图1 研究地点地图。红框里的大白菜是商业品种。以其他白菜为主要研究对象。

图2 深度学习分割模型的框架。在本实验中，输入可以是多光谱图像、RGB图像或增强分辨率的RGB图像。输出为预测标签，用于对大白菜图像进行分割。在图中，conv表示卷积层，up-conv表示上采样层，然后卷积层，maxpooling表示最大池化层，copy表示卷积层的副本，merge表示2-function层的合并，dropout表示退出层。

图3 大白菜排列示意图及3个表型参数的预测。通过像素数估计植物的长度和宽度，并根据灰度值预测SPAD值。

图4 在ArcMap(地图制作，空间分析，空间数据建库软件)中生成标签的步骤。(A)原始图像。(B)给大白菜一个个贴标签。(C)标签图。

图5 G网络loss和D网络loss 

图6 SRGAN分辨率增强效果。两个单独的中国卷心菜显示为示例;左边是实际图像，右边是经过SRGAN分辨率增强的图像。

图7 3个模型的精度和损失为(A)精度和(B)损失。对于验证集，采用SRGAN增强RGB图像的模型表现最佳，精度最高，损失最小。

图8 验证集的预测性能。(A)使用所有波段的结果。(B)使用RGB波段的结果。(C)使用RGB波段与SRGAN分辨率增强的结果。

图9 3种UNet模型的拟合性能。(A)多光谱图像模型的实际宽度与预测宽度。(B)使用RGB图像且没有分辨率增强的模型的实际宽度与预测宽度。(C) RGB图像和分辨率增强模型的实际宽度与预测宽度。(D)多光谱图像模型的实际长度与预测长度。(E)使用RGB图像且没有分辨率增强的模型的实际长度与预测长度。(F) RGB图像和分辨率增强后模型的实际长度与预测长度。

图10  3种模型的实际值与预测值的比较。红色三角形代表实际值，聚类直方图代表3个模型的预测值。

图11 SPAD预测的性能。(A)基于G通道的多光谱图像模型的实际与预测SPAD值。(B)基于G通道的RGB模型的实际与预测SPAD值。(C)基于G通道的分辨率增强的RGB模型的实际与预测SPAD值。(D)实际的vs基于3个RGB通道的多光谱图像模型的SPAD值预测。(E)基于3个RGB通道的RGB模型的实际与预测SPAD值。(F)基于3个RGB通道的分辨率增强的RGB模型的实际与预测SPAD值。