基于滚动张量表示与轻量深度学习的土壤驱动茶叶品质预测新方法 中文标题

针对传统茶叶品质检测方法耗时、昂贵且依赖实验室设备的问题，本研究提出基于土壤数据的轻量级深度学习模型RMTN。该模型通过滚动操作将一维土壤参数向量转换为三维张量，结合Mobile-Tea模块实现高效特征提取，准确预测六种关键茶叶品质成分（GC、EGC、C、TF、TF-G、TF-G2），平均R2达0.80，为低成本、大规模的茶叶品质评估提供了创新技术方案。

　　

茶叶作为世界三大饮料之一，其品质直接决定了市场价值与消费体验。传统茶叶品质评估严重依赖化学检测方法，如色谱技术和质谱分析，这些方法不仅耗时费力、成本高昂，还需依赖专业实验室设备，难以实现大规模快速检测。更重要的是，茶叶的品质与其生长环境密切相关，尤其是土壤养分状况。已有研究表明，土壤中的矿物质元素（如Ca、Cu、Fe、K等）显著影响茶叶中儿茶素、茶黄素等关键品质成分的积累。然而，现有方法多局限于化学或光谱技术，未能充分利用土壤数据与茶叶品质之间的复杂非线性关系，且缺乏轻量化、可扩展的技术手段。

为了突破这些局限，研究人员在《Smart Agricultural Technology》上发表了一项创新研究，提出了一种名为Rolled-Mobile-Tea Network（RMTN）的轻量级深度学习模型，旨在仅基于土壤参数预测茶叶品质。该研究通过整合217组来自云南主要茶区的土壤-茶叶配对样本，构建了涵盖9种土壤矿物质元素（Ca、Cu、Fe、K、Mg、Mn、Na、P、Zn）和6种茶叶品质成分（没食子儿茶素GC、表没食子儿茶素EGC、儿茶素C、茶黄素TF、茶黄素没食子酸酯TF-G、茶黄素没食子酸酯2 TF-G2）的数据集。

研究采用了几项关键技术方法：首先，通过滚动操作（Rolling Operation）将一维土壤参数向量转换为3×3×3的三维张量，使卷积神经网络（CNN）能够有效捕捉土壤特征间的局部非线性交互；其次，设计了轻量级Mobile-Tea（MT）模块，结合深度可分离卷积（Depth-wise Convolution）、挤压激励注意力（Squeeze-and-Excitation, SE）和恒等映射（Identity Mapping），在降低计算成本的同时增强特征表示能力；最后，利用全局平均池化（Global Average Pooling）和多层感知机（MLP）完成回归预测。所有实验均基于来自云南8个茶区的217组样本，采用8:1:1的比例划分训练、验证和测试集，并通过五折交叉验证评估模型鲁棒性。

研究结果主要包括以下几个方面：

2.4. 滚动操作

通过将9种土壤参数按特定顺序（第一行：Ca、Cu、Fe；第二行：K、Mg、Mn；第三行：Na、P、Zn）重组为3×3矩阵，并复制为三通道张量，使输入数据适用于卷积处理。这一操作虽简单，但显著提升了模型对土壤特征间复杂关系的建模能力。

2.5. RMTN网络结构

RMTN由Stem、Backbone和Head三部分组成。Stem模块通过3×3卷积、批归一化（Batch Normalization）和HardSwish激活函数进行初步特征提取；Backbone中的MT模块通过Ghost风格廉价操作与SE注意力机制实现高效特征提取；Head部分通过全局平均池化和MLP输出预测结果。该结构仅含0.04M参数和0.22M FLOPs，极具轻量化优势。

3.1. 消融实验

实验对比了不同输入形式（1D、2D、3D）和模块组合的效果。结果显示，单独使用MT模块或滚动操作均能提升性能，但二者结合时效果最佳：RMTN在测试集上达到平均R²=0.80、RMSE=0.08、MAE=0.06，显著优于基线模型（如MobileNetV3-Small和传统机器学习方法）。其中，EGC的预测R²高达0.90，TF-G2也达到0.83，表明模型对低浓度成分同样具有高精度预测能力。

3.2. 五折交叉验证

五折交叉验证结果进一步证实了模型的稳健性，平均R²=0.76±0.06，RMSE=0.08±0.01，MAE=0.06±0.01，各指标波动较小，说明模型在不同数据子集上均表现一致。

3.3. 对比实验

与KNN、决策树、随机森林、XGBoost、ResNet18、InceptionNeXt等模型相比，RMTN在R²、RMSE和MAE上均排名第一，尤其较次优模型（InceptionNeXt）在R²上提升36%，误差降低43%。

3.4. 预测性能可视化

预测值与真实值散点图显示，六种品质成分的预测点均紧密分布在y=x对角线附近，仅在高浓度区间略有偏差，验证了模型在广泛浓度范围内的可靠性。

研究结论与讨论部分强调，RMTN首次实现了仅基于土壤参数的茶叶品质高精度预测，为茶叶质量评估提供了一种低成本、非破坏性、可大规模部署的创新解决方案。该模型的轻量化设计使其适合嵌入便携设备，用于田间实时监测，推动精准农业的发展。然而，研究也存在一定局限性，如样本仅来源于云南地区，可能影响模型泛化能力；未来需引入多地域、多季节数据，并增强模型可解释性（如通过SHAP分析土壤因子贡献度）。此外，整合气候、栽培实践等多模态数据，有望进一步提升预测全面性和准确性。总体而言，该研究不仅为茶叶品质检测提供了新范式，其方法论框架也可扩展至其他作物品质评估领域，具有重要的科研与应用价值。