基于小样本高光谱数据的棉花叶片氮含量深度学习时序预测方法研究

为解决传统机器学习模型在棉花氮含量监测中精度不足和小样本数据难以支撑深度学习的问题，研究人员开展了基于高光谱技术和深度学习的时序预测研究。通过构建适用于小样本的1D-CNN监测模型（R2=0.876）和改进的集成时序模型（如BiLSTM&Transformer，R2=0.900），实现了棉花叶片氮含量的动态预测，为精准农业中的氮肥管理提供了新方法。

　　

棉花作为重要的经济作物，其生长过程中氮素的精准管理直接影响产量和品质。然而，传统氮含量监测方法存在两大瓶颈：一是依赖破坏性采样，难以实现动态追踪；二是机器学习模型精度有限，而深度学习又受限于农业小样本数据。此外，单次监测仅能反映瞬时氮状态，无法预测未来变化趋势，导致施肥决策滞后。如何通过非破坏性手段实现高精度监测，并基于历史数据预测氮动态变化，成为农业信息学领域的核心挑战。

针对这一难题，石河子大学农业科学研究院的研究团队以"新陆早53号"棉花为研究对象，设计四梯度氮肥处理实验，通过高光谱技术采集叶片反射光谱数据，结合化学分析法测定氮含量，构建了融合时序预测的深度学习框架。相关成果发表在《Industrial Crops and Products》上，为作物表型参数动态预测提供了创新方法学支持。

研究采用三大关键技术：首先通过Savitzky-Golay滤波和一阶导数（D1）预处理高光谱数据，结合随机蛙跳算法（RFA）筛选特征波段；其次开发适用于小样本的1D-CNN监测模型，采用SILU/SELU激活函数和Dropout层防止过拟合；最后集成TCN、BiLSTM和Transformer等时序模型，创新性地设计串并联结构（如TCN-Transformer和BiLSTM&Transformer）进行多步预测。

【3.1 模型架构设计与优化】

通过浅层网络设计和渐进式隐藏层扩展策略，1D-CNN在仅341个样本条件下实现优异性能（验证集R2=0.876），其成功关键在于批量归一化（BN）和混合激活函数的协同作用。深度森林（DF）采用级联结构结合XGBoost基学习器，验证集R2达0.735，展现出集成学习对小样本的适应性。

【3.2 模型验证】

高光谱特征分析显示，近红外（700-1300nm）和短波红外（1500-2500nm）波段对氮含量最敏感，这与蛋白质N-H键的分子振动特性相符。时序预测中，BiLSTM&Transformer在预测7天后的氮含量时表现最优（R2=0.900），而TCN-Transformer对14天预测更具优势（R2=0.820），表明卷积网络对长期趋势捕捉更有效。值得注意的是，Time2Vector模块能显著提升Transformer对时序特征的编码能力。

【4.1 监测模型讨论】

相比传统机器学习（如XGBoost验证集R2=0.676），1D-CNN通过局部感受野提取多尺度光谱特征，解决了小样本下的过拟合问题。研究同时指出，未来需结合无人机多源数据（如叶绿素荧光）提升监测鲁棒性，并开发PySpark分布式框架加速深度森林计算。

【4.2 预测模型讨论】

该研究首次将CEEMDAN分解思想引入作物营养预测领域，通过滑动窗口（窗口=7）有效捕捉氮含量"先升后降"的动态规律。与作物生长模型相比，时序方法直接学习历史数据规律，避免了复杂生理假设带来的偏差。作者建议后续研究应结合卫星遥感数据，解决叶片脱落导致的序列中断问题。

这项研究开创性地构建了"高光谱监测-时序预测"的技术闭环，其核心价值体现在三方面：方法学上，1D-CNN的小样本优化策略为农业AI模型开发提供新思路；应用上，7-14天的氮含量预测窗口足以指导关键生育期的追肥决策；理论上，揭示的近红外敏感波段为开发专用传感器奠定基础。随着农业数字化转型加速，这种融合多时相遥感与深度学习的框架，有望成为智慧农业的关键技术支撑。