近日，国际顶级遥感期刊Remote Sensing of Environment刊发了中国农业大学信息与电气工程学院张瑶副教授题为《Transfer-learning-based approach for leaf chlorophyll content estimation of winter wheat from hyperspectral data》的研究论文。该研究以作物冠层高光谱遥感机理为基础，融合新型特征选择算法与迁移学习技术，提出冬小麦叶片叶绿素含量反演新方法。该方法提供了小样本条件下的冬小麦叶片叶绿素含量的高精度、高普适反演，为区域作物长势监测提供了重要的理论基础和技术手段。

　　该研究以作物冠层高光谱遥感机理为基础，首次提出了一种新型的特征选择算法，即幅值-形状增强型二维相关光谱分析法(amplitude- and shape- enhanced 2D correlation spectrum)。该特征选择算法在原始二维相关光谱分析的基础上，补充考虑了高光谱幅值和形状特征对外部扰动的响应，显著增强了其在特征选择，特别是高光谱特征选择中的表现。基于该方法所选波长在光合机理、分子结构以及光学特性等方面均与叶片叶绿素含量体现了良好的相关关系。敏感性分析显示，所选特征对于目标物具有极强的特异性。

　　图1.基于增强型二维相关光谱的特征选择框架

　　图2.在LAI变化情况下的增强型二维相关光谱特征分布

　　(a: LAI=1, b: LAI=2, c: LAI=3, d: LAI=4, e: LAI=5, f: LAI=6, g: LAI=7, h: LAI=mix values of 1 to 7)

　　基于深度神经网络的迁移学习技术将利用PROSAIL模拟数据训练得到的特征迁移至实际田间冬小麦叶绿素含量反演中，有效提高了叶绿素含量反演精度并降低了对田间实测样本集的数量要求。为了进一步验证该叶绿素含量反演方法的准确性、可迁移性以及普适性，本研究结合采集于不同年份，不同生育期，不同地区以及不同监测平台的实测田间采样数据对该方法进行了多角度的分析和验证，结果均表明，利用该方法可以在小样本的条件下获得良好的冬小麦叶片叶绿素反演精度。此外，所提出的方法还具有较强的年季扩展性，对于区域作物长势监测提供了重要的理论基础和技术手段。

　　图 3. 在30%, 50% 和70%标记样本精校后的冬小麦叶片叶绿素含量反演精度对比

　　(a, 2013 拔节期，b, 2013抽穗期， c, 2014拔节期， d, 2014抽穗期)

　　作者介绍：张瑶副教授本硕博均就读于中国农业大学信息与电气工程学院(现代精细农业系统集成研究教育部重点实验室)，师从实验室主任李民赞教授和郑立华教授。2017年博士毕业后前往北京大学地球与空间科学学院从事博士后研究，合作导师秦其明教授，研究方向为农田定量遥感。2019年博士后出站后，以优秀人才引进中国农业大学信息与电气工程学院。该研究得到了国家自然科学基金和国家重点研发计划等项目的资助。

　　来源：Zhang Yao, Hui Jian, Qin Qiming, Sun Yuanheng, Zhang Tianyuan, Sun Hong, & Li Minzan (2021). Transfer-learning-based approach for leaf chlorophyll content estimation of winter wheat from hyperspectral data. Remote Sensing of Environment, 267, 112724.