文章标题融合物理约束网络和三维异速生长算子的无人机多时相苜蓿营养品质协同估测方法英文标题UAV-based temporal synergistic estimation of multiple alfalfa qualities integrating physics-informed network and 3D allometric operator研究单位西北农林科技大学机械与电子工程学院摘要准确监测苜蓿营养品质对于优化牧草管理至关重要。然而当前基于无人机UAV遥感的方法主要依赖单时相影像和经验性指数难以有效应对不同生长阶段的动态变化、冠层光谱饱和以及冠层观测与整株尺度之间的差异。此外由于样本量较小纯数据驱动模型容易过拟合数据中的相关性从而产生缺乏生物学合理性的预测结果。针对上述挑战本研究以127份苜蓿核心种质资源为研究对象构建了一套融合高维光谱挖掘、物理信息网络和三维异速生长传递算子的综合品质估计框架。首先我们在原始光谱空间和对数变换光谱空间中筛选了14,960种光谱算子并结合双重降维策略提取最优特征。结果表明由四个波段构成的双差分结构对纤维组分酸性洗涤纤维 ADF 和中性洗涤纤维 NDF具有极高的敏感性其相关系数绝对值达到|r| 0.896而基于对数解耦的光谱算子则能够准确分离粗蛋白CP和氮N的光谱信号其相关系数绝对值达到|r| 0.868。随后设计了一种物理信息稀疏浅层网络Physics-Informed Sparse Shallow NetworkPI-SSN。该网络利用时间注意力解耦机制自适应地为不同生长阶段分配各营养组分的权重并引入碳—氮代谢约束在多任务反演过程中保证预测结果符合生物学规律。相比仅利用单时期光谱数据多生长阶段时序数据显著提高了模型预测精度。PI-SSN在测试集上取得了优异的性能对于氮N、粗蛋白CP、酸性洗涤纤维ADF和中性洗涤纤维NDF的决定系数R²达到 0.812–0.848相对分析误差RPD均大于2.0明显优于各类基准模型。为解决无人机只能观测冠层而难以反映整株信息的问题我们进一步提出了一种三维异速生长传递算子3D allometric transfer operator综合利用冠层覆盖度和株高信息有效校正了由茎叶垂直分布造成的冠层观测偏差从而进一步提升了相对饲用价值Relative Feed ValueRFV的预测精度。最终本研究提出的方法为高通量牧草表型分析提供了一种具有较高精度和良好生物学可解释性的全新技术框架。数据采集本研究使用AMS10G多光谱成像仪搭载于大疆 M350 RTK 无人机采集光谱数据。该多光谱成像仪的波段范围为405~850 nm10个波段分别为405nm、430nm、450nm、550nm、560nm、570nm、650nm、685nm、710nm、850nm单通道图像高达1200万像素无人机相对飞行高度固定为 15 m数据采集时间为北京时间 10:00—14:00且均在晴天条件下完成。图1 研究区概况与无人机平台全貌表 1 AMS 十通道多光谱成像仪核心技术参数研究方法图2 PI-SSN 架构示意图图3 14维光谱指数搜索空间内绝对相关系数的概率密度分布图4 各营养指标最优14维光谱指数的特征波段组成与贡献矩阵图5 注(a)–(c) 为粗蛋白CP与氮N的特征筛选过程(d)–(f) 为酸性洗涤纤维ADF筛选过程(g)–(i) 为中性洗涤纤维NDF筛选过程。子图 (a)、(d)、(g) 展示基于目标相关性的一阶预测有效性筛选红色虚线为特征纳入阈值∣r∣≥0.85子图 (b)、(e)、(h) 为初筛保留特征的互相关矩阵深色区域代表存在严重多重共线性风险∣rxixj∣0.90子图 (c)、(f)、(i) 为最终留存的正交特征组合同时附低互相关验证矩阵。