《Smart Agricultural Technology》：VNIR-SWIR hyperspectral spectroscopy for nitrogen assessment in potato crops: Deep learning and regression models across field and laboratory conditions
编辑推荐：
本研究针对马铃薯生产中氮肥利用率低、传统检测方法耗时费力的问题，通过可见-近红外-短波红外高光谱技术，结合一维卷积神经网络、支持向量回归和偏最小二乘回归模型，实现了马铃薯叶柄硝酸盐氮的精准预测。研究发现实验室新鲜叶片光谱结合1D-CNN模型预测效果最佳（R2=0.90），并通过分段直接标准化校准提升了田间模型性能，为精准农业氮肥管理提供了技术支撑。
在当今全球粮食安全面临挑战的背景下，马铃薯作为世界第四大粮食作物，其生产过程中的氮肥管理尤为关键。然而，传统氮肥施用存在利用率低、环境污染严重等问题，特别是粗质地土壤上的马铃薯种植系统，氮素淋失风险极高。常规的叶柄硝酸盐分析虽能反映植株氮素状况，但耗时费力且具有滞后性；叶片湿化学分析方法虽然精确，但成本高昂且不适用于大规模田间监测。如何实现马铃薯氮素状况的快速、准确、无损监测，成为精准农业领域亟待突破的技术瓶颈。
近期发表在《Smart Agricultural Technology》的研究论文"VNIR-SWIR hyperspectral spectroscopy for nitrogen assessment in potato crops: Deep learning and regression models across field and laboratory conditions"为解决这一难题提供了创新方案。该研究由曼尼托巴大学数字农业生态系统实验室团队完成，系统比较了可见-近红外-短波红外高光谱技术在田间冠层、实验室新鲜叶片和干燥叶片三种测量条件下对马铃薯叶柄硝酸盐氮的预测能力，并首次在该领域综合评估了一维卷积神经网络、支持向量回归和偏最小二乘回归三种模型的性能差异。
研究方法概述
研究于2024年在加拿大马尼托巴省Carberry地区开展，采用随机区组设计设置15种氮肥处理。利用ASD FieldSpec Pro地物光谱仪获取350-2500纳米范围的高光谱数据，通过Savitzky-Golay平滑、标准正态变量变换和一阶导数变换进行光谱预处理。采用变量重要性投影分析筛选关键波长，建立1D-CNN、SVR和PLSR预测模型，并通过分段直接标准化实现田间与实验室光谱的校准转移。
关键研究发现
预处理光谱模式与PNN预测关键波长
研究发现，不同测量条件下的光谱经SG-SNV-FD预处理后均表现出与氮素相关的特征吸收峰。变量重要性投影分析显示，田间冠层数据的关键波长主要分布在近红外区域（701-1100纳米，占41.51%），实验室新鲜叶片在可见光和短波红外区域分布均匀（分别占40.85%和39.94%），而实验室干燥粉末样品则主要集中在短波红外区域（1101-2500纳米，占68.30%）。这些关键波长区域与已知的叶绿素吸收带和含氮化合物分子振动特征高度吻合。
不同测量条件下模型性能比较
1D-CNN模型在所有测量条件下均表现最优，其中实验室新鲜叶片预测精度最高（R2=0.90，RMSE=0.22%，RPD=3.18），显著优于实验室干燥粉末（R2=0.81）和田间测量（R2=0.77）。支持向量回归表现中等，而偏最小二乘回归预测能力最弱。这表明深度学习模型能更好地捕捉光谱与氮素浓度间的复杂非线性关系。
校准转移提升田间PNN预测精度
通过分段直接标准化校准后，所有田间模型的预测精度均得到提升。1D-CNN模型表现最佳（R2从0.77提升至0.82），支持向量回归和偏最小二乘回归也有明显改善。这一结果证实了校准转移技术在降低环境变异影响方面的有效性，为实验室模型向田间应用推广提供了技术路径。
研究结论与意义
该研究证实了VNIR-SWIR高光谱技术结合1D-CNN模型在马铃薯氮素评估中的巨大潜力。实验室新鲜叶片测量因能保留水分相关吸收特征而提供最可靠的氮素预测，田间测量虽受环境因素干扰较大，但通过分段直接标准化校准后可显著提升实用性。研究提出的多条件测量比较框架和校准转移方法，为作物养分监测技术从实验室走向田间应用提供了重要借鉴，对推动精准农业发展、减少氮肥面源污染具有积极意义。
未来研究可进一步整合多地点、多生长季数据，并探索与无人机、卫星遥感技术的融合，构建可扩展的作物氮素监测体系，为实现农业可持续发展提供技术支撑。
