一种冬小麦叶茎穗器官生物量预测方法

本发明涉及遥感数据处理，尤其涉及一种冬小麦叶茎穗器官生物量预测方法。

背景技术：

1、精准农业是现代农业发展的重要方向，其核心在于根据田间作物生长的时空变异性，实施差异化的精准管理，以达到节约资源、提高产量和减少环境污染的目的。在这一技术体系中，作物生长信息的快速、准确获取是实现精准决策的基础。作物生物量是反映作物生长状况、光合作用能力和营养积累水平的关键参数，与最终产量密切相关。准确、快速地监测作物生物量，对于指导精准追肥、灌溉调度、病虫害防控以及产量预测具有至关重要的意义。传统的生物量监测方法主要依赖田间破坏性取样和室内理化分析，虽然精度较高，但存在费时费力、具有破坏性、成本高昂等问题，且难以在空间上连续、大范围地获取信息，无法满足现代精准农业对高通量、动态化监测的需求。

2、近年来，遥感技术的迅猛发展，特别是无人机平台的兴起，为作物生长信息的快速、无损、高通量获取提供了革命性技术手段。无人机遥感兼具极高的时空灵活性和数据获取能力，能够随时起降、按需作业，在分钟至小时级时间内完成对特定田块的高频监测。其中，无人机高光谱成像技术尤为突出，它同时具备高空间分辨率（厘米级）和高光谱分辨率（纳米级）的优势，能够捕捉作物冠层精细的光谱反射信息。这些光谱信息与作物的叶绿素含量、氮素水平、含水量及生物量等生理生化参数密切相关，为作物生长状态的无损反演提供了坚实的数据基础。

3、尽管利用无人机遥感技术估测作物生物量已取得显著进展，但现有研究大多集中于对作物总生物量的监测与反演。这主要是因为总生物量作为一个综合指标，其光谱响应特征相对明显，易于通过植被指数（如ndvi、evi）或纹理特征建立统计模型进行估测。然而，总生物量作为一个宏观聚合指标，难以揭示作物内在的生长分配机制与生理生态过程。实际上，作物的最终产量和品质并非直接由总生物量决定，而是取决于光合产物在不同器官中的分配与积累模式。以冬小麦为例，器官级生物量（叶生物量、茎生物量、穗生物量）具有明确的生理功能指向。叶生物量直接关联光合作用能力与叶面积指数，决定了光能捕获与转化效率，茎生物量是植株抗倒伏能力的物质基础，与茎秆机械强度和木质素沉积密切相关，穗生物量则直接决定了籽粒灌浆的物质来源与最终产量潜力。小麦抽穗后茎鞘中储存的同化物向籽粒的再分配效率是决定产量的关键因素，而叶、茎、穗之间的生物量比例失衡会显著增加倒伏风险或降低经济系数。因此，动态监测并精准估测小麦各器官的生物量，不仅能够为分蘖期控旺、抽穗期保花、灌浆期追肥等关键农艺措施提供直接依据，还能为抗倒伏品种筛选和高产育种提供高通量表型指标。

4、然而，当前针对小麦等禾谷类作物器官级生物量的无损估测研究仍相对薄弱且不够深入。这主要源于一个根本性的技术瓶颈：冠层光谱信息的混合效应。无人机高光谱影像通常以“像素”为基本单元，每个像素的光谱是地面瞬时视场内多种组分（如不同光照条件下的叶片、茎秆、穗、土壤背景等）光谱的复杂混合体。这种混合光谱模糊了不同器官的独特光谱响应特征，导致现有基于冠层整体光谱的估测模型在面对复杂的田间环境（如不同生育期、不同品种、不同种植密度）时，其精度、鲁棒性和可解释性都受到严重限制。从混合光谱中有效剥离并提取特定器官的光谱贡献，是实现器官级生物量精准反演的核心科学难题。

5、此外，与生物量密切相关的干物质、纤维素、木质素等成分的光谱吸收特征往往具有弱信号、宽波段的特点，容易淹没在强背景信号和噪声中。现有方法采用的传统整数阶微分处理虽然在增强光谱拐点方面有一定效果，但极易放大高频噪声，导致信号失真，无法有效保留和增强这些微弱的、但对生物量估测至关重要的独特信息。

6、现有技术方案主要集中在利用植被指数、机器学习等方法直接基于无人机高光谱影像的冠层平均光谱或像元光谱进行生物量反演。

7、基于冠层光谱植被指数的经验模型是最常用的方法之一。该方案首先获取无人机高光谱影像，计算整个感兴趣区域的平均光谱，然后根据经验或文献选择与生物量相关的窄波段植被指数（如ndvi、rvi、evi等），通过线性或非线性回归方法（如偏最小二乘回归plsr）建立植被指数与地面实测生物量之间的统计关系模型。该方案简单直接，易于实施。

