根據伊利諾伊大學的研究團隊，強大的機載傳感器可能是幫助農民在美國玉米帶上持續管理玉米的關鍵。 研究利用遙感器和新開發的深度學習模型，對作物氮、葉綠素和光合能力進行了準確、快速的預測。

這項研究發表在 國際應用地球觀測和地理信息雜志 雜志上，可以指導農民的管理實踐，幫助減少化肥使用，提高糧食產量，減輕整個地區的環境破壞。

“與傳統的葉組織分析方法相比，遙感提供了更快、更具成本效益的方法來監測作物養分。及時、高分辨率的作物氮素信息將非常有助于種植者診斷作物生長并指導適應性管理，”主要作者 Sheng Wang 說，伊利諾伊大學厄本那香檳分校的研究科學家和助理教授。

玉米帶在美國和全球分別生產約 75% 和 30% 的玉米，在糧食生產中發揮著重要作用。從印第安納州到內布拉斯加州，由于農業、玉米育種、新技術和肥料的改進，該地區的產量是 19 世紀 80 年代的 20 倍。

農民依靠氮基肥料來提高光合作用、作物產量和生物能作物的生物量。然而，過量施用會使土壤退化，污染水源，并導致全球變暖。氮是農業中最大的溫室氣體排放源之一。

準確測量作物中的氮含量可以幫助農民避免過度施用，但手動進行調查既費時又費力。

“依靠先進的傳感技術和機載衛星平臺來監測農作物的精準農業可能是解決方案，”伊利諾伊大學厄瓜多爾香檳分校藍水副教授 Kaiyu Guan 說。

到目前為止，還沒有一種可靠的方法可以快速監測整個生長季的葉片氮水平。利用高光譜成像和機器學習模型，該團隊提出了一種混合方法來解決這些限制。

超光譜成像一個不斷擴大的遙感領域使用光譜儀，將一個像素分解成數百個不同波長的圖像，提供更多關于所捕獲圖像的信息。

研究人員配備了高靈敏度的高光譜傳感器，在伊利諾伊州的一個試驗田上進行了飛機調查，收集作物反射數據。植物的化學成分，如氮和葉綠素會影響反射，傳感器甚至可以檢測到 3 到 5 納米的細微波長變化。

圖 1 該研究方法的說明性總結，“通過機器學習和輻射傳輸建模對作物性狀和玉米產量的氮缺乏的航空高光譜成像。”由王盛提供。

利用 輻射傳輸模型 和數據驅動的偏最小二乘回歸（ PLSR ）方法，該團隊開發了深度學習模型，以根據空中反射數據預測作物性狀。根據這項研究， PLSR 需要相對較小的標簽數據來進行模型訓練。

研究人員使用 cuDNN 和 NVIDIA V100 GPU 預測作物葉片和冠層水平的氮、葉綠素和光合能力。

根據地面真實數據測試算法，模型的準確率約為 85% 。這項技術速度很快，每英畝只需幾秒鐘就能掃描田地。王說，這種技術可以非常有助于診斷作物氮素狀況和產量潛力。

這項工作的最終目標是利用衛星圖像對美國玉米帶內外的每一塊農田進行大規模氮監測。

“我們希望這項技術能為利益相關者提供及時的信息，并促進種植者對可持續農業實踐的管理，”關說。

關于作者

Michelle Horton 是 NVIDIA 的高級開發人員通信經理，擁有通信經理和科學作家的背景。她在 NVIDIA 為開發者博客撰文，重點介紹了開發者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