深度学习结合植物物理学提升作物无损氮素监测 | Newswise

氮素是植物生长的必需元素，是蛋白质、叶绿素和核酸的重要组成部分。叶片中的氮素浓度是光合能力和整体生长潜力的重要指标。传统氮素测量方法依赖破坏性采样结合实验室化学分析，耗时且成本高昂。相比之下，高光谱传感提供了一种无损替代方案，通过将与氮素相关的生化特性与特定光谱吸收特征联系起来。然而，现有方法面临挑战：经验模型需要大量现场数据，且在训练环境外表现较差；物理模型虽然更具可迁移性，但在复杂反演问题上存在困难。混合方法试图融合两者，但通常遭遇“域偏移”问题，即用于训练的模拟光谱与实际测量不符。\n\n2025 年 10 月 10 日，中国农业大学及精准农业实验室的李道良和余康团队在《Plant Phenomics》发表了一项新研究，提出了一种快速无损监测多种作物叶片氮含量（LNC）的新方法。该方法结合植物辐射传输理论、深度学习和高光谱反射率数据，旨在提升氮素评估的可靠性和可迁移性。研究通过连续小波变换（CWT）和一阶导数（FD）处理模拟的定向-半球反射率（DHRF）光谱和实测的双向反射因子（BRF）光谱。这些光谱变换减少了镜面反射和域偏移引起的差异，特别是在可见光和近红外区域，提高了光谱的可比性并突出关键氮相关吸收特征。\n\n利用这些变换光谱，研究团队首先应用包含 30 个植被指数（VI）的参数回归模型。在全面模拟数据集上训练时，基于氮分配模型的若干植被指数（如 GARI、GNDVI、GRVI 和 CI800,550）表现出中等准确度，而依赖蛋白质转氮公式的指数表现较差。通过使用更具代表性的模拟样本子集（T100 数据集）重新校准模型，叶片氮估计准确性显著提升。例如，植被指数 SR708,775 达到 0.303 g/m² 的均方根误差（RMSE）和 0.494 的决定系数（R²），强调了样本代表性在参数建模中的重要性超过数据集规模。\n\n研究进一步探索了结合机器学习和深度学习模型与光谱变换的非参数混合方法。深度学习模型，尤其是 Conv-Transformer 架构，在整个模拟数据集上优于传统机器学习技术和基于物理的反演。使用 T100 子集训练进一步提升了 Conv-Transformer 的准确性，将 RMSE 降至 0.247 g/m²，R² 提升至 0.665。消融实验和跨作物验证显示，基于光谱相似性的样本选择策略和改进的 Transformer 架构协同促进了性能提升。\n\n重要的是，该框架在玉米、小麦、水稻和高粱等多种作物中均表现出一致的 LNC 预测准确性和稳健性，表明该方法有效缓解了域偏移问题，即使在数据稀缺情况下也能提供准确氮估计，无需昂贵的现场校准。鉴于其依赖叶片尺度的双向反射率测量——比积分球测量更实用——该方法适合常规农业监测并促进技术转移。\n\n总体而言，植物物理学、深度学习和高光谱数据的整合代表了精准农业的重要进步。及时准确的氮素诊断可实现优化施肥策略，提升作物产量同时减少环境污染。该研究成果为可扩展、经济且可转移的氮素监测工具铺平了道路，对可持续农业至关重要。