《European Journal of Agronomy》：Advancing early-stage plant phosphorus assessment for winter rye via hyperspectral data: A model-based approach harnessing feedforward neural networks
編輯推薦：
磷（P）缺乏是影響作物生產的關鍵因素，尤其在冬黑麥種植中。研究人員整合高光譜數據與前饋神經網絡（FNNs），檢測冬黑麥早期磷缺乏。結果顯示該方法提升了檢測準確性和及時性，為精準農業提供了有效手段。
在農業生產的大舞臺上，植物的健康生長就像一場精心編排的演出，而養分則是這場演出的關鍵 “幕后英雄”。其中，磷元素對植物的生長發育起著舉足輕重的作用，它參與了植物體內眾多重要的生理和生化過程，比如能量轉移、光合作用、核酸和磷脂的形成等，就像為植物生長注入源源不斷的動力。然而，現實卻給這場 “演出” 帶來了不少挑戰。全球許多農業土壤中，磷元素常常處于匱乏狀態，這成為了作物生長的一大限制因素。土壤 pH 值、有機質含量和微生物活動等都會影響磷的有效性，一旦磷缺乏，植物就會 “生病”，出現生長遲緩、葉片變色、開花結果不良等癥狀，嚴重威脅著全球糧食安全。
傳統的磷素評估方法，如土壤和植物組織檢測，雖然能直接測量磷含量，但卻存在諸多弊端。這些方法不僅耗時費力，需要在田間多個點進行采樣，而且無法滿足大規�；驅崟r監測的需求。植被指數雖然能反映植物整體健康狀況，但對于早期磷缺乏的檢測卻力不從心，往往等到植物出現明顯癥狀時才發現問題，此時作物的產量潛力可能已經受損。
為了解決這些問題，波蘭的研究人員開展了一項意義重大的研究。他們旨在開發一種創新方法，通過整合高光譜數據與前饋神經網絡（FNNs）來檢測冬黑麥早期的磷缺乏情況。研究成果發表在《European Journal of Agronomy》上。
研究人員主要采用了以下關鍵技術方法：首先，在波蘭的兩個不同地點（Skierniewice 的教授 Marian Górski 實驗站和 Po?czyn 的實驗田）進行了田間實驗。利用無人機搭載的 Headwall Nano 高光譜相機、FieldSpec 地面光譜儀以及衛星（Sentinel - 2 和 PlanetScope）進行高光譜數據采集。采集后的數據經過嚴格的預處理和校準，確保數據的準確性和可靠性。然后，構建 FNN 模型，將高光譜數據輸入模型進行訓練，以預測磷含量。
研究結果如下：
- 養分與金屬動態的相關性：通過相關性分析發現，植物氮（N）與植物磷（P）呈強正相關（r = 0.87），表明二者存在協同吸收關系。同時，還發現了其他養分之間的多種相關性，這為理解植物養分吸收和土壤肥力提供了重要依據。
- 基于無人機測量的磷預測：利用無人機高光譜數據和 FNN 模型預測冬黑麥磷含量，模型表現出較高的準確性。整體模型的 R2 值為 0.36，均方根誤差（RMSE）為 0.84 g/kg，識別磷缺乏區域的準確率達 64%。研究還確定了對預測模型貢獻較大的光譜波段，如 950 - 1000 nm、900 - 950 nm 和 500 - 550 nm 等。
- 基于 FieldSpec 測量的磷預測：結合 FieldSpec 數據和 FNN 模型預測磷含量，也取得了一定成果。不過，該模型在預測低磷含量時存在一定局限性，需要進一步改進。研究分析了各光譜波段的特征重要性，發現 650 - 750 nm 等波段對預測磷含量較為關鍵。
研究結論和討論部分表明，該研究成功利用高光譜數據和 FNNs 開發了一種非侵入性方法來估算冬黑麥的磷含量，相比傳統方法，預測準確性有所提高。同時，研究也指出了模型存在的一些挑戰，如在預測低磷含量時準確性較低，受土壤條件變化和樣本采集不一致等因素影響。未來研究可通過改進采樣程序、探索更先進的神經網絡架構或結合多種數據源來提高模型性能。這項研究為精準農業的發展提供了重要的理論支持和實踐指導，有助于優化施肥策略，提高作物產量和質量，促進可持續農業發展。它就像為農業生產點亮了一盞明燈，指引著人們更加科學、高效地種植作物，保障全球糧食安全。
