基于可解释视觉Transformer与迁移学习的马铃薯干旱胁迫高效识别方法

为解决农作物干旱胁迫早期检测难题，研究人员创新性地将可解释视觉Transformer(ViT)与支持向量机(SVM)联用，通过航空影像捕捉马铃薯植株的细微表型变化。该研究不仅实现95.2%的高精度识别，更通过注意力热图可视化技术揭示了干旱胁迫的生物标志物特征，为智慧农业提供了可解释的AI决策方案。

　　

在农作物生长监测领域，干旱胁迫(drought stress)的早期识别犹如一场与时间的赛跑。当马铃薯植株刚刚显现细微的表型变化时，传统卷积神经网络(CNN)往往难以捕捉这些弥散式的生物特征。而这项研究另辟蹊径，采用视觉Transformer(ViT)架构，其独特的自注意力机制(self-attention)能像"分子探针"般精准定位叶片卷曲、气孔关闭等三维空间特征。

研究团队设计了两条技术路线：其一是让ViT担任"特征提取器"，将航空影像中的叶面温度分布、叶绿素荧光等生物信号转化为高维特征，再由支持向量机(SVM)这个"分类专家"进行诊断；其二是构建端到端模型，直接在ViT架构中嵌入分类头(classification head)。令人振奋的是，通过可视化注意力热图(attention map)，研究者首次直观展示了模型如何"锁定"叶缘枯斑、维管束变色等干旱特异性标记。

这项技术的突破性在于：不仅实现了95.2%的识别准确率，更重要的是像"生物显微镜"般揭示了干旱胁迫的微观表征规律。这些发现为开发田间实时监测系统奠定了理论基础，也让AI决策过程变得透明可信——农民只需查看热图标注的"预警区域"，就能精准实施灌溉策略。这种融合计算机视觉与植物生理学的交叉研究方法，正在重新定义精准农业的技术范式。