《Computers and Electronics in Agriculture》：Deep learning identifies optimal single spectral band for non-destructive fresh weight estimation in cabbage: A novel paradigm for postharvest management technology
编辑推荐：
无人机多光谱成像结合卷积神经网络筛选出565.63 nm波段对甘蓝鲜重估算性能最优（R2=0.49），显著超越20种传统多波段植被指数（最高R2=0.34），验证AI驱动单波段传感器的可行性。
申贤洙（Hyoung-sub Shin）| 高升焕（Seung-hwan Go）| 朴钟和（Jong-hwa Park）
ERI Solution Inc., 韩国京畿道高阳市伊兰西区Kintex-ro 217-59, 10390
摘要
背景
高光谱成像（HSI）系统为精准农业应用（如产量预测）提供了丰富的光谱信息，但其高昂的成本和复杂性限制了其广泛应用。非破坏性作物监测中光谱数据复杂性与预测准确性之间的关系尚不明确，这挑战了“更复杂的光谱数据必然带来更好预测结果”的假设。
方法
我们开发了一种工作流程，将基于无人机的HSI（150个波段）与深度学习相结合，用于非破坏性地估算卷心菜的鲜重（样本量n = 680）。通过系统化的特征提取，使用二维卷积神经网络（2D-CNN）来识别最具预测性的波长。该流程的性能与20种传统的多波段植被指数（VIs）进行了基准测试。
结果
2D-CNN识别出565.63纳米这一波长作为最佳预测因子。仅使用这一波段输入的预测模型在独立测试集上的决定系数（R2）为0.49，均方根误差（RMSE）为0.99千克，平均绝对误差（MAE）为0.84千克。这一性能显著优于表现最好的传统多波段指数（MCARI2，R2 = 0.34），表明使用单波段数据输入时解释的方差提高了44%。
结论
这种基于人工智能的方法能够自动将高光谱数据的复杂性简化为单一的最佳波长，其预测效果优于现有的多波段指数。研究结果为设计简化、成本效益高的精准农业光谱传感器提供了方法论框架，有望提高作物监测技术的可访问性和可扩展性。
引言
农业遥感领域的一种主流方法是利用多波段或高光谱数据开发越来越复杂的植被指数（VIs），其前提是更丰富的光谱信息能够带来更好的预测能力（Thenkabail等人，2011年；Yang等人，2025年）。然而，高光谱成像（HSI）系统的高成本和计算需求仍然是其在常规农业管理中广泛应用的重大障碍（Zhang等人，2020年；Faisal等人，2025年）。
本研究采用了一种替代方法，将HSI视为一个设计平台，用于识别能够指导更简单、特定任务传感器使用的最佳波长（Sun和Du，2019年；Li等人，2020年）。我们不假设复杂性必然提高性能，而是探讨深度学习是否能够识别出至少能保持或超越传统多波段方法预测能力的最小光谱信息。
准确的收获前产量预测对现代农业至关重要，它有助于优化收获计划、提高供应链效率并减少收获后的损失（Sankaran等人，2010年）。传统方法具有破坏性、劳动密集且难以扩展（El-Hadedy和Eddin，2020年）。虽然HSI通过捕获与植物生物物理和生化特性相关的详细光谱信息提供了非破坏性的解决方案（Sankaran等人，2010年），但其高维特性带来了信息冗余和计算复杂性的挑战（Bajwa等人，2004年）。因此，识别最具信息量的光谱波段对于降低数据复杂性并开发经济高效、特定任务的传感器至关重要（Sun和Du，2019年；Li等人，2020年）。
尽管植被指数被广泛使用，但它们存在局限性：在密集的植物冠层中容易饱和，并且对大气和土壤背景效应敏感，这可能影响其精确定量评估的可靠性（Giovos等人，2021年；SigmaEarth，2023年）。从上到下的冠层反射率估算体积特征（如鲜重）时，由于信号饱和问题，卷心菜内部的生物量在二维反射数据中难以被准确反映。
本研究的核心创新在于应用二维卷积神经网络（2D-CNN）进行数据驱动的波长选择。与传统基于统计标准对波段进行排序或组合的方法不同（Bajwa等人，2004年；Yang等人，2025年），CNN可以直接从原始光谱数据中学习层次化模式（Kamilaris和Prenafeta-Boldú，2018年；Nevavuori等人，2019年），从而可能识别出对特定任务具有高预测价值的单一波长。本研究探讨了基于CNN的方法是否能够识别出一种最佳波长，其预测效果能与现有的多波段指数相媲美甚至超越它们，为精准农业中的传感器简化设计提供了启示——这是传统人工设计的指数无法实现的。因此，这是首次证明基于人工智能的工作流程能够自动将数百个光谱波段的复杂性简化为单一的最佳特征，其性能优于现有的多波段指数，为新型农业电子设备的设计提供了有效的蓝图。
研究地点和数据采集
实验于2020年夏季至秋季生长季节在韩国万珠市（坐标：127°02′49.65′E，35°49′28.52′N）的一个商业卷心菜田进行。研究对象为该地区广泛种植的“Cheongomabi”品种。
数据采集分别于2020年10月13日（样本量n = 680）和11月10日（样本量n = 680）进行，共获得680个样本。选择这些日期是为了确保样本处于卷心菜的成熟收获阶段。
最佳光谱波段的识别
经过训练的2D-CNN模型分析表明，位于565.63纳米的光谱波段（电磁光谱的绿色区域）是估算卷心菜鲜重的最佳波长。
比较性能分析
在独立测试集（样本量n = 204）上评估了单波段模型（565.63纳米）的预测性能，并与20种传统植被指数进行了比较（见表1）。单波段CNN模型的决定系数（R2）为0.49，均方根误差（RMSE）为0.99千克，平均绝对误差（MAE）为0.84千克。在传统指数中，MCARI2的表现最佳。讨论
将565.63纳米识别为卷心菜鲜重估算的最佳波长，不仅揭示了该方法论的合理性，也揭示了其背后的生物物理机制。该波长位于电磁光谱的绿色区域，这一区域与植物色素含量和光合作用密切相关（Gamon等人，1992年）。
我们的结果表明，这个由CNN选出的单一光谱波段包含更多用于鲜重估算的预测信息。
结论
本研究展示了一种数据驱动的光谱特征选择方法，用于农业遥感应用。通过基于CNN的工作流程，我们识别出一种单一光谱波段（565.63纳米），其预测效果优于20种传统多波段植被指数。该单波段模型的决定系数（R2）为0.49，均方根误差（RMSE）为0.99千克，平均绝对误差（MAE）为0.84千克，说明其解释的方差比表现最好的传统指数（MCARI2，R2 = 0.34）提高了44%。
作者贡献声明
申贤洙（Hyoung-sub Shin）：撰写初稿、验证、软件开发、方法设计、实验实施、数据分析、概念构建。高升焕（Seung-hwan Go）：数据可视化、实验协助、数据整理。朴钟和（Jong-hwa Park）：撰写修订稿、监督工作、资源协调、项目管理。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究未获得公共部门、商业机构或非营利组织的任何特定资助。
