在现代农业生产中，作物是否“吃饱”了，尤其是氮素的供应情况，直接决定了产量和品质的高低。以冬小麦为例，氮素作为植物生长的关键营养元素，不仅影响植株的叶片生长、茎秆粗壮和籽粒形成，还显著关系到最终的产量表现和小麦的蛋白质含量，从而影响面粉质量和加工性能。然而，传统的测量方法依赖人工取样和实验室分析，费时费力，难以覆盖大面积农田。
随着农业技术的不断进步，利用高光谱成像、近红外传感器和无人机技术，实现作物氮素含量的快速、非破坏性检测，成为精准农业的重要方向。
01 高光谱无人机遥感+光谱融合，快速判断小麦“营养状况”
近日，中国农业科学院农田灌溉研究所的研究团队在《Computers and Electronics in Agriculture》发表最新成果。他们利用无人机搭载的RGB、多光谱（MS）和高光谱（HS）传感器，从空中采集小麦冠层的光谱信息，并结合机器学习算法，实现了对小麦植株氮含量（PNC）的高效预测。
图1.实验区域
研究区域A：河南省新乡市
地点：中国农业科学院农田灌溉研究所综合试验基地（新乡市）
实验特点：
共设120个试验小区
设置4种氮肥梯度（150~300 kg/ha）
选用10个小麦品种
研究区域B：河北省邢台市南和区
地点：邢台烟草公司燕里基地
实验特点：
共设135个小区
设置3种氮肥梯度（0~150 kg/ha）
选用15个小麦品种
两地分别代表了黄淮海地区典型的冬小麦主产区，在气候、土壤、管理方式上存在差异，因此非常适合用来检验模型在跨区域预测中的泛化能力。
图 2. 数据采集和处理流程图。（A）Phantom 4 Pro（RGB），（B）DJI Mavic 3（MS），（C）M600 Pro（HS），（a）区域 A，（b）区域 B
本研究使用了三种不同类型的遥感传感器：
RGB传感器（可见光）
多光谱传感器（红边+近红外）
Resonon Pika L 高光谱传感器（400–1000 nm）
其中，Resonon Pika L 高光谱成像仪搭载于DJI M600 Pro无人机上，凭借高波段分辨率、轻量化设计和出色的数据质量，在整个实验中发挥了重要作用。
图3.等权重积分搜索策略
图4.迁移学习策略
研究发现：
➡ 单独使用高光谱数据时，模型预测精度最高；
➡ 与RGB和MS数据结合后，通过非等权重融合策略建模，可进一步提升预测准确率（R2最高达0.73，RMSE仅1.29 mg/g）。
图 5. 高光谱区各波段的原始反射率。(a) 区域 A (b) 区域 B。每条曲线代表一个地块的原始高光谱平均反射率。
图 6. 不同氮处理条件下高光谱区各波段的平均反射率。(a) 区域 A (b) 区域 B。
02
“迁移学习”提升模型适应力，实现跨区域精准预测
模型在一个地区训练，能否应用到另一个地区？研究团队引入了人工智能中的迁移学习策略，将一个地区（如河南）的数据作为模型基础，适当引入另一个地区（如河北）少量样本进行模型更新。
实验结果表明：
当引入18个样本后，模型在新区域的预测效果大幅提升；
表现最优的模型R²达到0.61，RMSE仅为1.30 mg/g；
该策略解决了“跨区域预测效果差”的难题，为大范围推广提供了可能。
图7. 相关矩阵。a、b分别代表区域A和B
图8. 迁移学习准确率的变化
03应用价值：精准农业管理的“智能助手”
本研究的技术路线，适用于：
精准施肥指导；
大田作物长势监测；
农业科研与智能农机系统集成。
相比传统方式，这一方法具有非接触、高效率、区域适应性强等优势，为构建现代智慧农业体系提供了可靠的技术支撑。
04 参考文献
论文标题：Enhancing winter wheat plant nitrogen content prediction across different regions: Integration of UAV spectral data and transfer learning strategies
发表期刊：Computers and Electronics in Agriculture