农业行业
在全球农业向可持续发展转型的背景下，小麦作为支撑22 亿人口主食需求的重要作物，其生长状态直接关系到粮食安全与生态平衡。氮素作为影响小麦生长和产量形成的关键因素，科学调控氮肥施用是提升资源利用率、减少环境压力的核心环节。而叶片氮含量（LNC）作为反映作物氮素供需平衡的核心指标，其快速、精准监测成为精准农业发展的重要需求。传统监测方法受限于效率与覆盖范围，难以满足大规模田间管理需求，而无人机高光谱遥感技术的兴起，为这一难题提供了新的解决方案 —— 杭州彩谱科技FS-60C高光谱相机，凭借其优异的性能表现，成为解锁小麦氮素精准监测的关键设备。
江苏大学研究团队在Jiangsu Agricultural Expo Park开展的小麦氮素监测研究中，采用大疆M300RTK无人机搭载彩谱FS-60C高光谱相机，构建了从数据采集到精准预测的完整技术流程。该研究覆盖小麦拔节期、抽穗期、开花期和灌浆期四个关键生育阶段，通过6次飞行采集高光谱数据，为后续分析提供了丰富的基础素材。
FS-60C高光谱相机具备突出的技术参数优势，能够捕获391.43–1009.56nm 范围内的300个光谱波段，最终光谱分辨率达2.5 nm,可细致捕捉小麦叶片在不同氮素水平下的光谱响应差异。获取的高光谱数据空间分辨率为每像素0.017m，相机能够精准记录田间小麦的光谱信息，为后续的LNC反演提供高质量数据支撑。在数据采集过程中，FS-60C通过与地面标准白板校准、太阳角度误差校正等流程配合，有效降低了外界环境对数据质量的影响，确保了光谱数据的稳定性与可靠性。
研究中，基于FS-60C获取的高光谱数据，团队进行了系统的预处理与分析。通过一阶导数处理消除基线漂移和杂散光干扰，凸显了700–750 nm波段的光谱变异特征，而这一波段与小麦 LNC 的相关性尤为密切。后续的特征分析表明，FS-60C捕获的光谱数据中，包含了大量与氮素含量相关的关键信息，这些信息为模型构建提供了坚实基础。
为实现LNC的精准预测，研究团队构建了融合空间注意力机制（SAM）的 1D-CNN 模型（SAM-1D-CNN），并与传统化学计量模型（PLSR、SVR）及其他神经网络模型（1D-CNN、1D-ResNet）进行对比。结果显示，基于FS-60C高光谱数据的SAM-1D-CNN模型展现出良好的预测性能，其决定系数（R²）达到0.8415，交叉验证均方根误差（RMSECV）为3.7517 g/kg，平均绝对百分比误差（MAPE）为9.3544%。这一结果的达成，离不开FS-60C提供的高分辨率、高稳定性光谱数据 ——丰富的光谱维度与精准的光谱信息，为模型有效提取氮素敏感特征、抑制冗余干扰提供了关键支撑。
值得关注的是，基于FS-60C数据生成的小麦LNC空间分布图，与田间实际氮素施用梯度高度吻合。在过量施肥（N4）与适宜施肥（N3）区域，LNC值稳定在40–50 g/kg，直观反映了氮肥边际效应递减现象；而从N2到N0区域，LNC呈现梯度递减趋势，且不同生育阶段的LNC变化符合小麦生长规律，充分验证了该技术体系的实用性。
作为精准农业领域的重要技术装备，彩谱FS-60C高光谱相机凭借出色的光谱捕捉能力，与SAM-1D-CNN等先进算法深度融合，搭建起从高光谱数据采集到作物营养状态反演的完整技术链路，为作物营养监测提供全新范式。其获取的高分辨率光谱数据，能精准捕捉与作物氮素相关的光谱特征，助力模型高效提取关键信息，有效提升监测的精准度与稳定性。未来，随着技术的持续优化和应用场景的不断拓展，FS-60C可进一步延伸至玉米、水稻等更多作物，覆盖从苗期到收获期的全生育阶段精准管理。这一技术将持续为农业可持续发展注入动力，推动传统经验驱动的农业模式，向数据驱动的精准农业加速转型。
（论文原文可通过www.elsevier.com/locate/compag搜索《Integration of spatial attention mechanism into 1D-CNN for prediction of wheat leaf nitrogen concentration from UAV-borne hyperspectral imagery》进行阅读）
产品推荐
FigSpec FS-60C机载高光谱相机
l 光谱范围：400-1000nmnm
l 光谱分辨率：优于2.5nm
l 光谱波段：1200
l 空间像素数：1920