图 6 基于多时相特征的苜蓿品质反演模型综合性能对比(A) 训练集与测试集决定系数R2分布(B) 训练集与测试集均方根误差RMSE对比(C) 训练集至测试集平均绝对误差MAE演变矩阵气泡大小与配色严格对应绝对误差数值数值越低代表误差越小(D) 训练集虚线空心柱与测试集实心彩色柱相对分析误差RPD分布。图7 PI-SSSN 网络架构的内部决策机制与可解释性分析(A) 输入相同时序光谱时生化参数预测分支蓝色柱与结构参数预测分支橙色柱差异化注意力权重分配策略(B) 无惩罚生化分支与 L1 正则化结构分支第一层隐层相对权重幅值分布对比(C) 独立测试集上预测变量粗蛋白、中性洗涤纤维的互相关系数 (r) 分布体现物理软约束对相关度过放大问题的正则化校正效果。图8基于PI-SSN模型反演得到的127份苜蓿种质、两茬刈割期下4种植株冠层表观品质指标空间分布。图9苜蓿垂直剖面品质演变与三维结构异速换算算子校正分析(A) 冠层尺度与整株尺度下 4 项营养指标全氮 N、粗蛋白 CP、酸性洗涤纤维 ADF、中性洗涤纤维 NDF的数据分布特征揭示结构组分形态带来的生化指标稀释效应 (B) 基于冠层光谱直接预测整株品质灰色散点与三维算子校正后预测结果彩色散点的散点图及误差收敛效果对比。图10相对饲用价值RFV跨尺度预测流程与三维结构弹性参数分析(A) 品质指标跨尺度转换中水平冠层覆盖度弹性系数γ1与垂直株高弹性系数γ2的分布情况(B) 原始冠层光谱反演结果与三维算子校正后预测精度对比。研究结论针对无人机苜蓿品质监测中存在的冠层光谱饱和、多生长阶段动态响应不明确以及冠层尺度与整株尺度不匹配等关键难题本研究构建了一套全新的苜蓿品质估测框架。该框架融合了高维光谱特征挖掘、物理信息稀疏浅层网络PI-SSN以及三维异速生长传递算子。主要结论如下1高维光谱算子能够有效分离不同刈割茬次之间的光谱变异信息。基于原始反射率空间和对数变换空间构建了包含1至4维组合的光谱特征库。研究发现随着特征维度的增加各品质指标与光谱特征之间的相关性呈阶梯式提升。其中中性洗涤纤维NDF的最大绝对相关系数由一维特征的 0.39 提高至四维特征的 0.896。经过双阈值筛选后每个品质指标最终保留了3个相互正交的特征其两两交叉相关系数均低于 0.70显著降低了特征冗余和多重共线性的风险。2PI-SSN在小样本多任务反演中兼具较高的预测精度和良好的泛化能力。所提出的性状驱动解耦时间注意力Trait-Driven Decoupled Temporal Attention机制使生化分支更加关注早期观测信息T1权重为 0.459而结构分支则更加关注后期生长积累信息T3权重为 0.532这一结果与苜蓿碳—氮代谢过程的时间异质性规律相一致。此外引入生物学权衡约束biological tradeoff constraint使模型预测变量之间的相关关系与实测样本真实分布保持一致。在测试集上模型取得了 R² 0.812–0.848 的预测精度明显优于传统多任务学习基线模型。此外训练集与测试集之间的相对误差高度吻合进一步证实不存在过拟合现象。3三维异速生长传递算子能够有效校正冠层尺度与整株尺度之间的系统性观测偏差。该算子基于冠层覆盖度和株高构建模拟了植物三维空间扩展过程中碳分配的补偿机制。经过该算子校正后无人机仅观测表层冠层带来的蛋白估测偏差、纤维含量低估问题得到显著抑制相对饲用价值RFV估测精度大幅提升这一结果验证了在尺度转换过程中耦合三维结构参数的必要性和有效性。综上所述本研究提出的方法框架为多年生牧草品质的高通量、多时相遥感估测提供了新的研究思路同时也为精准牧场管理、优良种质资源筛选提供可靠的技术支撑。原文链接https://doi.org/10.1016/j.plaphe.2026.100244
