基于时序植被指数的无监督作物胁迫检测：特征向量引导对比学习
计算机视觉与模式识别
2025-06-05 v1
摘要
作物胁迫的早期检测对于最小化产量损失和实现精准农业中的及时干预至关重要。传统使用 NDRE 的方法通常仅在可见症状出现后检测到胁迫，或需要标注数据集，从而限制了可扩展性。本研究引入了 EigenCL，一种由时序 NDRE 动态和生物学基础的特征分解引导的新型无监督对比学习框架。利用超过 10,000 张来自受干旱影响的爱荷华州玉米田的 Sentinel-2 NDRE 图像块，我们为每个图像块构建了五点 NDRE 时间序列，并推导了 RBF 相似性矩阵。解释了 76% 方差且与原始 NDRE 值高度相关（r = 0.95）的主特征向量被用于定义面向胁迫的相似性以进行对比嵌入学习。与依赖视觉增强的现有方法不同，EigenCL 基于生物学相似的胁迫轨迹将嵌入向量拉近，并将发散的嵌入向量推开。学习到的嵌入形成了具有生理学意义的聚类，取得了优越的聚类指标（轮廓系数：0.748，DBI：0.35），并实现了在传统 NDRE 阈值之前最多 12 天的 76% 早期胁迫检测。下游分类取得了 95% 的 k-NN 准确率和 91% 的逻辑回归准确率。在独立 2023 年内布拉斯加州数据集上的验证确认了无需重新训练的泛化能力。EigenCL 提供了一种无标签、可扩展的早期胁迫检测方法，与底层植物生理学相一致，适用于数据匮乏的农业环境中的实际部署。
引用
@article{arxiv.2506.03394,
title = {Temporal Vegetation Index-Based Unsupervised Crop Stress Detection via Eigenvector-Guided Contrastive Learning},
author = {Shafqaat Ahmad},
journal= {arXiv preprint arXiv:2506.03394},
year = {2025}
}