来源：市场资讯
（来源：智慧农业期刊）
引用格式：李怡悦, 费帅鹏, 李雷, 贾艺丹, 王多霞, 张博涵, 肖永贵, 孟亚雄. 基于高光谱遥感和跨区域迁移学习的冬小麦叶绿素含量评估[J]. 智慧农业(中英文), 2026, 8(4): 47-59.
Citation:LI Yiyue, FEI Shuaipeng, LI Lei, JIA Yidan, WANG Duoxia, ZHANG Bohan, XIAO Yonggui, MENG Yaxiong. Estimation of Winter Wheat Chlorophyll Content Based on Hyperspectral Remote Sensing and Cross-Regional Transfer Learning[J]. Smart Agriculture, 2026, 8(4): 47-59.
DOI： 10.12133/j.smartag.SA202601026
李怡悦1，2， 费帅鹏2， 李雷2， 贾艺丹2， 王多霞1，2， 张博涵1，2， 肖永贵1，2*， 孟亚雄1*
（1.甘肃农业大学农学院，甘肃兰州 730070，中国； 2.中国农业科学院作物科学研究所/作物基因资源与育种全国重点实验室，北京 100081，中国）
摘要： ［目的/意义］针对高光谱遥感跨区域叶绿素评估中因“域偏移”导致的模型泛化性能下降问题，提出一种稳健自适应迁移学习框架（Robust Adaptive Transfer Learning, RATL）。［方法］通过自适应特征选择、特征权重调整与域适应训练3模块协同，实现跨区域知识有效迁移。基于2023—2024年冬小麦灌浆后期采集新乡与周口两地共1 491份冠层高光谱与叶片土壤与作物分析开发值数据，采用域偏移度量化两地光谱差异。并设置4种场景，比较RATL与直接迁移、迁移成分分析和相关对齐之间的精度。最后，采用可解释性与不确定性量化分析来验证RATL的可信度。［结果和讨论］结果表明：两地光谱分布存在显著差异（最大均值差异为0.20，P<0.001）。RATL在目标域上的预测性能最优（R2=0.75，均方根误差=7.49），较直接迁移（R2=0.61）提升23.4%，达到两地全数据训练理想效果的105.60%。沙普利加性解释分析显示，迁移后模型对红边波段（680～750 nm）及相关植被指数（改进型红边比值指数、归一化植被指数、绿度指数）的依赖度显著增强；不确定性量化结果表明，RATL具有更可靠的预测区间覆盖（预测区间覆盖率为79.52%）与更合理的区间宽度（平均预测区间宽度为17.47）。［结论］RATL框架有效缓解了高光谱叶绿素反演中的跨区域域偏移问题，为冬小麦叶绿素含量的区域化遥感监测提供了可靠技术支撑。
关键词： 高光谱遥感；冬小麦；叶绿素含量；迁移学习；域偏移
1
注：RATL框架包含3个核心模块：1）自适应特征选择模块，从高维光谱特征中筛选具有跨区域稳定性的100个核心特征；2）自适应特征权重计算模块，基于随机森林评估特征重要性，计算特征迁移权重；3）域适应训练模块，通过两阶段训练（预训练+微调）结合域适应损失，实现跨区域知识迁移。最终模型输出包含预测值、可解释性分析与不确定性量化。
图1 稳健自适应迁移学习框架（RATL）流程图
Fig. 1 Flowchart of the robust adaptive transfer learning （RATL） framework
2
Fig. 2 Histogram and kernel density estimation of chlorophyll content distribution in Xinxiang and Zhoukou
3
注：总特征数1 734维，筛选后核心特征100个（含89个原始波段和11个植被指数）；红边区域（680~750 nm）42/71个原始波段被选中，选择比例59.2%。
图3 自适应特征选择模块筛选的核心特征在光谱曲线上的分布位置
Fig. 3 Distribution of core features selected by the adaptive feature selection module on the spectral curve
4
注：选择波段数为89，选择波段平均稳定性为0.962。选中特征平均稳定性得分为0.83。红边区域（680~750 nm）特征的相关性与稳定性均表现突出。
图4 自适应特征选择模块筛选的核心特征与叶绿素含量的相关性及跨区域稳定性对比
Fig. 4 Comparison of correlation and cross-regional stability between core features selected by the adaptive feature selection module and chlorophyll content
5
Fig. 5 Scatter plot of the RATL model
6
注：颜色深浅表示特征值高低，红色为高特征值，蓝色为低特征值，横纵坐标分别为SHAP值（对模型输出的影响程度）与特征名称。
图6 SHAP值特征重要性图
Fig. 6 SHAP value feature importance graph
7
Fig. 7 Scatter plot of 90% prediction intervals versus measured values on the target domain （Zhoukou） using the RATL framework
作者简介
肖永贵 研究员
肖永贵，博士，研究员，中国农业科学院科技创新工程小麦亲本创制与新品种选育团队成员。研究方向为小麦遗传育种。
孟亚雄 研究员
孟亚雄，研究员，博士，博士生导师。研究方向为种子生产学，遗传学，作物育种学实验和作物育种学各论等课程。参与完成省部级科研项目10余项；发表研究论文80余篇；参与选育小麦、大麦新品种7个；获得国家自然科学奖二等奖1项、甘肃省科技进步二等奖2项、甘肃省科技进步三等奖1项和甘肃省农牧渔业丰收奖二等奖1项；申请授权专利10余项；参与编写甘肃省地方标准5项；参编专著1部。
转载请联系编辑部授权
本期支持单位
特别支持单位
热门跟贴