Embedding NDRE Trajectories into Contrastive Learning for Label-Free, Physiology-Aware Crop-Stress Staging and DSS Outputs

📄 arXiv: 2608.25888v1 📥 PDF

作者: Shafqaat Ahmad

分类: cs.CV

发布日期: 2026-08-26

💡 一句话要点

提出EigenCL以解决作物压力检测不足问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 作物压力检测 对比学习 NDRE轨迹 决策支持系统 精准农业 气候智能农业

📋 核心要点

  1. 现有的植被指数阈值和图像聚类方法无法有效捕捉作物压力的进展，限制了农场决策的有效性。
  2. 本文提出的EigenCL框架通过对比学习嵌入NDRE轨迹动态，以生理学为指导进行作物压力分级。
  3. 实验结果显示，EigenCL模型生成的压力聚类与土壤湿度和产量异常高度相关，显著优于传统方法。

📝 摘要（中文）

及时检测作物压力对于在日益频繁的干旱条件下维持产量至关重要。然而，传统的植被指数阈值或基于图像的聚类方法往往无法有效捕捉压力进展，限制了其在农场决策中的价值。为了解决这一问题，本文提出了EigenCL，一个基于生理学的对比学习框架，利用Sentinel-2 NDRE轨迹对作物压力进行分级，旨在为决策支持系统提供可解释和可转移的压力诊断。EigenCL在2020年对遭受干旱影响的爱荷华州的10,000个玉米NDRE样本进行训练，并在2023年对内布拉斯加州的田地进行测试，未进行重新训练。模型生成了四个生理上连贯的压力聚类（健康、轻度、中度、严重），显著优于包括K-Means、SimCLR、ProtoCLR和消融模型在内的基线。

🔬 方法详解

问题定义：本文旨在解决传统作物压力检测方法无法有效捕捉压力进展的问题，导致农场决策支持不足。

核心思路：EigenCL框架通过对比学习嵌入NDRE轨迹动态，结合生理学知识进行作物压力分级，提供可解释的决策支持。

技术框架：EigenCL的整体架构包括数据预处理、对比学习模块和聚类分析，利用Sentinel-2 NDRE数据进行训练和测试。

关键创新：最重要的创新在于将NDRE轨迹动态嵌入对比学习中，使得模型能够生成生理上连贯的压力聚类，超越了单一日期的NDRE阈值方法。

关键设计：模型训练使用了10,000个NDRE样本，损失函数设计为对比损失，网络结构采用了深度学习框架，确保了聚类的生理一致性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

EigenCL模型生成的四个压力聚类（健康、轻度、中度、严重）与土壤湿度的相关性高达0.72，且在聚类质量指标上显著优于K-Means等基线方法（Silhouette = 0.748, DBI = 0.35, CHI = 49,624），展示了其在作物压力检测中的有效性。

🎯 应用场景

该研究的潜在应用领域包括精准农业、作物监测和气候智能农业。通过提供早期压力警报和可解释的决策支持输出，EigenCL能够帮助农民更有效地管理作物健康，优化资源使用，提升产量和可持续性。

📄 摘要（原文）

Timely detection of crop stress is critical for sustaining yields under increasing drought frequency, yet conventional vegetation index thresholds or image-based clustering often fail to capture stress progression, limiting their value for farm decision-making. To address this gap, we present EigenCL, a physiology-guided contrastive learning framework that stages crop stress from Sentinel-2 NDRE trajectories, with the goal of providing interpretable and transferable stress diagnostics for decision support systems (DSS). EigenCL was trained on 10,000 maize NDRE patches from drought-affected Iowa fields in 2020 and tested on Nebraska fields in 2023 without retraining, with validation incorporating soil-moisture records, U.S. Drought Monitor maps, and county-level yield statistics. The model produced four physiologically coherent stress clusters (Healthy, Mild, Moderate, Severe), significantly outperforming baselines including K-Means, SimCLR, ProtoCLR, and an ablation model (Silhouette = 0.748, DBI = 0.35, CHI = 49,624). Clusters aligned with maize growth stages, with severe stress peaking around tasseling-silking (VT-R1), a stage known to drive yield loss; moreover, EigenCL clusters correlated with soil moisture at 0-14-day lags (rho up to 0.72) and matched yield anomalies in drought-affected counties. By embedding NDRE trajectory dynamics into contrastive learning, EigenCL enables early stress alerts and interpretable DSS outputs (e.g., heatmaps, scouting priorities, regional risk indices), extending beyond single-date NDRE thresholds and supporting scalable monitoring for climate-smart agronomy.