基于无人机多光谱影像的LSSCM-MobileTeaNet：一种用于茶叶叶绿素与氮含量大面积估算的轻量级空谱融合卷积模型

《Computers and Electronics in Agriculture》：LSSCM-MobileTeaNet: A UAV-based lightweight spatial–spectral convolution model for large-scale estimation of chlorophyll and nitrogen content in tea plantations

本文提出一种基于无人机平台的轻量级空谱卷积模型LSSCM-MobileTeaNet，用于茶叶叶绿素(Chl)与氮(N)含量的快速、无损估算。模型通过多阶段主干实现层次特征提取，并引入LSSCM模块强化空谱特征融合，在五折交叉验证中表现出优异精度(均方根误差RMSE=2.88, 决定系数R2=0.85)。该研究为茶园精准养分管理提供了可部署的解决方案。

　　

亮点

为了明确量化每个光谱波段对预测精度的贡献，我们采用了连续投影算法(SPA)进行前向特征选择。该分析评估了当光谱波段逐步纳入输入集时，模型的表现（以均方根误差RMSE衡量）是如何演进的。

SPA选择过程的结果展示在表3中。分析以选择红波段(650纳米)作为初始变量开始，产生了一个基线RMSE。

讨论

实验结果表明，提出的LSSCM-MobileTeaNet模型有效地将无人机多光谱传感与轻量级空谱卷积建模相结合，实现了在真实田间条件下对茶叶叶绿素和氮含量的精确估算。在五折交叉验证中，该模型持续取得了强劲的预测性能，平均决定系数R²达到0.85且估算误差较低，凸显了其在大规模生物化学（监测中）的潜力。

结论

在本研究中，我们介绍了LSSCM-MobileTeaNet，一个用于快速、无损估算茶叶叶绿素和氮含量的、基于无人机的轻量级空谱卷积模型。通过整合用于层次特征提取的多阶段主干和用于增强空谱融合的LSSCM模块，该模型有效地从多光谱无人机影像中捕获了细粒度的光谱线索和高层次的空间模式。消融实验证实。