利用冠层光谱形态特征和时间序列Transformer-LSTM模型，对香蕉在整个生长周期内的叶片面积指数（LAI）进行多源遥感监测

《Contact Lens and Anterior Eye》：Multi-source remote sensing of banana LAI across full growth cycle using canopy spectral-morphological features and temporal Transformer-LSTM

　　

林少明|马超|王娟|王书畅|张旭航|高珍|季天鹏

海南大学信息与通信工程学院，海口570228，中国

摘要

准确估算香蕉叶面积指数（LAI）对于生长监测和产量评估至关重要，然而密集的冠层三维（3D）结构及其时间动态对遥感方法提出了挑战。我们提出了一种基于多源遥感数据融合和Transformer-LSTM时间深度学习模型的香蕉LAI估算方法。我们开发了一种区域体积（RV）指标，这是一种精细的形态学参数，可以排除密集香蕉冠层下的空隙空间。从无人机多光谱图像和地面LiDAR点云中提取植被指数（VIs）、纹理特征（TFs）和冠层形态参数（CMPs）。基于VIs、TFs及其组合，开发了用于整个生长阶段的香蕉LAI估算的混合Transformer-LSTM模型。结果表明，所提出的RV指标在LAI估算方面的性能优于传统的冠层高度体积（CV）指标，测试R2提高了0.14以上，达到0.878，RMSE为0.72。同时，使用特征组合（VIs + TFs、VIs + CMPs、VIs + TFs + CMPs）的Transformer-LSTM模型比仅使用单一特征（VIs、TFs、CMPs）的模型性能更好，其中VIs + CMPs组合的准确率最高（R2 > 0.93，RMSE < 0.52）。Transformer-LSTM模型有效地捕捉了时间动态和全局依赖性，在整个生长周期数据集上实现了最佳的LAI估算性能（测试R2 = 0.951，RMSE = 0.458）。此外，该模型在所有生长阶段都保持了稳定的性能，在幼苗阶段的测试R2超过0.93，在开花阶段接近0.90，同时保持较低的RMSE。本研究通过整合改进的RV参数和时间深度学习模型，提供了一种可靠的香蕉LAI估算方法。

引言

香蕉在全球热带和亚热带地区广泛种植，不仅在食品工业中具有重要意义，而且对许多国家的经济发展也有巨大贡献（Panigrahi等人，2021年）。鉴于其重要的经济价值，有效的生产管理对农业生产者至关重要，需要准确监测香蕉植株的生长情况以提供优化产量的关键信息（Stevens等人，2020年）。在香蕉生产中，叶面积指数（LAI）是评估产量和质量的关键指标。LAI定义为单位地面面积上的总单侧叶面积，它影响冠层内外的微气候，调节冠层降雨截留、辐射衰减以及水和碳气体的交换（Bréda，2003年；Putzenlechner等人，2019年）。因此，准确估算LAI对于优化香蕉栽培管理非常重要。传统的LAI测量方法主要包括人工采样和基于冠层分析仪的技术。虽然人工方法简单直接，但它们在植株生长阶段涉及破坏性采样，并且容易受到人为误差的影响（Bréda，2003年）。虽然冠层分析仪测量结果准确，但大规模评估时劳动强度大且效率低下（Lv等人，2021年；McCallum等人，2010年）。

近年来，无人机（UAV）作为一种快速、灵活且非接触式的监测工具出现了，具有巨大的潜力。配备了各种传感器（如RGB、多光谱和高光谱相机），UAV可以高效地捕获目标区域的大规模遥感数据以供后续分析。从这些图像中计算植被指数（VIs）和纹理特征（TFs）已广泛应用于估算作物LAI（Bagheri和Kafashan，2025年；Colomina和Molina，2014年；Roslim等人，2021年）。与传统方法相比，这种方法具有非破坏性、高效率和时空连续性（Li等人，2016年；Wang和Fang，2020年）。随着作物的生长，其生物化学和生物物理特性（如叶绿素和水分含量）会发生变化，导致光谱和空间纹理参数的变化。例如，Li等人（2019年）证明，将UAV数字图像中提取的VIs和TFs与随机森林模型结合使用，可以显著提高水稻LAI的预测性能。在此基础上，Qiao等人（2022b）通过利用ResNet50提取的深度特征进一步提高了玉米LAI估算的准确性。这些进展强调了图像特征在提高LAI估算中的重要性，表明结合手工特征和深度特征可以显著改善作物监测和管理效果。

图像特征主要关注植被的光谱特性和像素的空间分布模式。然而，一些研究人员发现，仅从图像中提取的结构信息仍然有限，难以区分不同高度、高种植密度或显著空间异质性的植被（Greaves等人，2015年；Selkowitz，2010年）。相比之下，作物的冠层形态参数（CMPs），如冠层高度、冠层覆盖度和冠层体积，可以提供更详细的结构表征，有助于克服这些限制并提高作物生物量的估算准确性（Kalacska等人，2017年；Li等人，2016年；Maimaitijiang等人，2019年）。例如，Qiao等人（2022a）利用基于UAV的多光谱传感器收集了多个生长阶段的玉米数据。通过从图像中提取VIs和CMPs，他们构建了LAI估算模型，显著提高了动态LAI监测的准确性。同样，Wang等人（2017年）表明，将高光谱VIs与LiDAR衍生的指标结合使用，比单独使用VIs或LiDAR数据获得了更好的LAI估算效果。这些发现表明，结合基于图像的特征和形态特征特征可以更好地估算作物LAI。

然而，由于香蕉的密集种植方式，相邻植物的叶子在生长过程中会逐渐重叠。从遥感的角度来看，这种重叠使得清晰区分单个植物变得困难。因此，使用每单位面积测量的CMPs作为输入特征更为合理（Liu等人，2023年；Qiao等人，2022a）。在 vegetative 阶段的中后期，香蕉植物的冠层覆盖度往往接近饱和，之后进一步的变化变得很小。这限制了仅使用冠层覆盖度来预测后期LAI的实用性。此外，随着植物逐渐长高，冠层下扩展的空间在LAI估算中变得越来越重要。结合多个形态特征可以有效缓解依赖单一特征的局限性。为了解决这些问题，结合多种CMPs（如冠层覆盖度和每单位面积的植物体积）的方法能够更全面地理解和表征香蕉植物的冠层结构。