《Computers and Electronics in Agriculture》:Robust Silique Wall Area Index retrieval in rapeseed: A Context-Driven Multimodal Dual-stream Fusion Network with canopy structural prior
编辑推荐:
•常规植被指数在结构复杂的角果冠层中会产生饱和效应。•冠层结构先验知识引导多模态特征融合,以实现稳健的SAI反演。•CDFN框架实现了R2 = 0.850和RMSE = 0.277,性能优于CNN和ViT基线模型。引言油菜(Brassica napus L.)是全球第二大油料
- •
常规植被指数在结构复杂的角果冠层中会产生饱和效应。
- •
冠层结构先验知识引导多模态特征融合,以实现稳健的SAI反演。
- •
CDFN框架实现了R2 = 0.850和RMSE = 0.277,性能优于CNN和ViT基线模型。
引言
油菜(Brassica napus L.)是全球第二大油料作物,也是第三大植物油来源(FAO, 2025, USDA Foreign Agricultural Service, 2026)。随着角果的发育,叶片逐渐衰老脱落,绿色的角果群体取代叶片成为新的冠层,成为油菜植株中占主导的光合组织,使角果丰度成为油菜产量形成期间的决定性因素。果实期的冠层结构与苗期的冠层结构存在根本性差异。细长的圆柱形角果紧密排列在花序上,其长度和朝向各异。角果的这种空间分布塑造了角果冠层的表面形态和内部结构,使其与叶冠层存在显著差异。这些结构差异表明,为叶冠层开发的叶面积指数(LAI)无法充分刻画角果冠层。角果壁面积指数(SAI)定义为单位地面面积上的角果壁总面积,能够反映光截获能力、光合能力和种子产量潜力。SAI的传统测定方法是将每个枝条上的所有角果摘除,并手动测量代表性角果的长度和宽度。尽管该方法提供了精确的参考值,但其破坏性极强、劳动强度大,且仅限于小样本,难以适用于大规模群体研究和育种选择中的表型分析(Araus et al., 2022)。光学方法具有非接触、非破坏性特点,但其可靠性受到角果冠层复杂结构特征及下部叶片光学干扰的影响,引入了系统偏差和显著的随机误差(Yan et al., 2019)。这些局限性凸显了迫切需要一种能够在田间尺度上非破坏性、高效地反演SAI的方法。因此,需要针对角果冠层的复杂独特特征开发专门的反演模型。
搭载RGB、多光谱或高光谱传感器的无人机(UAV)平台已被广泛应用于高通量表型分析和作物性状反演(Teshome et al., 2023, Wang et al., 2024)。在无人机叶冠层研究中,通常使用多光谱影像衍生的植被指数(VIs)来建立经验回归模型(Verrelst et al., 2015)。然而,植被指数在密集角果冠层下往往出现饱和现象(Baret and Guyot, 1991)。此外,植被指数无法直接反映复杂作物冠层(如角果冠层和大豆冠层)内部结构的变化,这些冠层具有明显的表面起伏和冠层空隙。基于灰度共生矩阵(GLCM)构建的纹理特征已被引入用于表征二维(2D)表面变化,在一定程度上可以缓解光谱饱和问题(Yue et al., 2019, Zhang et al., 2021, Du et al., 2024)。已有研究表明,结合光谱特征和纹理特征能够有效提高地上生物量估计的精度(Liang et al., 2022, Sun et al., 2024),但在表征显式三维冠层结构方面仍受到限制。同时,无人机获取的数字表面模型(DSMs)已被证明具有提取结构性状(如冠层高度和厚度)的潜力,提供了与冠层体积和结构相关的额外信息(Li et al., 2020, Gu et al., 2024)。此外,三维表面面积比已被应用于表征森林中的表面粗糙度和结构复杂性(Kane et al., 2008, Fischer et al., 2024)。植被指数(VIs)、纹理指数(TIs)和三维(3D)几何指标分别从光谱响应、表面变化和冠层几何等不同的影像属性中获取,因此具有表征角果冠层的巨大潜力。然而,现有的大多数表型分析方法都是针对常规叶冠层开发的,可能无法充分刻画具有不同器官结构的生殖冠层。油菜角果冠层是一种独特的以果实为主导的冠层,与叶冠层相比,在形态、光学和空间特征上均表现出显著差异。因此,关键挑战不仅在于提取单一特征,还在于整合互补特征以实现复杂角果冠层中SAI的精确反演。
