《Precision Agriculture》：AI-Augmented hyperspectral soil sensing: predictive modeling of nitrogen and phosphorus using neural architecture search
编辑推荐：
本研究针对传统土壤氮磷检测方法耗时费力、难以大规模应用的瓶颈，开发了一种融合高光谱成像与深度学习技术的快速检测框架。通过采集286份土壤样本的可见-近红外及短波红外光谱数据，结合卷积神经网络与神经架构搜索优化，实现了氮磷含量的精准分类预测，准确率达0.83。该研究为实时土壤养分监测提供了新技术路径，对推进智慧农业发展具有重要意义。
土壤是农业生产的基石，其养分状况直接关系到作物产量和粮食安全。传统上，农民和农技人员需要依靠实验室化学分析来了解土壤中的氮(N)、磷(P)等关键养分含量。虽然这些方法结果准确，但整个过程耗时长达数天甚至数周，需要专业的仪器和操作人员，成本高昂且难以实现大范围、高频次的监测。在追求高效、可持续发展的现代农业中，这种“事后”的检测方式显然无法满足实时、精准施肥的需求。如何快速、无损地获取土壤养分信息，成为推进精准农业的关键技术瓶颈。
在这一背景下，光谱技术展现出巨大潜力。通过测量土壤对不同波长光的反射特性，可以间接推算出其化学成分。特别是高光谱成像技术，它能捕获从可见光到短波红外区间数百个连续波段的光谱信息，提供了远超传统方法的细节。然而，海量的光谱数据也带来了新的挑战：如何从中准确提取出与氮、磷含量相关的特征？早期研究多采用机器学习方法，但面对高维度、非线性强的光谱数据，其预测精度和稳定性往往不尽如人意。
为了突破这一限制，本研究团队将目光投向了深度学习。卷积神经网络(CNN)特别擅长处理像光谱这样的序列数据，能自动学习不同波段间的复杂关系。但设计一个高效的CNN网络结构并非易事，通常需要大量专业知识和反复试验。本研究创新性地引入了神经架构搜索(NAS)技术，让算法自动寻找最优的网络层数、滤波器大小等超参数，从而在保证精度的同时大幅提升模型开发效率。
研究人员从北达科他州的两个代表性农田采集了286份土壤样本，覆盖了播种前和收获后两个关键时期，以捕捉养分含量的时空变化。每份样本都进行了标准的实验室化学分析，获取了准确的氮、磷含量参考值，并同时使用FX-10和FX-17高光谱相机采集了400-1700 nm范围的光谱数据。面对样本量相对有限的现实，研究团队采用了多种数据增强策略，如标准正态变量变换(SNV)和Savitzky-Golay导数滤波，来提升模型的鲁棒性。
研究构建的基线CNN模型在未优化前，对氮磷的预测准确率约为0.44。通过融合两个传感器的数据（融合后光谱维度达448个波段）并应用数据增强，准确率提升至0.68。进一步采用NAS进行架构优化后，性能再获10-15%的提升，最终对氮磷综合分类的准确率达到约0.83。值得注意的是，研究发现基于NAS的模型在原始数据和增强数据上表现差异很小，但计算训练时间因搜索复杂度增加而近乎翻倍。这表明，直接在原始高光谱数据上应用NAS，能在预测性能和计算效率间取得最佳平衡。该研究成果已发表在《Precision Agriculture》期刊上。
本研究采用的核心技术方法主要包括：使用FX-10和FX-17高光谱相机在实验室受控条件下采集土壤样本的可见-近红外(VNIR, 400-1000 nm)和短波红外(SWIR, 900-1700 nm)光谱数据；对获取的原始光谱数据进行标准正态变量(SNV)归一化以及一阶(SG-1)和二阶(SG-2)Savitzky-Golay导数滤波等预处理以增强光谱特征；构建一维卷积神经网络(1D-CNN)作为基础预测模型，该模型特别适合处理序列格式的光谱数据；引入神经架构搜索(NAS)中的Hyperband算法自动优化CNN的层数、滤波器数量、核大小、全连接层单元数等超参数；将FX-10和FX-17的数据在光谱维度进行拼接，创建融合数据集以充分利用不同光谱区间的信息。样本来源于美国北达科他州卡斯尔顿和沃尔福德的两个农田。
研究结果
基线模型性能
开发的基线1D-CNN模型在预测氮和磷方面表现出基本能力。使用单一传感器数据（FX-10或FX-17）时，预测准确率有限。数据融合（FX-10 + FX-17）显著提升了预测性能，表明结合VNIR和SWIR光谱信息能提供更丰富的特征。模型对磷的预测表现略优于氮。训练过程观察到轻微的过拟合现象，这与CNN模型尤其当具有较多全连接层时的常见趋势一致。
数据增强的效果
应用光谱数据增强技术后，模型性能得到进一步改善。在多种增强方法中，SNV处理对氮预测的提升效果最为稳定和显著。对于磷预测，SNV结合一阶Savitzky-Golay导数(SG1)的效果较好。这些预处理技术有助于降低噪声、增强光谱特征，从而提高了模型的鲁棒性和分类准确性。
神经架构搜索优化模型性能
通过NAS自动搜索得到的最优CNN架构，其复杂度通常高于手动设计的基线模型。对于氮预测，基于原始融合数据训练的NAS优化模型与基于SNV增强数据训练的模型取得了相近的预测精度（约0.825），但前者模型更简洁，计算效率更高，更利于实际应用。对于磷预测，在融合数据基础上结合SNV和SG1增强技术，再经NAS优化得到的模型获得了最高准确率（0.8157），但其训练时间远超基于原始数据的模型。优化后的模型在各类别上的预测性能更加均衡，混淆矩阵显示其对“低”、“中”、“高”等类别的识别能力有所增强。
研究结论与讨论
本研究成功验证了高光谱成像技术结合深度学习模型，特别是经过神经架构搜索(NAS)优化的卷积神经网络(CNN)，在土壤氮磷养分快速分类评估中的有效性和应用潜力。通过融合可见-近红外(VNIR)和短波红外(SWIR)光谱信息，模型能够捕获更全面的土壤光学特性，为养分识别提供了更丰富的数据基础。
该研究的主要意义在于：首先，它提供了一种相对快速、低成本的土壤养分筛查方案，相较于传统实验室分析，显著提升了检测效率，为大规模土壤监测提供了可能。其次，所开发的基于NAS的自动化模型优化流程，降低了构建高性能预测模型对专业知识的依赖，提高了方法的可重复性和适用性。最后，该技术框架可与田间移动平台（如无人地面车辆UGV）集成，最终实现土壤养分的“边走边测”和制图，真正推动精准农业从概念走向实践。
当然，研究也存在一些可改进之处。例如，未来可探索更精细的特征选择方法以剔除冗余光谱波段，从而提升模型效率和可解释性。随着数据量的积累，开发能够直接预测养分连续浓度的回归模型将是下一个重要目标。从实验室控制环境走向复杂的田间实时传感，是该项技术真正落地面临的挑战和未来方向。
总之，这项工作为利用先进传感技术和人工智能赋能智慧农业管理提供了一个有前景的范例，标志着土壤养分管理向数字化、智能化方向迈出了坚实的一步。
