《Artificial Intelligence in Agriculture》：Optimized modular transfer learning framework integrating PROSAIL and UAV-based hyperspectral reconstruction for cotton canopy water and nitrogen content retrieval
编辑推荐：
为了低成本、快速、准确地估算棉花全生育期的水分和营养状态，研究人员开展了一项整合PROSAIL辐射传输模型、无人机多光谱高光谱重建与模块化迁移学习的反演模型研究。他们构建了新的高光谱重建模型（swinT-HSCNN）和改进的敏感波段筛选方法，并结合优化后的PROSAIL模型，最终开发出的模块化迁移学习反演模型在实测数据上对叶片氮含量（LNC）和等效水厚度（EWT）的估算取得了高精度（R2分别为0.83和0.85）。该研究为棉花精准农业提供了有价值的技术支持，并增强了模型在不同区域的泛化能力。
棉花是全球重要的经济作物，及时有效的田间管理，特别是科学的灌溉和施肥，是提高其产量和品质的关键策略。然而，当前棉花生产中的水肥调控方案往往缺乏有效指导，这主要是因为缺乏一种稳定、低成本、能够长期精准监测棉花水分和养分状况的方法。因此，在整个生长季及多样化的环境中，快速、高通量地监测棉花的水分和营养状态，对于指导棉花生产至关重要。虽然遥感技术为快速获取作物生化组分提供了可能，但低成本获取高光谱分辨率数据仍是定量反演技术发展的瓶颈。同时，传统的反演模型常常面临光谱信息不足、物理约束理解不完整以及模型泛化能力有限等问题。为了解决这些挑战，一项整合了物理模型、数据重建与先进学习框架的创新研究应运而生。
该研究发表在《Artificial Intelligence in Agriculture》上，旨在构建一个泛化能力强、适应性好的棉花冠层叶片氮含量和等效水厚度的反演模型。研究人员巧妙地将基于PROSAIL的物理模型、基于无人机多光谱影像的高光谱重建技术以及模块化迁移学习三者结合。这项研究在中国新疆、江西、广东和海南等多个省份的棉花主产区和育种基地开展了长期、全面的田间试验，采集了不同水氮处理下棉花冠层的多光谱、高光谱影像以及叶片生化参数实测数据，构建了大规模、多地域的数据集。
本研究主要运用了以下几个关键技术方法：首先，利用无人机搭载的多光谱和高光谱传感器同步采集数据，并通过开发的工具生成了大量配对数据集，用于训练高光谱重建模型。其次，基于PROSAIL辐射传输模型，通过设置九项关键参数（如叶绿素含量Cab、等效水厚度Cw等），生成了大规模的模拟光谱数据集。再者，改进了现有的高光谱重建模型架构，提出了新的swinT-HSCNN模型，用于从低成本的多光谱图像重建出高光谱图像。此外，还提出了一种改进的增强型二维相关光谱方法用于筛选对目标参数敏感的波段。最后，设计了基于超参数搜索的神经网络结构，并创新性地采用模块化迁移学习的框架，将物理模型、重建模型和基于实测数据的经验校正模块独立封装并协同工作。
研究结果
3.1. 高光谱图像重建模块
研究人员构建并比较了三种高光谱重建模型。新的swinT-HSCNN模型在降低像素级系统误差和有效捕捉光谱变化方面表现出优于HSCNN+和MST++模型的性能。对系统差异一致性的评估表明，swinT-HSCNN模型在平衡峰值信噪比提升与较小结构信息损失方面表现良好。测试还发现，重建光谱与实测等效水厚度（EWT）的相关性甚至高于原始光谱，证明了重建模型用于反演的有效性。
3.2. 基于PROSAIL的棉花生理参数反演模块
在敏感波段选择方面，本研究提出的Original-E2DCOS方法对光谱响应特征表现出更高的敏感性，尤其是在相关性值较低的参数和波段范围内。最终筛选出702 nm、762 nm和938 nm三个波段作为对应棉花叶绿素含量和等效水厚度的敏感波段。基于全光谱和多光谱波段的、经过超参数优化的改进PROSAIL模型，展现出比基于敏感波段模型更优的拟合性能，在模拟数据上对Cab和Cw的反演达到了极高的精度，R2值均超过0.98。
3.3. 模块化迁移学习模型构建与验证
研究最终开发了一种新的、基于PROSAIL模型和无人机多光谱影像高光谱重建的棉花冠层水分和氮含量模块化迁移学习反演模型。该模型采用双分支网络结构，一个分支利用swinT-HSCNN重建的全光谱数据反演Cab，另一个分支利用重建数据合成的多光谱数据反演Cw，最后通过经验校准模块将Cab和Cw转换为叶片氮含量和等效水厚度。经实际实验数据验证，该模型对LNC和EWT的反演取得了良好的精度，R2分别达到0.83和0.85，RMSE分别为0.0048和0.0052。
结论与讨论
本研究表明，所提出的整合PROSAIL和无人机多光谱高光谱重建的模块化迁移学习框架，能够成功构建出具有良好反演精度和泛化能力的棉花冠层水氮含量模型。该模型的核心优势在于将物理约束融入到反演模型中，通过模块化设计有效避免了传统迁移学习中常见的知识覆盖和负迁移问题，使得基于物理的PROSAIL模块能够保持其独立性。改进的高光谱重建模型（swinT-HSCNN）和敏感波段筛选方法（Original-E2DCOS）为模型性能提升做出了贡献。最终模型在跨越不同气候区和种植制度的多个实验地点上得到了验证，证明了其良好的空间和时间迁移性。
这项研究的意义在于，它为集成物理约束与经验模型的遥感反演任务提供了一种新范式。它不仅为棉花生产中的水氮精准监测提供了强有力的技术支持，有望推动按需灌溉和变量施肥的实施，提高资源利用效率和棉花产量；更重要的是，其提出的模块化迁移学习框架具有普适性，为解决农业遥感乃至更广泛领域中的模型泛化、物理机理与数据驱动融合等难题提供了新的思路和技术路径。该研究展示了人工智能与农业物理模型深度结合的巨大潜力，是迈向智能化、精准化农业管理的重要一步。
