在现代农业生产中,作物是否“吃饱”了,尤其是氮素的供应情况,直接决定了产量和品质的高低。以冬小麦为例,氮素作为植物生长的关键营养元素,不仅影响植株的叶片生长、茎秆粗壮和籽粒形成,还显著关系到最终的产量表现和小麦的蛋白质含量,从而影响面粉质量和加工性能。然而,传统的测量方法依赖人工取样和实验室分析,费时费力,难以覆盖大面积农田。
随着农业技术的不断进步,利用高光谱成像、近红外传感器和无人机技术,实现作物氮素含量的快速、非破坏性检测,成为精准农业的重要方向。
01 高光谱无人机遥感+光谱融合,快速判断小麦“营养状况”
近日,中国农业科学院农田灌溉研究所的研究团队在《Computers and Electronics in Agriculture》发表最新成果。他们利用无人机搭载的RGB、多光谱(MS)和高光谱(HS)传感器,从空中采集小麦冠层的光谱信息,并结合机器学习算法,实现了对小麦植株氮含量(PNC)的高效预测。

图1.实验区域
研究区域A:河南省新乡市
地点:中国农业科学院农田灌溉研究所综合试验基地(新乡市)
实验特点:
共设120个试验小区
设置4种氮肥梯度(150~300 kg/ha)
选用10个小麦品种
研究区域B:河北省邢台市南和区
地点:邢台烟草公司燕里基地
实验特点:
共设135个小区
设置3种氮肥梯度(0~150 kg/ha)
选用15个小麦品种
两地分别代表了黄淮海地区典型的冬小麦主产区,在气候、土壤、管理方式上存在差异,因此非常适合用来检验模型在跨区域预测中的泛化能力。

图 2. 数据采集和处理流程图。(A)Phantom 4 Pro(RGB),(B)DJI Mavic 3(MS),(C)M600 Pro(HS),(a)区域 A,(b)区域 B
本研究使用了三种不同类型的遥感传感器:
RGB传感器(可见光)
多光谱传感器(红边+近红外)
Resonon Pika L 高光谱传感器(400–1000 nm)
其中,Resonon Pika L 高光谱成像仪搭载于DJI M600 Pro无人机上,凭借高波段分辨率、轻量化设计和出色的数据质量,在整个实验中发挥了重要作用。

图3.等权重积分搜索策略

图4.迁移学习策略
研究发现:
➡ 单独使用高光谱数据时,模型预测精度最高;
➡ 与RGB和MS数据结合后,通过非等权重融合策略建模,可进一步提升预测准确率(R2最高达0.73,RMSE仅1.29 mg/g)。
图 5. 高光谱区各波段的原始反射率。(a) 区域 A (b) 区域 B。每条曲线代表一个地块的原始高光谱平均反射率。
图 6. 不同氮处理条件下高光谱区各波段的平均反射率。(a) 区域 A (b) 区域 B。
02
“迁移学习”提升模型适应力,实现跨区域精准预测
模型在一个地区训练,能否应用到另一个地区?研究团队引入了人工智能中的迁移学习策略,将一个地区(如河南)的数据作为模型基础,适当引入另一个地区(如河北)少量样本进行模型更新。
实验结果表明:
当引入18个样本后,模型在新区域的预测效果大幅提升;
表现最优的模型R²达到0.61,RMSE仅为1.30 mg/g;
该策略解决了“跨区域预测效果差”的难题,为大范围推广提供了可能。

图7. 相关矩阵。a、b分别代表区域A和B

图8. 迁移学习准确率的变化
03应用价值:精准农业管理的“智能助手”
本研究的技术路线,适用于:
精准施肥指导;
大田作物长势监测;
农业科研与智能农机系统集成。
相比传统方式,这一方法具有非接触、高效率、区域适应性强等优势,为构建现代智慧农业体系提供了可靠的技术支撑。
04 参考文献
论文标题:Enhancing winter wheat plant nitrogen content prediction across different regions: Integration of UAV spectral data and transfer learning strategies
发表期刊:Computers and Electronics in Agriculture