近日，信息科学与工程学院姜红花教授团队联合农学院宁堂原教授团队在《Computers and Electronics in Agriculture》发表题为“Physics-informed deep learning for robust maize leaf area index estimation using multi-source data”的最新研究成果。信息科学与工程学院在读硕士生张志衡为论文第一作者，信息科学与工程学院姜红花教授和农学院宁堂原教授为共同通讯作者，山东农业大学为第一通讯单位。
图1 研究整体流程图
玉米叶面积指数（LAI）是表征冠层结构和作物生长状况的关键参数，对精准农业管理具有重要意义。然而，现有LAI估算方法多依赖通用机器学习模型，易受光谱饱和效应影响，且在不同年份、品种和田间管理条件下的泛化能力不足，限制了模型的实用性与推广价值。
图2 PhysLAINet的模型结构图
针对上述问题，团队提出了物理信息驱动的双分支融合模型PhysLAINet。该模型以双时相光谱-纹理特征和物候变量为输入，设计了物理约束动态叶面积密度（LAD）分支与物候增强Logistic分支，并通过自适应加权策略实现双分支融合。同时，引入多约束不确定性加权损失函数，对多阶段LAI预测进行联合约束。PhysLAINet将物理先验嵌入深度学习框架，有效缓解了光谱饱和效应，提升了对异常作物生长条件的敏感性。实验结果表明，PhysLAINet在2025年数据集上和在2023年跨年份数据集上全面超越所有对比方法。该模型参数量极低，可部署于智能手机与嵌入式边缘设备，满足了田间快速监测的实际需求。此外，团队基于PhysLAINet开发了端到端LAI估算系统，并在真实场景中完成了验证。该研究为将物理先验融入深度学习、推动精准农业发展提供了新的技术路径与理论框架。
图3 基于PhysLAINet的端到端玉米LAI估算系统界面图
该项研究获得了国家重点研发计划、山东省自然科学基金及山东省重大科技创新工程的资助。
论文链接：https://doi.org/10.1016/j.compag.2026.112342
撰稿人：周岩
审核人：吕建设 刘成峰 王娇
