文章提出了一种基于深度学习的自动方法来估计大豆的相对成熟度，利用无人机图像时间序列。该方法采用端到端的CNN-LSTM混合模型，提取特征并捕捉时间序列数据的顺序行为。在六个不同环境中测试，结果表明该方法优于局部回归模型，且即使在减少飞行频率的情况下也能保持良好性能。此外，文章展示了该信息如何用于植物育种决策，帮助优化资源分配。
大豆是全球最重要的作物之一，其相对成熟度的准确估计对植物育种决策至关重要。传统方法依赖专家手动观察，效率低且易出错。无人机技术提供了高效图像采集，但将时间序列图像转化为可靠成熟度预测仍具挑战。深度学习模型为解决这一问题提供了新途径。
研究使用美国六个地点的无人机正射镶嵌图，覆盖两个生长季节。通过解析地块边界，提取单个地块图像并统一调整为固定尺寸。数据增强技术（如亮度/对比度调整和高斯模糊）被用于提升模型鲁棒性，模拟实际环境中的光照变化。
模型采用端到端架构：时间分布卷积层（CNN）从每张图像提取空间特征，长短期记忆网络（LSTM）捕捉时间依赖性。CNN包含四层卷积和两层最大池化，逐步压缩图像至特征向量；LSTM利用门控机制处理序列信息，输出成熟度预测。损失函数采用Huber损失以降低异常值影响：
\[ L_{\delta}(y,\hat{y}) = \begin{cases} \frac{1}{2}(y-\hat{y})^2 & |y-\hat{y}| \leq \delta \\ \delta|y-\hat{y}| - \frac{1}{2}\delta^2 & \text{其他} \end{cases} \]
在六个环境中测试两种飞行频率（每周5张、双周3张图像）。基准方法采用局部回归（LOESS）拟合植被指数，需手动优化阈值。评估指标包括平均绝对误差（MAE）和决定系数（R²）。
CNN-LSTM在五个环境中MAE低于2天，仅一个环境低于3天，显著优于LOESS模型。双周飞行下性能下降有限，表明模型对低频数据具强适应性。LOESS因阈值敏感性导致预测不稳定，尤其在环境6中R²趋近于零。
该方法减少了无人机飞行频率需求，双周飞行即可支持可靠决策，降低50%以上运营成本。环境分析显示部分区域仅需三次飞行，帮助育种者优先分配资源。模型可扩展至新环境，为覆盖数万大豆品种提供可行方案，提升育种效率。