CTGNN: UAV-satellite cross-domain transfer learning for monitoring oat growth in China’s key production areas
Notice bibliographique
Résumé
Modern agricultural production necessitates real-time, precise monitoring of crop growth status to optimize management decisions. While remote sensing technologies offer multi-scale observational capabilities, conventional crop monitoring models face two critical limitations: (1) the independent retrieval of individual physiological traits, which overlooks the dynamic coupling between structural and physiological traits, and (2) inadequate cross-platform model transferability (e.g., from UAV images to satellite images), hindering the scaling of field-level precision to regional applications. To address these challenges, we proposed a deep learning-based framework, Cross-Task Growth Neural Network (CTGNN). This framework employed a dual-stream architecture to process spectral features for Leaf Area Index (LAI) and Soil Plant Analysis Development (SPAD), while using cross-trait attention mechanisms to capture their interactions. We further assessed the knowledge transfer capabilities of the model by comparing two transfer learning strategies—Transfer Component Analysis (TCA) and Domain-Adversarial Neural Networks (DANN)—in facilitating the adaptation of UAV-derived (1.3 cm/pixel) data to satellite-scale (3 m/pixel) monitoring. Validation using UAV-satellite synergetic datasets from extensively field-tested oat cultivars in China's Bashang Plateau demonstrates that CTGNN significantly reduces the prediction errors for LAI and SPAD compared with independent trait models, with RMSE reductions of 6.4–14.4 % and 10.5–15.6 %, respectively. In a cross-domain transfer learning scenario, the CTGNN model with the DANN strategy requires only 5 % of satellite-labeled data for fine-tuning to achieve regional-scale monitoring (LAI: R2 = 0.769; SPAD: R2 = 0.714). This framework provides a novel approach for the collaborative inversion of multiple crop growth traits, while its UAV-satellite cross-scale transfer capability facilitates optimal decision-making in oat variety breeding and cultivation technique dissemination, particularly in arid and semi-arid regions. • A novel CTGNN framework was developed for synergistic LAI and SPAD estimation in oat growth monitoring. • CTGNN enabled effective transfer from UAV to satellite data, extending UAV model utility to regional scales. • Using DANN and fine-tuning, CTGNN achieved high accuracy with minimal satellite data, ideal for data-scarce scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».