基于三维自编码多尺度特征提取的无人机牧草高光谱影像自主采集研究

本研究针对传统牧草识别方法效率低、覆盖范围有限的问题，创新性地提出三维自编码多尺度多层卷积网络（3DAMCN），通过无人机低空采集牧草高光谱影像（LA-UFHI），结合通道与空间注意力机制及自动编码技术，显著提升了牧草分类精度（OA达99.8%）。该研究为草地资源管理与品种改良提供了高效技术方案，相关成果发表于《Expert Systems with Applications》。

　　

草地作为重要的农业资源，直接影响畜牧业发展和水土保持。然而，传统牧草识别依赖人工勘察，效率低下且难以区分形态颜色相近的品种。尽管高光谱技术能通过连续波段捕捉植被细微特征，但近地面采集难以覆盖大面积，而卫星遥感又缺乏足够分辨率。中国农业科学院草原研究所的研究团队通过自主采集低空无人机牧草高光谱影像（LA-UFHI），结合创新的三维自编码多尺度多层卷积网络（3DAMCN），实现了牧草的高效精准分类，成果发表于《Expert Systems with Applications》。

研究采用三项关键技术：1）搭载Nano-Hyperspec传感器的DJI M300 RTK无人机在65米高度采集700×700像素、270波段的高光谱数据；2）三维自编码注意力机制（3DAM）并行计算空间X/Y和光谱Z维度权重，通过压缩重构强化关键特征；3）多尺度多层卷积网络（MMCN）采用7×7至1×1递减的卷积核层级提取全局与局部特征。

研究结果

1. 数据集构建
   在内蒙古呼和浩特（40°34′N, 111°45′E）采集12类牧草数据，包括虉草（Bromus japonicus）、羊草（Leymus chinensis）等，空间分辨率0.065米。通过ENVI 5.3标注像素级标签，建立首个低空牧草高光谱数据集。

2. 3DAMCN模型设计
   模型通过1×1卷积初始化特征，3DAM模块结合通道注意力（MLP加权）和空间注意力（7×7卷积），对特征进行低维压缩和高维重建。MMCN采用四层递减卷积结构，全局平均池化（GAP）替代全连接层减少参数量。

3. 性能验证
   在LA-UFHI、WHU-Hi-LongKou和WHU-Hi-HongHu数据集上，3DAMCN的OA分别达99.8%、99.9%和99.9%，显著优于3D-ResAE（92.4%）和DC-CapsNet（90.1%）。对形态相似的虉草与短芒大麦草（Shortawn Barleygrass）分类准确率达99.9%，F1-score超99%。

4. 计算效率
   CPU训练下，LA-UFHI单轮耗时5.68分钟，内存占用97%，较3D-DenseNet（611分钟）效率提升7倍。L1正则化和Dropout有效防止过拟合（kappa值99.8%）。

结论与意义
该研究首次将三维自编码与多尺度卷积结合，解决了牧草光谱混合和形态相似导致的分类难题。3DAMCN在Indian Pines等公共数据集上OA超99.9%，验证了强泛化能力。成果为草地精准管理和牧草育种提供了自动化解决方案，推动高光谱农业应用从实验走向产业化。未来可进一步优化模型轻量化，适应边缘计算设备部署需求。