融合空间注意力机制的一维卷积神经网络实现无人机高光谱小麦叶片氮含量精准预测

本研究创新性地将空间注意力机制（SAM）整合到一维卷积神经网络（1D-CNN）中，构建了SAM-1D-CNN模型，利用无人机高光谱遥感（HRS）技术实现了小麦叶片氮含量（LNC）的高精度预测。该模型通过增强特征波段信号、抑制冗余波长干扰，显著提升了回归性能（R2 = 0.8415, RMSECV = 3.7517 g/kg, MAPE = 9.3544%），为作物氮素营养监测提供了一种新颖有效的人工智能解决方案。

　　

Highlight

本研究通过将空间注意力机制（SAM）与一维卷积神经网络（1D-CNN）相结合，显著提升了对小麦叶片氮含量（LNC）的预测精度，为无人机高光谱遥感（HRS）技术在农业氮素管理中的应用提供了创新性解决方案。

Materials and methods

本研究首先利用无人机搭载的高光谱成像仪采集小麦冠层光谱图像，同步进行破坏性采样以测定小麦LNC，并将预处理后的高光谱图像中的采样点光谱数据与实测LNC值耦合，构建研究数据集。在此基础上，构建了SAM增强的一维卷积神经网络（SAM-1D-CNN）模型，并采用10折交叉验证方法划分数据集。

Reference measurement results of LNC

图5展示了在实验周期内六个采样日独立获取的数据分布特征以及所有采样数据汇总后的整体分布模式。270个数据点的范围从10.8365至54.7329 g/kg，平均值为36.7521 g/kg。统计结果表明，第三次测量时的平均LNC值较前次显著增加，这归因于在该阶段实施的氮素补充处理。

The effect of SAM placement on model performance

为探究SAM在模型中放置位置对其性能的影响，分别将SAM添加在1D-CNN模型的输入层之后和第一个卷积层之后，以构建新模型并验证其精度。预测结果如图14所示，并与表4中的数据进行比较。结果表明，当SAM被整合在输入层之后时，与原始1D-CNN网络相比，R2值提升至0.8415，RMSECV降低至3.7517 g/kg，MAPE降至9.3544%，显示出最佳的预测性能。

Conclusion

本文将SAM与1D-CNN神经网络相结合，利用无人机高光谱遥感（HRS）数据对小麦叶片氮含量进行反演建模。通过与传统回归模型PLSR和SVR（结合了MCUVE、SPA和CARS特征选择方法）以及两种人工神经网络模型1D-CNN和1D-ResNet18进行比较，以R2、RMSECV和MAPE作为评价标准，得出以下研究结论：

（1）与传统回归模型相比，SAM-1D-CNN模型表现出更优越的预测能力和稳定性。

（2）SAM的引入有效增强了模型对特征波段的选择性关注，抑制了冗余波段干扰。

（3）该模型为作物氮素营养监测提供了一种高精度、高集成度的技术途径。