一句话总结

Brandt Group of Companies 提出 EigenCL，一种生理引导的对比学习框架，该框架在 2020 年爱荷华州受干旱影响的玉米田的 10,000 个 NDRE 斑块上训练，并在 2023 年内布拉斯加州田地上进行零样本测试后，嵌入 Sentinel-2 NDRE 轨迹动态，将作物胁迫分为四个生理一致的簇（健康、轻度、中度、重度），显著优于 K-Means、SimCLR、ProtoCLR 和消融实验（Silhouette=0.748，DBI=0.35，CHI=49,624），与玉米生长阶段一致，重度胁迫在抽雄-吐丝期（VT–R1）达到峰值，与 0–14 天滞后的土壤湿度相关（ρ 高达 0.72），并与受旱县的产量异常匹配，从而实现早期胁迫警报和可解释的决策支持输出，例如热图、侦察优先级和区域风险指数，用于气候智能型农艺。

核心贡献

• EigenCL 是一种生理感知的对比学习框架，通过将相似性锚定在 Sentinel-2 NDRE 时间轨迹的特征向量结构上，对作物胁迫进行分期，实现无标签的胁迫诊断。
• 在 2020 年爱荷华州的玉米 NDRE 斑块上训练，并在 2023 年内布拉斯加州田地上未经重新训练进行测试，EigenCL 产生四个胁迫簇，并显著优于基线（Silhouette = 0.748，DBI = 0.35，CHI = 49,624），展示了跨年份和跨区域的泛化能力。
• 多尺度验证表明，这些簇与玉米生长阶段一致，与 0–14 天滞后的土壤湿度相关（ρ 高达 0.72），与县级产量异常匹配，并支持可解释的决策支持输出，例如热图和区域风险指数。

引言

在日益多变的气候条件下，早期检测作物胁迫对于维持玉米产量至关重要，尤其是在抽雄-吐丝期，胁迫可使产量减半。遥感提供了可扩展的监测，但现有的聚类方法通常依赖于静态植被指数或视觉相似性，未能捕捉胁迫的时间进程。虽然自监督学习降低了标注成本，但其通用的相似性度量和增强可能会扭曲生理上有意义的信号，限制可解释性。作者引入 EigenCL，一种生理感知的对比学习框架，将相似性锚定在 NDRE 时间轨迹的特征向量结构上，强调叶绿素动态，以产生跨年份和区域泛化的胁迫簇，并与土壤湿度、干旱图和产量异常保持一致。

数据集

作者描述了一个以干旱为重点的玉米数据集，涵盖爱荷华州和内布拉斯加州。该数据集结合了卫星图像、产量记录、土壤湿度观测和干旱图。

• 卫星图像：使用 10 米分辨率的 Sentinel-2 多光谱数据提取 NDRE 值。作者从 7 月到 9 月以五天为间隔采样 100 × 100 像素的斑块。他们为爱荷华州 2020 年收集了 10,000 个斑块，为内布拉斯加州 2023 年收集了 3,500 个斑块。
• 产量记录：2019 年至 2024 年的县级玉米产量数据来自 USDA Quick Stats。这些记录用于确认所选胁迫年份的产量低于周围季节。
• 土壤湿度：每日土壤湿度数据来自三个爱荷华州环境 mesonet 站点：
  • 布坎南县 TPOI4
  • 莫诺纳县 CNAI4
  • 布埃纳维斯塔县 NWLI4 作者使用 12-24 英寸深度的每日值。
• 干旱图：2020 年、2022 年和 2023 年的美国干旱监测图定义了干旱胁迫区域。这些多边形确保验证在客观胁迫区域进行，而不是任意田块。

子集详情

• 爱荷华州 2020：主要训练集，因普遍干旱条件而选择。包括 10,000 个 Sentinel-2 NDRE 斑块。
• 内布拉斯加州 2023：外部测试集，用于评估跨区域的可迁移性。包括以相同协议采样的 3,500 个斑块。
• 产量数据：2019 年至 2024 年的县级记录，用作胁迫年份产量减少的辅助证据。
• 土壤湿度数据：来自采样区附近三个站点的每日时间序列，深度为 12-24 英寸。
• 干旱多边形：可用于 2020 年、2022 年和 2023 年，用作胁迫区域验证的空间过滤器。

