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
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 Network，PI-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 Value，RFV）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 nm，10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 1～4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1～4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。
（2）PI-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。
