通过遥感器和深度学习模型实时准确地监测作物

根据伊利诺伊大学的研究团队，强大的机载传感器可能是帮助农民在美国玉米带上持续管理玉米的关键。 研究利用遥感器和新开发的深度学习模型，对作物氮、叶绿素和光合能力进行了准确、快速的预测。

这项研究发表在 国际应用地球观测和地理信息杂志 杂志上，可以指导农民的管理实践，帮助减少化肥使用，提高粮食产量，减轻整个地区的环境破坏。

“与传统的叶组织分析方法相比，遥感提供了更快、更具成本效益的方法来监测作物养分。及时、高分辨率的作物氮素信息将非常有助于种植者诊断作物生长并指导适应性管理，”主要作者 Sheng Wang 说，伊利诺伊大学厄本那香槟分校的研究科学家和助理教授。

玉米带在美国和全球分别生产约 75% 和 30% 的玉米，在粮食生产中发挥着重要作用。从印第安纳州到内布拉斯加州，由于农业、玉米育种、新技术和肥料的改进，该地区的产量是 19 世纪 80 年代的 20 倍。

农民依靠氮基肥料来提高光合作用、作物产量和生物能作物的生物量。然而，过量施用会使土壤退化，污染水源，并导致全球变暖。氮是农业中最大的温室气体排放源之一。

准确测量作物中的氮含量可以帮助农民避免过度施用，但手动进行调查既费时又费力。

“依靠先进的传感技术和机载卫星平台来监测农作物的精准农业可能是解决方案，”伊利诺伊大学厄瓜多尔香槟分校蓝水副教授 Kaiyu Guan 说。

到目前为止，还没有一种可靠的方法可以快速监测整个生长季的叶片氮水平。利用高光谱成像和机器学习模型，该团队提出了一种混合方法来解决这些限制。

超光谱成像一个不断扩大的遥感领域使用光谱仪，将一个像素分解成数百个不同波长的图像，提供更多关于所捕获图像的信息。

研究人员配备了高灵敏度的高光谱传感器，在伊利诺伊州的一个试验田上进行了飞机调查，收集作物反射数据。植物的化学成分，如氮和叶绿素会影响反射，传感器甚至可以检测到 3 到 5 纳米的细微波长变化。

图 1 该研究方法的说明性总结，“通过机器学习和辐射传输建模对作物性状和玉米产量的氮缺乏的航空高光谱成像。”由王盛提供。

利用 辐射传输模型 和数据驱动的偏最小二乘回归（ PLSR ）方法，该团队开发了深度学习模型，以根据空中反射数据预测作物性状。根据这项研究， PLSR 需要相对较小的标签数据来进行模型训练。

研究人员使用 cuDNN 和 NVIDIA V100 GPU 预测作物叶片和冠层水平的氮、叶绿素和光合能力。

根据地面真实数据测试算法，模型的准确率约为 85% 。这项技术速度很快，每英亩只需几秒钟就能扫描田地。王说，这种技术可以非常有助于诊断作物氮素状况和产量潜力。

这项工作的最终目标是利用卫星图像对美国玉米带内外的每一块农田进行大规模氮监测。

“我们希望这项技术能为利益相关者提供及时的信息，并促进种植者对可持续农业实践的管理，”关说。

关于作者

Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

审核编辑：郭婷