一个研究小组开发了水稻营养胁迫的高光谱库

一个研究小组使用陆地高光谱相机收集和分析了420张水稻胁迫图像，开发了一个用于水稻14种NPK营养胁迫条件的高光谱库。基于变压器的深度学习网络SHCFTT准确识别了营养胁迫模式，优于SVM、1D-CNN和3D-CNN模型，准确率在93.92%至100%之间。这种方法提高了营养胁迫检测的精度，有助于改善精准农业中的作物健康监测和决策

水稻是全球发展的重要作物，但其产量和质量受到各种胁迫，特别是营养胁迫的威胁。监测作物胁迫的传统方法劳动密集且耗时。虽然遥感技术显示出前景，但它面临着大气条件和混合农田社区等挑战

当前的研究强调了深度学习的潜力，特别是Transformer架构，以增强高光谱成像（HSI）分析。然而，缺乏将深度学习与HSI相结合来识别水稻NPK胁迫的研究

2024年5月29日发表在《植物表型》杂志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差距，从而使用陆地高光谱图像准确识别水稻的营养胁迫模式

一个研究小组使用SPECIM IQ收集的HSI来分析不同营养胁迫下的水稻，计算植被指数（NDVI、PRI、PSRI）以确定胁迫模式。归一化差异植被指数（NDVI）突出了氮（N）胁迫的趋势，显示出不同处理的不同值

光化学反射指数（PRI）和植物衰老反射指数（PSRI）有效地指示了钾（K）胁迫水平。这些指标提供了水稻冠层在营养胁迫下光谱响应的详细视图

为了进一步分析数据，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。然后，该研究提出了一种深度学习网络SHCFTT，结合CNN和Transformer架构，对高光谱图像中的营养胁迫模式进行分类

消融测试证实了该模型的有效性，显示当包括关键模块时，分类准确性显著提高。SHCFTT模型优于传统方法，在一年和两年一次的数据集中实现了高达100%的总体准确度（OA）和平均准确度（AA）。即使在有限的训练样本下，SHCFTT也保持了高精度，证明了其稳健性和实际应用的潜力

根据该研究的首席研究员王振涛的说法，“这些方法的提出不仅对识别水稻的营养胁迫有积极影响，而且对田间和精准农业中作物健康状况的监测和决策也有意义。

”此外，这是一个在高度多样化和集约化的田间条件下进行水稻营养胁迫的典型案例研究。为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做出了贡献。“

总之，这项研究为监测水稻健康和管理营养胁迫提供了一种可靠的方法，有助于更好的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