8、另外一种方法是基于全波段光谱的机器学习模型。为了解决植被指数信息利用不充分的问题，另一类方案采用全波段光谱数据作为输入。该方案首先对冠层高光谱反射率进行预处理（如平滑去噪、多元散射校正），然后直接利用支持向量机（svm）、随机森林（rf）、人工神经网络（ann）等机器学习算法，建立全波段光谱与生物量之间的非线性映射模型。该方案能够挖掘更深层次的光谱信息，通常比仅用少数植被指数的模型精度更高。

9、上述现有技术方案虽然在一定程度上实现了作物生物量的估测，但存在以下显著缺陷和不足：

10、（1）混合光谱效应导致估测精度低、普适性差。现有方案均以包含多种端元（不同光照叶片、茎秆、穗、土壤）信息的混合光谱作为模型输入。这些组分的比例在田间不同位置、不同生育期不断变化，导致模型建立的光谱-生物量关系不稳定。例如，当冠层郁闭度低时，土壤背景影响显著；当小麦进入抽穗期后，麦穗的光谱贡献会干扰叶片和茎秆生物量的估算。这导致模型在跨区域、跨年份应用时精度大幅下降，普适性差。

11、（2）器官级生物量估算能力缺失。现有方案大多仅能估算地上部总生物量，无法有效区分叶、茎、穗等不同器官的生物量。不同器官的养分需求和生理状态各异，器官级生物量信息对于精准农事操作（如根据茎秆强度调控抗倒伏剂、根据叶面积指数进行精准追肥）至关重要，现有技术无法满足这一精细化需求。

12、（3）对弱敏感光谱特征挖掘不足。与生物量（特别是干物质积累）直接相关的光谱特征，如叶片水分、蛋白质、纤维素等吸收带，往往是较弱且宽的吸收特征。现有技术采用原始光谱或整数阶微分处理，虽然一阶、二阶导数能突出拐点，但极易放大高频噪声，导致信号失真，无法有效保留和增强这些微弱的、但至关重要的独特信息。

13、（4）数据输入形式与模型能力不匹配。现有机器学习模型多将一维光谱向量作为输入，而近年来在图像处理领域表现卓越的卷积神经网络（cnn）等深度学习模型擅长处理和学习二维图像中的空间-通道联合特征。直接将一维光谱序列输入给一维cnn或全连接网络，无法充分发挥深度学习模型在自动提取高阶、抽象特征方面的优势，限制了模型性能的上限。

技术实现思路

1、本发明提供一种冬小麦叶茎穗器官生物量预测方法，用以解决现有技术中存在的缺陷，实现从无人机高光谱混合像元中有效解析出器官级“纯净”光谱，并对弱敏感特征进行有效增强，进而构建适用于深度学习模型的高信息量输入数据。

2、第一方面，本发明提供一种冬小麦叶茎穗器官生物量预测方法，包括：

3、获取冬小麦冠层的无人机高光谱影像，以及地面测量的精细尺度端元光谱库和器官生物量实测数据；其中，端元光谱库包含对不同光照条件下的叶片、茎秆、穗和土壤背景的测量结果；

4、利用端元光谱库对无人机高光谱影像进行光谱解混，获取各精细尺度组分的丰度，并提取对各器官敏感的冠层纯净光谱；

5、对提取的冠层纯净光谱在预设阶次范围内进行多阶次分数阶微分变换，并通过与对应器官实测生物量的相关性分析，筛选出对相应器官生物量敏感的微分阶次组合；

6、将筛选出的微分阶次组合对应的微分光谱进行二维图像化编码，生成二维分数阶微分光谱图像；其中，二维分数阶微分光谱图像以波长为第一维度，以微分阶次为第二维度；

7、将叶、茎、穗三个器官各自对应的二维分数阶微分光谱图像在通道维度进行合并，形成多通道复合特征图；

8、将多通道复合特征图输入预先训练完成的器官生物量多任务预测网络，同步输出冬小麦的叶生物量预测值、茎生物量预测值和穗生物量预测值。

9、根据本发明提供的一种冬小麦叶茎穗器官生物量预测方法，对不同光照条件下的叶片、茎秆、穗和土壤背景的测量结果包括强光照叶片的光谱测量结果、温和光照叶片的光谱测量结果和阴影叶片的光谱测量结果；

10、对应地，利用端元光谱库对无人机高光谱影像进行光谱解混，获取各精细尺度组分的丰度，并提取对各器官敏感的冠层纯净光谱，包括：

11、利用所述端元光谱库对所述无人机高光谱影像进行光谱解混，采用完全约束最小二乘法混合像元分解模型进行端元丰度估计，通过丰度与冠层光谱反射率相乘获得各精细尺度组分的相对纯净反射率值。

