态研究主要比较同时纳入多个环境变量的最终模型性能，而少有研究系统量化单个环境信息模块的增量预测贡献。因此，本研究提出渐进式多模态集成（P系列）框架，在统一的U-Net风格编码器-解码器融合拓扑（各阶段容量几乎相同）和相同训练协议下逐步添加环境信息。四个模型（P1b、P2、P3和P4）使用相同的RGB影像、球场区域信息以及用于处理环境信息的多层感知机分支从零开始训练。P1b作为零天气基线，其环境变量输入设为零。分析使用了来自四个高尔夫球场的87个站点-日期的121，683个共配准RGB-NDVI图像块，这些球场位于冷季型和暖季型草坪草共存的气候过渡区。NDVI目标值使用无需反射率校准的业务化NIR/Red图像处理流程生成。模型采用基于球洞的无泄漏划分和五个随机种子进行评估。在验证数据上，P1b的平均绝对误差（MAE）为0.0230，决定系数（R²）为0.975。在P2中添加基本气象和季节信息显著提升了性能（Holm校正p < 0.001）。相比之下，在P3中添加基于气温的生长度日未产生统计学显著的额外收益（p = 0.273），而在P4中添加扩展环境信息则显著降低了泛化性能（p < 0.001）。冗余分析表明，大多数新增变量在很大程度上可由前一信息模块解释（平均R² ≈ 0.90），表明添加变量并不必然增加预测信息。在对六次未来采集的辅助分析中，三次显示误差与历史性能相当，两次保持在历史误差范围内但在异常凉爽的气象输入下精度明显降低，另有一次