本文属于类型a，即单一原创研究的学术论文。以下是对该研究的学术报告：
本研究由山东农业大学信息科学与工程学院的张智恒、于济泰、朱亚琴、陆玉涛及姜红花等人，联合山东农业大学农学院宁堂原和西北农林科技大学农学院王东共同完成。论文发表于Computers and Electronics in Agriculture期刊2026年第255卷，文章编号112342，于2026年8月21日在线发表。
玉米是全球最重要的粮食作物之一，叶面积指数（leaf area index, LAI）是表征冠层结构和作物生长状态的关键参数，在产量估算、生长监测和水肥管理中具有重要作用。传统LAI监测依赖田间测量和卫星遥感，但田间方法费时费力，卫星遥感则受限于低空间分辨率、长重访周期和气候条件影响。无人机遥感虽提供了更高的时空分辨率，但光谱饱和效应、土壤背景干扰以及跨时空泛化能力不足仍是核心挑战。针对这些问题，本研究提出了一种物理信息驱动的深度学习模型PhysiLAINet，通过融合双时相光谱-纹理特征和物候变量，结合物理约束与物候趋势的双分支结构，以提高LAI估算精度和泛化能力。
本研究的工作流程包括实验设计、数据采集与预处理、模型构建、模型训练与评估以及端到端系统实现等环节。实验在山东省泰安市的两块试验田进行，试验区域A于2025年种植夏玉米品种郑单958，采用不同耕作方式，共80个小区，在8个生育期进行了数据采集，获得640组样本；试验区域B于2023年种植登海605，共30个小区，在4个生育期进行数据采集，获得120组遥感样本和90个LAI实测样本。试验区域A的数据集用于模型训练、验证和测试，试验区域B的数据集完全用于跨年份、跨品种的泛化性能评估。无人机多光谱数据通过DJI Matrice 300 RTK平台搭载RedEdge-P和RedEdge-MX多光谱相机获取，两个传感器均包含红、绿、蓝、红边和近红外5个波段。在试验区域A飞行高度为15 m，航向和旁向重叠率均为80%；试验区域B飞行高度为50 m，重叠率为75%。图像经Agisoft Metashape拼接和正射校正后，利用Arcmap和Python脚本提取小区级多光谱图像和光谱指数。基于NDRE图像提取了均值、标准差、平滑度、均匀性和熵5种纹理特征，与5个植被指数共同构成10维光谱-纹理特征集。物候数据选择了气温、降水、地表水平辐射和散射辐射4种公开气候变量，据此计算了累积生长度日、累积降水、7日累计降水、散射辐射比例和播种后天数共5个物候特征。LAI地面真值使用AccuPAR LP-80冠层分析仪测量，每个小区采集4次读数取平均值。
在模型构建方面，PhysiLAINet采用双分支结构。多源特征提取网络首先通过特征级自注意力机制分别对光谱-纹理特征和物候特征进行加权，然后通过多源门控机制实现特征融合，再经残差网络映射到高维隐空间。物理反演分支基于动态叶面积密度模型，该模型对传统LAD公式进行了改进：结构参数头预测x₀、b和c参数，其中x₀通过sigmoid和累积生长度日动态调整，b使用softplus函数保证平滑，c使用clamp函数限制范围。同时设计了多阶段非线性约束算子（multi-stage non-linear constraint operator, MNCO）替代原始公式中的y₀项，通过二阶非线性分母项构建动态置信度调制机制，在早期生长阶段保持近似线性敏感性，在冠层加密后降低增益效应从而缓解光谱饱和。物候趋势分支基于增强的logistic生长模型，使用累积生长度日拟合玉米的宏观生长过程。动态融合层根据累积生长度日生成融合权重α，对两个分支的输出进行自适应加权融合。训练采用多约束不确定性加权损失函数，引入可学习的对数不确定性参数，采用加权Huber损失并针对高LAI样本进行动态加权。
在模型评估中，选择了支持向量回归、随机森林回归、XGBoost、偏最小二乘回归和神经网络5种传统机器学习模型，以及MS-1DCNN、MS-VCNN和PROSAIL-DNN 3种深度学习方法进行对比。数据集A按8:1:1划分训练集、验证集和测试集，测试集A包括边缘行a9和a10。实验结果显示，在2025年测试集A上，PhysiLAINet的R²达到0.8866，RMSE为0.6147，RRMSE为15.29%，Bias为-0.1120，优于所有基线模型。与表现最好的基线模型PROSAIL-DNN相比，R²提高了4.77%，RMSE降低了14.16%，RRMSE降低了2.52%。在2023年跨年份、跨品种测试集B上，PhysiLAINet的R²为0.7119，RMSE为0.4663，RRMSE为30.63%，比最优基线模型的R²提高了37.54%，RMSE降低了22.72%，RRMSE降低了9.01%。Bootstrap重采样1000次的结果显示PhysiLAINet的R² 95%置信区间为[0.5994, 0.7953]，各指标均优于对比模型且置信区间更窄。消融实验表明，去除任一关键组件均会导致性能下降，尤其是在测试集B上，去除物候趋势分支或物理反演分支会导致R²骤降至负值，验证了双分支结构、MNCO算子、自适应融合模块、增强损失函数以及双时相输入策略的协同作用。推理效率测试表明，在小米14智能手机上总延迟为2.48 ms，吞吐量为402.9 samples/s；在NVIDIA Jetson Orin Nano开发板上总延迟为9.9 ms，吞吐量为101.1 samples/s。特征提取占约95.5%的延迟，模型推理仅占4.5%，模型参数量仅为0.017 M。此外，研究开发了基于PhysiLAINet的端到端Web系统，支持原始图像处理模式和预处理图像模式两种输入方式，已在实际田间环境中验证了完整流程的可行性。
研究结论表明，PhysiLAINet通过融合物理先验与深度学习，在玉米LAI估算中实现了较高的精度和较强的泛化能力。该方法有效缓解了光谱饱和效应，提高了对异常作物生长的敏感性，并通过显式物理约束增强了模型的可解释性。模型轻量化设计使其能够在边缘设备上进行高速推理，满足了田间快速监测的需求。
本研究的亮点在于提出了物理-物候双分支估计框架，将动态叶面积密度模型和增强logistic模型通过自适应融合策略有机结合；设计了多约束不确定性加权损失函数，基于对比学习原理引入可学习不确定性参数对各分支进行动态约束；构建了双时相多源输入以克服单源信息局限和长时序数据获取困难；开发的端到端系统实现了从田间数据采集到LAI估计结果可视化的完整工作流，为精准农业中的LAI监测提供了一种具有实用价值的技术方案。