12、根据本发明提供的一种冬小麦叶茎穗器官生物量预测方法，对提取的冠层纯净光谱在预设阶次范围内进行多阶次分数阶微分变换，包括：

13、基于grünwald-letnikov分数阶微分定义，在0至2的阶次范围内，以预设步长进行遍历，生成多个不同阶次的微分光谱曲线；其中，所述预设步长为0.1。

14、根据本发明提供的一种冬小麦叶茎穗器官生物量预测方法，通过与对应器官实测生物量的相关性分析，筛选出对相应器官生物量敏感的微分阶次组合，包括：

15、分别计算各阶次微分光谱与对应器官实测生物量的pearson相关系数，选取相关系数最高的前n个阶次作为该器官的优选微分阶次组合，n为预设正整数；

16、所述优选微分阶次组合的筛选过程对叶、茎、穗三个器官分别独立进行，使得各器官对应的所述二维分数阶微分光谱图像具有不同的微分阶次组合。

17、根据本发明提供的一种冬小麦叶茎穗器官生物量预测方法，所述二维分数阶微分光谱图像中，每个像素点的强度值代表该波长位置在对应微分阶次下的光谱反射率或其变换值；

18、所述二维分数阶微分光谱图像的尺寸由所述冠层纯净光谱的有效波段数和优选微分阶次组合的阶次数共同确定。

19、根据本发明提供的一种冬小麦叶茎穗器官生物量预测方法，将叶、茎、穗三个器官各自对应的二维分数阶微分光谱图像在通道维度进行合并，形成多通道复合特征图，包括：

20、对于每一个地面采样点，经过光谱解混、分数阶微分变换和二维图像化编码后，生成分别对应叶、茎、穗三器官的三张尺寸相同的单通道二维图像；

21、将所述三张单通道二维图像在通道维度堆叠合并，形成一个三维数据立方体作为所述多通道复合特征图；

22、所述多通道复合特征图的每一个像素在空间位置上对应同一采样点、同一微分阶次、同一波长位置，其三个通道分别承载叶、茎、穗三种器官的光谱增强信息。

23、根据本发明提供的一种冬小麦叶茎穗器官生物量预测方法，所述器官生物量多任务预测网络包括：

24、共享二维卷积神经网络主干网络，用于从输入的多通道复合特征图中提取共享的高层特征表示；

25、特征蒸馏模块，用于在所有任务分支之间进行信息蒸馏与再分配，所述特征蒸馏模块包含挤压激励模块，用于自适应地重新校准通道维度的特征响应，以及残差连接，用于保留任务特异性特征；

26、多个任务预测头部，分别对应于叶生物量预测、茎生物量预测和穗生物量预测。

27、根据本发明提供的一种冬小麦叶茎穗器官生物量预测方法，所述多任务深度学习预测网络的训练过程中，采用动态加权平均策略对多任务损失进行自适应平衡；

28、所述动态加权平均策略根据各任务损失在连续训练轮次之间的相对变化率，通过归一化指数函数动态分配各任务在当前训练轮次的损失权重，并计算加权多任务总损失。

29、根据本发明提供的一种冬小麦叶茎穗器官生物量预测方法，还包括对预测结果的精度评估步骤：

30、利用独立测试集，采用决定系数、均方根误差、平均绝对误差和相对均方根误差中的至少一个评价指标，对所述多任务深度学习预测网络输出的叶生物量预测值、茎生物量预测值和穗生物量预测值分别进行精度评估。

31、第二方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述冬小麦叶茎穗器官生物量预测方法。

32、本发明提供的冬小麦叶茎穗器官生物量预测方法，具有如下有益效果：

33、（1）大幅提升小麦器官级生物量预测精度。通过地面精细尺度端元光谱引导的无人机影像光谱解混，有效剔除了土壤背景、不同光照条件叶片、茎秆和麦穗之间的光谱交叉干扰，获得了用于各器官生物量预测的“纯净”光谱。这使得建立的模型更具针对性，显著提高了叶、茎、穗生物量的估算精度和普适性。

34、（2）增强了弱敏感光谱特征，提升了信号质量。采用分数阶微分变换，在抑制噪声的同时，有效放大了与生物量相关的弱吸收特征，相比于传统整数阶微分，能够更精细地挖掘光谱中的有效信息，为后续模型提供了更高质量的输入信号。

35、（3）创新性地构建了适配深度学习的光谱输入形式。通过将一维多阶次微分光谱编码为二维图像，巧妙地将“光谱-微分阶次”的联合信息呈现给擅长处理图像数据的卷积神经网络。这种编码方式不仅扩充了输入数据的维度，更使得模型能够自主学习不同波长和微分阶次组合对生物量预测的贡献，进一步挖掘了光谱数据的深层价值，提升了模型性能上限。

36、（4）创新性地融入了作物生理学知识。利用库源关系理论指导特征融合，构建的复合输入结构使深度学习模型能够自主挖掘叶、茎、穗生物量间的协同与制约规律，相比独立预测模型，进一步提升了预测的科学性和准确性。