Resonon | 高光谱成像仪“看懂”小麦营养状态，跨区域精准施肥成为可能！

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。

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

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。

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