基于高光谱和深度迁移学习的水稻氮素反演研究

摘要

[目的]北方寒地农业生产中普遍存在氮肥过量施用等不合理问题，造成了严重的资源浪费与土壤污染。为实现精准施肥，高光谱技术凭借其无损检测、快速响应的优势，可通过监测作物冠层氮素含量动态为变量施肥决策提供定量依据，已成为破解上述难题的核心技术支撑。但在实际应用中仍存在光谱数据获取难度大、质量要求高，数据迁移性差，模型的泛化能力和准确性低等问题。[方法]开发一种深度学习迁移模型用于水稻氮素高光谱反演与迁移学习。以寒地水稻为研究对象，采用手持式高光谱成像仪采集水稻高光谱数据。为实现模型在不同作物间的泛化能力，建立水稻-小麦跨作物数据集，进一步探究水稻与小麦生理规律共性。通过比较反向传播网络、随机森林和一维卷积神经网络3种回归模型在水稻氮素反演中的应用，发现1DCNN性能最佳。基于1DCNN网络结构，结合迁移学习与深度学习技术提出了Nitro-DTL模型，用于探究不同作物间的氮素预测精度。[结果]Nitro-DTL以小麦为源域的最佳预处理下的R2较直接迁移学习提高59.39%。结合边缘分布自适应对深度迁移学习模型进一步优化，其协同模型(TCA-Nitro-DFTL)表现最优，小麦为源域时其最佳预处理下的R2达到0.690，较直接迁移学习提升109.09%。[结论]该成果对于处理特征分布不同的数据集具有重要意义，为跨作物种类的精准农业实践提供了技术支持与理论参考。

关键词

水稻 / 氮素 / 高光谱 / 迁移学习