近日，公司王娟教授团队在国际知名期刊 Computers and Electronics in Agriculture（中科院一区Top期刊，影响因子8.9）发表题为“Multi-source remote sensing of banana LAI across full growth cycle using canopy spectral-morphological features and temporal Transformer-LSTM”（DOI: 10.1016/j.compag.2026.111870）的研究论文。该研究面向热带香蕉密植冠层结构复杂、生长周期变化显著、传统遥感估算精度不足等问题，提出了一种融合无人机多光谱、地面激光雷达与时序深度学习的香蕉叶面积指数全周期精准估算方法，为热带经济作物长势监测、产量评估和智慧化管理提供了高效无损的新技术路径。

香蕉是热带、亚热带地区重要经济作物，叶面积指数是表征作物光合能力、生长状态和产量潜力的重要参数。受密植栽培、叶片宽大重叠、冠层结构随生育进程快速变化等因素影响，香蕉叶面积指数的精准获取一直面临较大挑战。传统地面测量方法效率低、劳动强度大，且部分方法具有破坏性；常规遥感方法多依赖光谱指数或二维影像纹理信息，难以充分刻画香蕉冠层三维结构特征，限制了全生长周期动态监测的精度与稳定性。

针对上述问题，王娟教授团队联合中国热带农业科学院王树昌研究员团队，构建了无人机多光谱影像与地面激光雷达协同的多源遥感观测体系，系统提取植被光谱指数、影像纹理特征和冠层形态参数。在此基础上，研究创新提出区域体积（Regional Volume，RV）形态指标，通过优化冠层有效空间表达，降低密植蕉园冠下无效空间对结构参数反演的干扰，更准确地表征香蕉冠层三维结构与生物量变化特征。团队进一步构建了 Transformer-LSTM 混合时序深度学习模型，综合发挥 LSTM 对时序动态变化的建模优势和 Transformer 对长程依赖关系的捕获能力，实现了香蕉全生长周期叶面积指数的高精度反演。

研究结果表明，区域体积指标较传统冠层体积参数具有更强的结构表征能力，可显著提升香蕉叶面积指数估算效果。多源遥感特征融合与 Transformer-LSTM 时序模型相结合，进一步增强了模型在不同生育阶段的适应性和稳定性，在苗期、营养生长期、开花期和结果期等关键阶段均取得了较好的估算精度，有效缓解了密植作物冠层结构复杂、时序变化剧烈导致的遥感监测不稳定问题。该研究构建的“多源遥感特征提取—冠层三维结构优化表征—时序深度学习反演”技术框架，实现了香蕉全生长周期叶面积指数的高通量、无损、精准监测，也为橡胶、芒果等热带密植经济作物的冠层表型解析与长势动态评估提供了可借鉴的技术方案。相关成果可为智慧蕉园精准管理、变量施肥、病虫害早期预警和产量预测提供关键数据支撑，对推动热带农业数字化、智能化和绿色高效生产具有重要意义。

图1：论文刊登

图2 蕉林区域体积（RV）

图3 Transformer LSTM模型

图4 LAI估算结果

图5 香蕉植株全周期叶面积指数时空分布

论文链接：https://www.sciencedirect.com/science/article/pii/S0168169926004655

本研究得到国家重点研发计划、国家自然科学基金国际合作与交流等项目资助。太阳成集团tyc234cc为论文第一单位和第一通讯单位，中国热带农业科学院环境与植物保护研究所为合作单位。

一审：颜子钦

二审：汝绍锋

三审：张喜瑞