研究团队利用地面高光谱相机采集并分析了420幅水稻胁迫图像，构建了水稻14种NPK营养胁迫条件的高光谱库。基于Transformer的深度学习网络SHCFTT准确识别了营养胁迫模式，准确率达到93.92%~100%，优于SVM、1D-CNN和3D-CNN模型。该方法提高了营养胁迫检测的精度，有助于提高精准农业中作物健康监测和决策能力。

水稻是全球发展的重要作物，但其产量和品质受到各种胁迫的威胁，尤其是营养胁迫。监测作物胁迫的传统方法劳动密集且耗时。虽然遥感技术前景光明，但它面临着大气条件和混合农田群落等挑战。

当前研究强调了深度学习(尤其是 Transformer 架构)在增强高光谱成像(HSI) 分析方面的潜力。然而，将深度学习与 HSI 相结合以识别水稻NPK 胁迫的研究还很缺乏。

2024 年 5 月 29 日发表在《植物表型学》上的一项研究旨在通过开发基于 CNN 和 Transformer 架构的深度学习分类网络来解决这一空白，以便使用陆地高光谱图像准确识别水稻中的营养胁迫模式。

研究团队利用 SPECIM IQ 收集的 HSI 分析了不同营养胁迫下的水稻，计算了植被指数 (NDVI、PRI、PSRI) 以识别胁迫模式。归一化差异植被指数 (NDVI) 突出了氮 (N) 胁迫的趋势，显示了不同处理之间的不同值。

光化学反射指数 (PRI) 和植物衰老反射指数 (PSRI) 可有效指示钾 (K) 胁迫水平。这些指数提供了营养胁迫下水稻冠层光谱响应的详细视图。

为了进一步分析数据，研究人员采用了无监督可视化过程，揭示了复杂的聚类场景，并证明了需要高级建模来区分压力类型。随后，该研究提出了一个深度学习网络 SHCFTT，结合了 CNN 和 Transformer 架构，用于从高光谱图像中对营养压力模式进行分类。

消融测试证实了模型的有效性，当加入关键模块时，分类准确率显著提高。SHCFTT 模型的表现优于传统方法，在单年和两年数据集中实现了高达 100% 的总体准确率 (OA) 和平均准确率 (AA)。即使在训练样本有限的情况下，SHCFTT 也能保持较高的准确率，证明了其稳健性和实际应用潜力。

该研究首席研究员王振涛表示：“这些方法的提出，不仅对识别水稻的营养胁迫有积极作用，而且对田间作物健康状况的监测与决策以及精准农业也有重要意义。

“此外，这是在高度多样化和激烈的田间条件下进行水稻营养胁迫的典型案例研究。有助于高光谱成像作物表型研究和精准农业田间信息感知的发展。”

总之，这项研究提供了一种可靠的方法来监测水稻健康和管理营养压力，有助于改善作物管理和精准农业。未来的研究将侧重于将算法扩展到不同的作物，并优化注意力机制以提高性能。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：