数据使用方式

• 爱荷华州 2020 年斑块作为主要训练数据。
• 内布拉斯加州 2023 年斑块用于外部评估和可迁移性测试。
• 干旱监测多边形用于选择和验证客观胁迫区域。
• USDA 产量记录用于验证所选胁迫年份对应较低产量。
• 土壤湿度数据用作采样区的支持观测。

处理和过滤细节

• NDRE 从 10 米 Sentinel-2 图像中提取。
• 每个斑块为 100 × 100 像素。
• 斑块在 7 月至 9 月期间以五天间隔采样。
• 干旱监测图提供客观的空间过滤，用于胁迫区域验证。
• 提供的部分未指定除爱荷华州 2020 年作为主要训练集和内布拉斯加州 2023 年作为外部测试集之外的确切训练/验证混合比例。

方法

作者提出 EigenCL，一种用于作物胁迫表示的生理感知对比学习框架。与主要依赖视觉增强和余弦相似度的标准对比方法不同，EigenCL 使用时序 NDRE 模式来定义生物相似性。该流程包括三个主要组件：NDRE 轨迹表示、带非线性投影头的 ResNet50 编码器，以及由基于特征向量的胁迫权重驱动的推拉对比损失。

对于每个图像斑块，NDRE 计算为

$$NDRE = \frac{NIR - RE}{NIR + RE}$$NDRE=NIR+RENIR−RE​

其中 NIR 和 RE 是 Sentinel-2 光谱波段。NDRE 时间序列以五天为周期提取，每个斑块表示为一个五维向量 $\mathbf{x}_i \in \mathbb{R}^5$xi​∈R5，编码五个采集日期的平均 NDRE 值。

为了捕捉时间相似性，作者从 NDRE 时间序列构建高斯 RBF 相似矩阵。为清晰起见，该矩阵可写为

$$K_{ij} = \exp\left(-\gamma \|\mathbf{x}_i - \mathbf{x}_j\|^2\right)$$Kij​=exp(−γ∥xi​−xj​∥2)

其中 $\|\mathbf{x}_i - \mathbf{x}_j\|^2$∥xi​−xj​∥2 是两个五日 NDRE 轨迹之间的平方欧氏距离，$\gamma = \frac{1}{2\sigma^2}$γ=2σ21​ 是核带宽。然后提取该相似矩阵的主特征向量。每个图像斑块获得一个标量特征向量权重，作为胁迫严重程度的连续且生物学上有意义的代理。这些权重在每个批次内进行最小-最大归一化：

$$\hat w_i = \frac{\max(w) - w_i}{\max(w) - \min(w)}$$w^i​=max(w)−min(w)max(w)−wi​​

其中 $w_i$wi​ 是原始特征向量权重。归一化权重 $\hat w_i$w^i​ 随后驱动对比学习中的推拉机制。

在视觉方面，NDRE 栅格斑块被送入 ResNet50 编码器，生成 2048 维嵌入。一个轻量级投影头，由全连接层、批归一化和 LeakyReLU 激活组成，将这些嵌入映射到 $z_i \in \mathbb{R}^d$zi​∈Rd。投影嵌入经过 L2 归一化，之后可计算余弦相似矩阵为

$$\mathrm{sim}(z_i, z_j) = \frac{z_i^\top z_j}{\|z_i\|\,\|z_j\|}.$$sim(zi​,zj​)=∥zi​∥∥zj​∥zi⊤​zj​​.

