農業行業
在全球農業向可持續發展轉型的背景下，小麥作為支撐22 億人口主食需求的重要作物，其生長狀態直接關系到糧食安全與生態平衡。氮素作為影響小麥生長和產量形成的關鍵因素，科學調控氮肥施用是提升資源利用率、減少環境壓力的核心環節。而葉片氮含量（LNC）作為反映作物氮素供需平衡的核心指標，其快速、精準監測成為精準農業發展的重要需求。傳統監測方法受限于效率與覆蓋范圍，難以滿足大規模田間管理需求，而無人機高光譜遙感技術的興起，為這一難題提供了新的解決方案 —— 杭州彩譜科技FS-60C高光譜相機，憑借其優異的性能表現，成為解鎖小麥氮素精準監測的關鍵設備。
江蘇大學研究團隊在Jiangsu Agricultural Expo Park開展的小麥氮素監測研究中，采用大疆M300RTK無人機搭載彩譜FS-60C高光譜相機，構建了從數據采集到精準預測的完整技術流程。該研究覆蓋小麥拔節期、抽穗期、開花期和灌漿期四個關鍵生育階段，通過6次飛行采集高光譜數據，為后續分析提供了豐富的基礎素材。
FS-60C高光譜相機具備突出的技術參數優勢，能夠捕獲391.43–1009.56nm 范圍內的300個光譜波段，最終光譜分辨率達2.5 nm,可細致捕捉小麥葉片在不同氮素水平下的光譜響應差異。獲取的高光譜數據空間分辨率為每像素0.017m，相機能夠精準記錄田間小麥的光譜信息，為后續的LNC反演提供高質量數據支撐。在數據采集過程中，FS-60C通過與地面標準白板校準、太陽角度誤差校正等流程配合，有效降低了外界環境對數據質量的影響，確保了光譜數據的穩定性與可靠性。
研究中，基于FS-60C獲取的高光譜數據，團隊進行了系統的預處理與分析。通過一階導數處理消除基線漂移和雜散光干擾，凸顯了700–750 nm波段的光譜變異特征，而這一波段與小麥 LNC 的相關性尤為密切。后續的特征分析表明，FS-60C捕獲的光譜數據中，包含了大量與氮素含量相關的關鍵信息，這些信息為模型構建提供了堅實基礎。
為實現LNC的精準預測，研究團隊構建了融合空間注意力機制（SAM）的 1D-CNN 模型（SAM-1D-CNN），并與傳統化學計量模型（PLSR、SVR）及其他神經網絡模型（1D-CNN、1D-ResNet）進行對比。結果顯示，基于FS-60C高光譜數據的SAM-1D-CNN模型展現出良好的預測性能，其決定系數（R2）達到0.8415，交叉驗證均方根誤差（RMSECV）為3.7517 g/kg，平均絕對百分比誤差（MAPE）為9.3544%。這一結果的達成，離不開FS-60C提供的高分辨率、高穩定性光譜數據 ——豐富的光譜維度與精準的光譜信息，為模型有效提取氮素敏感特征、抑制冗余干擾提供了關鍵支撐。
值得關注的是，基于FS-60C數據生成的小麥LNC空間分布圖，與田間實際氮素施用梯度高度吻合。在過量施肥（N4）與適宜施肥（N3）區域，LNC值穩定在40–50 g/kg，直觀反映了氮肥邊際效應遞減現象；而從N2到N0區域，LNC呈現梯度遞減趨勢，且不同生育階段的LNC變化符合小麥生長規律，充分驗證了該技術體系的實用性。
作為精準農業領域的重要技術裝備，彩譜FS-60C高光譜相機憑借出色的光譜捕捉能力，與SAM-1D-CNN等先進算法深度融合，搭建起從高光譜數據采集到作物營養狀態反演的完整技術鏈路，為作物營養監測提供全新范式。其獲取的高分辨率光譜數據，能精準捕捉與作物氮素相關的光譜特征，助力模型高效提取關鍵信息，有效提升監測的精準度與穩定性。未來，隨著技術的持續優化和應用場景的不斷拓展，FS-60C可進一步延伸至玉米、水稻等更多作物，覆蓋從苗期到收獲期的全生育階段精準管理。這一技術將持續為農業可持續發展注入動力，推動傳統經驗驅動的農業模式，向數據驅動的精準農業加速轉型。
（論文原文可通過www.elsevier.com/locate/compag搜索《Integration of spatial attention mechanism into 1D-CNN for prediction of wheat leaf nitrogen concentration from UAV-borne hyperspectral imagery》進行閱讀）
產品推薦
FigSpec FS-60C機載高光譜相機
l 光譜范圍：400-1000nmnm
l 光譜分辨率：優于2.5nm
l 光譜波段：1200
l 空間像素數：1920
