作物冠层特征估计的跨模态学习

近期植物表型学的进展推动了多传感器平台用于收集作物冠层反射率数据在广泛采纳。包括来自多个平台的异构数据收集，其中无人机（UAV）因其在作物监控、预测和预测任务中的高性能而受到广泛使用。类似地，卫星任务也被证明有效用于农业相关任务。与UAV相比，卫星受限于空间分辨率，这阻碍了其在以微图块管理为焦点的现代农业系统的有效性。本文提出一种跨模态学习策略，将UAV级别的视觉细节丰富化到高分辨率卫星图像中，用于作物冠层特征估计。我们使用约为共配准的卫星UAV图像对数据集进行训练，该数据集来自美国玉米带5个不同地点上84个杂交玉米品种的复制图块。我们训练的模型学习了不同感知模态之间的细粒度光谱空间对应关系。结果表明，针对收敛任务（包括产量和氮含量预测）生成的UAV样代表现均优于真实卫星图像，证明了跨模态对应学习在农业监测中桥接卫星与UAV感知之间的潜力。