深度学习结合无人机高光谱精准估测冬小麦叶片氮含量

原文：Growth-stage deep learning for UAV hyperspectral estimation of leaf nitrogen content in winter wheat.
期刊：Plant phenomics (Washington, D.C.)（影响因子 6.4） |  PubMed | PMC 全文（含 PDF）

氮是作物生长发育不可或缺的核心营养元素，直接参与光合作用、物质合成与代谢调控，并最终决定产量与品质形成。对典型高氮需求作物冬小麦而言，叶片氮含量（LNC）是反映植株氮状态的便捷、低成本指标，比土壤氮测量更适合田间快速诊断。然而，如何在田块尺度上快速、准确获取 LNC，仍是精准施肥管理中的关键瓶颈。

无人机（UAV）遥感凭借高机动性与高时空分辨率，已被广泛用于叶面积指数、叶绿素、生物量和产量等参数反演。相比波段较少、难以刻画细微氮相关光谱响应的多光谱影像，UAV 高光谱影像具有连续窄带优势，能更精细地探测氮敏感光谱特征。但在冬小麦灌浆期，叶片中的氮会大量向籽粒再运转，LNC 随生育进程剧烈动态变化，并受环境、光照、温湿度及冠层结构、叶绿素降解等干扰，导致“光谱—LNC”关系出现阶段漂移。传统基于单一观测日期训练的模型难以跨阶段泛化，而现有研究也多聚焦生育中前期，灌浆期这一决定最终产量与品质的关键窗口长期被忽视。

核心发现：GD-LNC 模型实现跨阶段稳定估测

针对上述问题，研究团队提出了面向冬小麦 LNC 估测的“生育期深度学习模型”GD-LNC（Growth-stage Deep learning model for Leaf Nitrogen Content estimation）。该研究利用两个生长季的多因子冬小麦试验数据，包括 UAV 高光谱影像与同步地面样本，系统评估了模型性能。

结果显示，高光谱特征对 LNC 响应强烈；经 shuffled frog leaping algorithm（SFLA）筛选的波段保留了关键光谱信息，提升了估测精度与稳定性。GD-LNC 整体优于偏最小二乘回归（PLSR）、长短期记忆网络（LSTM）和随机森林（RF）。其中 SFLA-GD-LNC 表现最佳：训练集决定系数 R² 达 0.88、均方根误差 RMSE 为 0.20%；验证集 R² 为 0.85、RMSE 为 0.22%；测试集 R² 为 0.88、RMSE 为 0.21%（图1、图2展示了研究区、试验小区分布与整体流程）。

方法亮点：把“生育期”嵌入深度学习

GD-LNC 的核心创新在于将显式“生育期嵌入（growth-stage embedding）”与动态特征融合门控机制协同整合：把生育期作为关键参数引入深度学习高光谱模型，并构建多时相动态特征提取与生育期嵌入分支，再通过自适应融合机制动态调整各特征贡献权重（图3给出模型总体架构）。

在特征选择上，研究先用连续投影算法（SPA）和 SFLA 筛选 LNC 敏感波段，再进入深度学习框架。相比传统卷积结构受局部感受野限制、难以表达波段间全局依赖，或级联网络存在冗余计算的问题，GD-LNC 以阶段自适应建模增强了灌浆期多时相 LNC 估测的泛化能力，成功捕捉了 LNC 的时空动态。

应用意义：为精准氮肥管理提供通用框架

灌浆期是冬小麦氮素再分配、籽粒蛋白形成及后期叶面施氮决策的最后窗口。LNC 快速下降会导致早衰、光合期缩短，进而降低粒重与产量；同时 LNC 与籽粒蛋白浓度密切相关。GD-LNC 能在田块尺度上稳健制图并跨阶段适应，为 UAV 高光谱氮监测提供了可推广框架。

对农业遥感与植物表型组学研究而言，该工作不仅填补了灌浆期 LNC 遥感估测的知识空白，也展示了“生育期先验 + 深度学习 + 高光谱”的建模思路在复杂农艺性状动态监测中的潜力，为后续精准追肥、提高氮利用效率及跨作物、跨区域适应研究奠定了基础。

关键图表

本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。