该余弦相似度不是唯一的训练目标。相反，嵌入邻近性由源自 NDRE 特征向量权重的胁迫相似性引导。

作者从归一化特征向量权重定义了一个生理信息相似性得分：

$$\Delta_{ij} = |\hat w_i - \hat w_j|, \quad S_{ij} = \exp\left(-\frac{\Delta_{ij}}{\sigma}\right)$$Δij​=∣w^i​−w^j​∣,Sij​=exp(−σΔij​​)

其中 $\sigma$σ 是平滑超参数。该公式为具有相似胁迫轨迹的斑块分配高相似性，并严厉惩罚发散的 NDRE 剖面。

EigenCL 训练目标结合了拉和推项。对于生物学上相似的配对，拉损失最小化它们在嵌入空间中的角度距离：

$$L_{\mathrm{pull}} = \sum_{i \neq j} S_{ij} \log\left(1 + \frac{1 - \mathrm{sim}(z_i, z_j)}{\tau}\right)$$Lpull​=i=j∑​Sij​log(1+τ1−sim(zi​,zj​)​)

其中 $\tau$τ 是温度参数。对于生物学上不相似的配对，推损失应用基于边界的铰链排斥：

$$L_{\mathrm{push}} = \sum_{i \neq j} \lambda (1 - S_{ij}) \max\left(0, \mathrm{sim}(z_i, z_j) - m\right)$$Lpush​=i=j∑​λ(1−Sij​)max(0,sim(zi​,zj​)−m)

其中 $\lambda$λ 是权重因子，$m$m 是一个边界，鼓励不相似的嵌入保持至少 $m$m 的距离。最终损失按批次中唯一配对的数量归一化：

$$L_{\mathrm{EigenCL}} = \frac{1}{N(N-1)}\left(L_{\mathrm{pull}} + L_{\mathrm{push}}\right)$$LEigenCL​=N(N−1)1​(Lpull​+Lpush​)

其中 $N$N 是批次大小。

关键超参数通过使用留出验证数据的网格搜索进行调整，目标是最大化嵌入距离与基于 NDRE 的胁迫轨迹之间的 Pearson 相关性。搜索还考虑了内部聚类指标，包括 Silhouette Score、Davies-Bouldin Index 和 Calinski-Harabasz Index，以及对比损失收敛和基于 NDRE 的簇中心的稳定性。最终配置使用 $\lambda = 4.0$λ=4.0、$\tau = 0.075$τ=0.075 和 $m = 0.2$m=0.2；平滑参数 $\sigma$σ 通过相同程序调整。

为了评估可迁移性，作者将训练好的 EigenCL 模型不经微调应用于 2023 年生长季内布拉斯加州的 Sentinel-2 NDRE 斑块。使用相同的五日采样协议以及从爱荷华州 2020 年数据学习到的嵌入和簇阈值，测试胁迫感知表示是否能在具有不同干旱时间和严重程度的区域之间迁移。

这种生物学引导的公式确保嵌入反映胁迫进展，而不仅仅是视觉相似性。具有发散的 NDRE 剖面但视觉上相似的斑块被分离，而生物学上一致的斑块被聚类，支持胁迫感知表示学习。

实验

EigenCL 与消融模型、K-Means 和 SimCLR 进行基准测试，用于聚类 NDRE 时间序列，通过捕捉胁迫轨迹形状而非静态幅度，展示了优越的分离度和生物学可解释性。主特征向量被证明是必不可少的，生成的嵌入支持准确的胁迫分类，并在不同年份和区域之间与土壤湿度显示出一致的滞后一致性。这些簇可以直接转化为用于田块级警报和区域风险评估的操作决策规则。

该研究在爱荷华州 2020 年训练 EigenCL，并在内布拉斯加州 2023 年测试跨区域迁移，同时在多个爱荷华州年份进行额外的土壤湿度验证。与消融变体和 SimCLR 相比，EigenCL 实现了最佳的簇分离（Silhouette Score 0.748），其簇在最佳时间滞后后与土壤湿度一致。由此产生的四个胁迫等级可以直接转化为农场和区域管理的操作决策规则。EigenCL 在所有聚类指标上均优于所有基线，达到 Silhouette Score 0.748、Davies-Bouldin Index 0.350 和 Calinski-Harabasz Index 49,624.06。去除特征向量引导将 Silhouette Score 降至 0.533，而通用对比学习（SimCLR）仅得 0.416，证实了领域感知监督的价值。跨区域泛化在内布拉斯加州 2023 年未经重新训练得到验证，展示了实际的可迁移性。通过最佳时间滞后将土壤湿度与 NDRE 簇对齐提高了一致性，最显著的是在 2023 年（ARI 在 2 天滞后为 0.371，而同日接近零）。这些簇形成了从健康到重度的清晰胁迫梯度，并支持可操作的 if-then 规则，例如当重度胁迫超过田块斑块的 20% 时发出警报。

