基于深度学习的农田污染防控框架：无人机喷洒除草剂飘移风险对非靶标作物的量化管理与评估

本研究开发了一种创新多层级评估框架，结合深度卷积神经网络（ResNet-18），精准量化无人机喷洒系统（UASS）中水稻除草剂（3% florpyrauxifen-benzyl EC）飘移对非靶标作物大豆的毒害效应。通过建立沉积剂量（nL/cm2）与叶片黄化率等生物指标的量效模型，实现了91.81%的自动识别精度，为农业清洁生产提供可操作的源头污染防控策略。

　　

Highlight

本研究通过实验室与田间多层级实验，建立了无人机喷洒除草剂飘移沉积量（nL/cm²）与大豆损伤指标的量化模型。视觉观察分类法（VODC）虽灵敏度高（检测限0.059 nL/cm²），但叶片黄化百分比（YLP）被证实为最客观稳定的定量评估指标。

实验室模拟大豆除草剂损伤

通过线性拟合分析（图7），发现喷飘单位面积沉积量的对数（log₁₀）与视觉损伤分类（VODC）、叶片死亡率（DHP）、受损率（DGP）及黄化率（YLP）均显著相关（p<0.05）。黄化率（YLP）展现出最强的剂量依赖性与重现性，适用于高通量客观评估。

讨论

本研究构建的多维度框架突破了传统定性评估局限，实现了从被动损伤评估到主动风险管理的范式转变。叶片黄化率（YLP）作为核心生物标志物，结合ResNet-18深度学习模型（识别精度91.81%），为农户、监管机构及保险评估提供了可规模化的决策支持工具，助力制定基于证据的UASS安全施药规范。

结论

该研究确立了基于叶片黄化百分比（YLP）的除草剂飘移毒害评估金标准，通过深度学习技术实现了田间损伤的快速自动化诊断，为水稻-大豆间作系统的农药风险管控与农业清洁生产提供了理论框架和实践技术支撑。