文章标题：基于生长阶段深度学习的无人机高光谱冬小麦叶片氮含量反估算
Growth-stage deep learning for UAV hyperspectral estimation of leaf nitrogen content in winter wheat
研究单位：南京农业大学智慧农业学院
北京市农林科学院信息技术研究中心
摘要：
叶片氮含量（LNC）是评价作物氮素营养、指导精准施肥的关键指标。无人机高光谱遥感可实现大田尺度冬小麦氮素快速诊断，但小麦不同生长阶段会造成 LNC-光谱响应关系发生偏移，现有模型跨灌浆期估测泛化能力不足，制约多时相氮素监测应用。针对该问题，本研究提出了一种面向生长阶段的冬小麦叶片氮含量深度学习估算模型（Growth-stage Deep learning model for Leaf Nitrogen Content estimation in winter wheat，GD-LNC）。GD-LNC的核心创新在于，将显式生长阶段嵌入与动态特征融合门控机制进协同结合，将生长阶段作为关键参数引入基于深度学习的高光谱叶片氮含量估算模型。该方法提升了模型在灌浆期多时相叶片氮含量估算中的泛化能力。本研究采用两个生长季多水氮、多品种冬小麦试验数据集，包含无人机高光谱影像与地面实测样本。利用逐步投影算法（SPA）与混合蛙跳算法（SFLA）筛选对叶片氮含量敏感的光谱波段。
随后，构建多时相动态特征提取与生长阶段嵌入分支，并引入自适应融合机制动态调整各特征的贡献权重。上述模块相互协同，实现了对LNC的稳健估算与空间制图。结果表明：高光谱特征对叶片氮含量具有较强的响应能力；经SFLA筛选的特征波段能够保留关键光谱信息，提升了叶片氮含量估算的精度与稳定性。GD-LNC的估算性能优于偏最小二乘回归（PLSR）、长短期记忆网络（LSTM）与随机森林（RF）模型；其中SFLA-GD-LNC模型在训练集上的决定系数(R2)达到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%。该模型能够有效捕捉冬小麦叶片氮含量的空间和时间动态变化，为基于无人机高光谱遥感的氮素监测以及不同生长阶段间的模型适应与迁移提供了一种具有较好泛化能力的技术框架。
数据采集：
本研究基于 2 个生长季多水氮、多品种冬小麦田间试验，共获取 1044 组无人机高光谱影像与地面 LNC 同步实测样本。依托大疆 M300 无人机搭载X20P机载框幅式高光谱成像仪，在冬小麦各关键物候期（灌浆期）飞行采集田间冠层高光谱影像。X20P框幅式高光谱传感器光谱覆盖范围 350～1000nm，共计164个波段，光谱采样间隔4nm。详细参数如表2所示。
图1 研究区域及实验样地分布
表1 数据采集计划
表2基于无人机的高光谱成像系统的具体参数
研究方法：
图 2 实验流程图
图3 GD-LNC 模型中特征提取模块的架构
图4 GD-LNC 动态深度特征融合与回归预测模块整体架构
图5 不同生长阶段冬小麦叶片氮含量描述统计图 注：LNC 为叶片氮含量；IQR 为四分位距；Z71：籽粒水熟期；Z73：乳熟初期；Z75：乳熟中期；Z83：面团初期；Z85：软面团期；Z91：籽粒硬实期。(a) 2023 年各生长阶段冬小麦叶片氮含量描述统计图；(b) 2024 年各生长阶段冬小麦叶片氮含量描述统计图
表 3 不同算法筛选得到的叶片光谱特征波段
表4 未引入生长阶段信息的混合基准模型
表5 分生长阶段基准模型
表6 GD-LNC 模型组件消融实验
图6 不同建模方法的叶片氮含量估算结果
注：RF，随机森林；PLSR，偏最小二乘回归；GD-LNC，面向冬小麦叶片氮含量估算的生长阶段深度学习模型；LNC，叶片氮含量。
图7 长短期记忆网络的叶片氮含量估算结果
注：LSTM，长短期记忆网络；LNC，叶片氮含量
表7两种敏感波段筛选方法与三种建模算法的建模结果对比
图8基于 GD-LNC 模型的冬小麦叶片氮含量田间尺度空间分布图
**研究结论：**本研究开展了两个生长季的冬小麦田间试验，建立了一个由"敏感波段筛选---生长阶段融合---影像级叶片氮含量（LNC）反演与制图"构成的一体化估算流程。该流程能够基于无人机高光谱影像，实现不同生长阶段冬小麦叶片氮含量的监测与空间制图。GD-LNC模型的核心创新在于，将显式生长阶段嵌入与动态特征融合门控机制进行协同整合。这种耦合设计使模型能够同时考虑作物的物候背景信息，并根据不同时间观测结果，自适应调整不同光谱特征的贡献程度。
研究结果表明，SPA和SFLA均能够有效筛选出与LNC显著相关的光谱波段。然而，与SPA相比，SFLA所筛选的波段更多集中于蓝绿光和红光波段范围，同时保留了关键的红边至近红外波段信息。因此，基于SFLA特征集建立的模型具有更高的整体估算精度和更好的稳定性。在LNC估算方面，GD-LNC在两种特征波段集合下的表现均优于随机森林（RF）、长短期记忆网络（LSTM）和偏最小二乘回归（PLSR）。其中，SFLA + GD-LNC组合取得了最佳估算结果：训练集的R²为0.88、RMSE为0.20%；验证集的R²为0.85、RMSE为0.22%；测试集的R²为0.88、RMSE为0.21%。基于最优方法生成的灌浆期关键时期LNC空间分布图能够清晰捕捉不同日期之间LNC的动态变化。
综上，本研究提出的GD-LNC模型为利用无人机高光谱遥感估算冬小麦氮素含量提供了一种可行的方法。在灌浆期开展高密度物候监测，能够减弱不同日期、不同年份以及不同区域之间可能存在的生长阶段不匹配效应。然而，GD-LNC在当前研究所观测的灌浆期范围之外的其他生长阶段中的适用性仍有待进一步验证。