EigenCL 在爱荷华州数据集上显著优于所有其他聚类模型，实现了最高的 Silhouette Score、最低的 Davies-Bouldin Index 和最高的 Calinski-Harabasz Index。其胁迫簇在最佳时间滞后后与土壤湿度一致，由此产生的四级胁迫分类可以直接转化为农场和区域管理的可操作决策规则。EigenCL 的 Silhouette Score（0.748）远高于次优模型（0.533），表明簇更紧密且分离度更好。EigenCL 的 Davies-Bouldin Index（0.35）几乎是最近竞争对手（0.618）的一半，确认了更紧凑和更清晰的簇结构。EigenCL 的 Calinski-Harabasz Index（49,624）比 SimCLR 的（2,252）高出一个数量级以上，并且显著高于所有其他模型。使用最佳滞后将 EigenCL 簇与土壤湿度标签对齐显著提高了一致性，ARI 从同日接近零上升到 2023 年 2 天滞后的 0.371。四个胁迫等级（健康、轻度、中度、重度）支持清晰的 if-then 规则，例如当重度斑块覆盖至少 20% 的田块时触发紧急侦察警报。更高比例的重度簇与更大的负产量异常相关，将 EigenCL 输出与潜在的产量预测和风险管理联系起来。

EigenCL 嵌入支持对胁迫等级的下游准确分类。k-最近邻分类器达到 89.1% 的准确率和 0.87 的宏 F1，优于逻辑回归的 85.2% 准确率和 0.82 F1。简单最近邻模型的强劲表现表明嵌入捕获了分离良好的胁迫簇。k-最近邻达到 89.1% 的准确率，比逻辑回归高出 3.9 个百分点。k-NN 的宏 F1（0.87）高于逻辑回归（0.82），精确率和召回率也相应提高。

四个 EigenCL 胁迫簇显示出统计上不同的 NDRE 均值，所有成对比较均达到高显著性。出现了一个清晰的梯度，健康簇的 NDRE 最高，其次是轻度，然后是中度，最后是重度，值最低，证实这些簇捕捉到了有意义的胁迫连续体。所有簇对均表现出显著的 NDRE 差异（p < 0.0001），表明每个胁迫等级在光谱上是可分离的。NDRE 从健康到重度逐渐下降，健康和中度簇之间的均值差异最大。

源自 NDRE 的 EigenCL 胁迫簇显示出一致的年内梯度，从健康到重度，NDRE 随着胁迫加剧而下降。跨年份，所有簇中心从 2020 年到 2023 年都转移到更低的值，表明植被健康状况逐渐恶化，并与 2023 年增强土壤湿度-NDRE 耦合的干旱条件一致。这些簇被转化为操作决策规则，其中重度或中度类别的面积比例触发侦察、灌溉或监测行动。每年内，NDRE 值从健康簇到重度胁迫簇大幅下降。2023 年的簇中心在每个胁迫等级上都低于 2020 年，反映了植被状况的逐年恶化。2023 年的簇与土壤湿度测量显示出最强的一致性，表明胁迫类别直接捕捉到了当年的水分胁迫信号。决策支持规则使用簇比例：重度簇份额超过 20% 触发 24-48 小时内的紧急侦察和可能的灌溉。跨年份 NDRE 中心的下降与干旱胁迫的普遍增加以及土壤湿度与 NDRE 之间一致性的改善相吻合。

该研究在爱荷华州 2020 年数据上训练 EigenCL，并在内布拉斯加州 2023 年评估跨区域迁移，同时在多个爱荷华州年份进行土壤湿度验证。EigenCL 产生了最清晰的胁迫簇，消融实验证实特征向量引导是必不可少的，而通用对比学习产生的分离度较差。由此产生的四个胁迫等级形成了清晰的光谱梯度，在最佳时间滞后后与土壤湿度一致，并直接转化为操作决策规则，例如当重度胁迫超过田块面积阈值时发出侦察警报。