为了整合这些特征以实现作物性状的精确反演,传统机器学习算法已被广泛采用(Chlingaryan et al., 2018, Van Klompenburg et al., 2020)。然而,其性能取决于手工设计特征的质量。低质量的特征整合可能在模型输入中保留冗余信息并增加过拟合风险。深度学习模型如卷积神经网络(CNNs)可以从原始图像中自动提取与角果冠层相关的特征(Kattenborn et al., 2021, Shuai et al., 2024)。然而,CNN通常需要足够大的训练数据集,小训练集也使CNN更容易过拟合(Barbedo, 2018, Nevavuori et al., 2019, Skobalski et al., 2024)。简单地将手工设计的纹理指数(TIs)与CNN提取的特征进行拼接,可能导致对同一冠层属性的冗余表征。这些局限性表明,需要一种整合两种范式互补优势的策略。利用手工设计的冠层先验知识来指导CNN特征学习,可以将先验知识与自动深度特征提取相结合,为SAI的精确反演提供了一条有前景的途径。然而,如何利用此类先验知识指导CNN实现SAI的高精度反演仍有待深入探索。
作物冠层可根据其主导器官分为叶型、叶-果混合型和果型三类。角果冠层是一种典型的果型冠层。此外,不同油菜品种之间的色素组成和含量通常存在较大差异。角果重量增加以及偶尔的不利天气条件可能导致植株不均匀弯曲。这些现象进一步加剧了田间条件下冠层的复杂性。为了精细刻画角果冠层的结构特征,本文尝试性地引入了冠层复杂性指数(CCI),并将其与植被指数和二维影像相结合,从而开发了一个有效的CDFN框架用于油菜SAI的反演。主要步骤包括:(1) 基于DSM推导CCI以描述冠层表面粗糙度;(2) 将CCI、选定的植被指数和多光谱图像块整合为上下文驱动的多模态双流融合网络(CDFN);(3) 在空间独立交叉验证下评估所提框架的反演精度、稳定性和可解释性。
章节摘要
材料与方法
如图1所示,所提方法框架包含四个部分。田间试验在长江中游地区进行(详见2.1节)。基于油菜角果期无人机平台获取的多光谱影像,进行了标准化处理。与无人机多光谱数据采集同步,使用LAI-2200C植物冠层分析仪进行了多次地面SAI测量(详见)
数据集统计与特征选择
我们分析了两年田间试验中收集的170个有效SAI样本。SAI值范围为1.29至4.53,均值为2.94,标准差为0.73。SAI值在均值周围广泛分布,无明显偏态,覆盖了不同的SAI水平。对于五个空间独立的GroupKFold折,我们比较了训练集和验证集的中位数和四分位距,两者大致相似,而验证集的值
讨论
在果实期,油菜冠层以角果为主导。角果壁面积与角果数量和角果大小高度相关,并通过冠层厚度和角果密度反映,被公认为估测油菜种子产量的关键性状。角果冠层的组成和内部结构特征决定了其高度的特异性和复杂性。在本研究中,将CCI创新性地与无人机获取的植被指数和图像块相结合
结论
本研究构建了一个具有冠层结构先验知识的上下文驱动多模态融合网络,用于反演角果壁面积指数,其性能显著优于传统的基于植被指数的方法。该模型为油菜产量的精确评估提供了强有力的基础。同样,该方法在其他具有果型冠层或器官混合冠层的作物中也有潜在应用价值。我们的工作将推动对冠层结构的深入解析,并实质性地促进智能育种和田间作物
作者贡献声明
李杰:写作——审阅与编辑、监督、项目管理、方法论、概念构思。郭景坤:写作——审阅与编辑、写作——初稿撰写、可视化、验证、软件、方法论、调查、形式化分析、数据管理。孟轩:调查、数据管理。张倩:资源、调查。龚秋涵:调查。刘升:调查。李艳:验证、软件。李立:写作——审阅与编辑、方法论。姚健:写作——
资金支持
本研究得到以下项目的资金支持:内蒙古自治区科技"突围"计划"挑战驱动"项目(2025KJTW0027)、中央级公益性科研院所基本科研业务费专项资金(编号:1610172026018)、湖北省重点研发计划(2023BBB030)、国家重点研发计划(2023YFD1201401)、中国农业科学院农业科技创新工程(
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:乔江海报告了由生物育种国家科技重大专项提供的资金支持(2022ZD04008)。乔江海报告了由中央级公益性科研院所基本科研业务费专项资金提供的资金支持(编号:1610172026018)。乔江海报告了由重点研发计划提供的资金支持
李杰 | 郭景坤 | 孟轩 | 张倩 | 龚秋涵 | 刘升 | 李艳 | 李立 | 姚健 | 王新法 | 王汉忠 | 乔江海