摘要
本研究探讨了将基于热成像技术得出的作物水分胁迫指数（CWSI）图像与深度学习结合，用于识别马铃薯植株的灌溉程度这一方法的可行性。实验中，在温室条件下培育了Solanum tuberosum L. cv. Sumi品系的马铃薯植株，并根据土壤的田间持水量设置了六种不同的灌溉方案（i20、i33、i46、i60、i80和i100）。2024年4月底至5月初的四周内采集了热成像数据。根据微气候条件生成了CWSI图像，并进一步用这些图像进行分类分析。研究人员开发了一个由四个卷积层组成的轻量级卷积神经网络（CNN），同时引入了卷积块注意力模块（CBAM）作为基于注意力的补充模型。分类效果因拍摄时间和模型架构的不同而有所差异。在多次实验中，基线CNN模型的整体表现优于CNN-CBAM模型，其准确率（ACC）、精确率（PRE）、召回率（REC）和F1分数（F1S）分别介于0.569至0.781、0.534至0.828、0.570至0.781以及0.523至0.770之间。结果表明，在当前数据集和训练条件下，CBAM的添加并未带来明显的性能提升。利用t分布随机邻居嵌入（t-SNE）技术对特征进行了可视化分析，发现CNN和CNN-CBAM提取的特征在不同灌溉水平下的分布特征；而局部可解释模型无关性解释（LIME）表明，在低灌溉条件下，模型相关的区域通常位于植株冠层边缘附近。总体而言，本研究证明了基于热成像技术的CWSI图像与轻量级CNN相结合能够快速、无接触地识别马铃薯植株的灌溉程度，同时也指出了该方法目前存在的局限性和未来需要改进的方向。未来的研究应使用更大规模的数据集，在不同的品种、季节、温室和田间环境中进行验证，并添加独立的植物或小区层面的生物学重复实验。
