《Computers and Electronics in Agriculture》：Deep learning-powered diagnosis of greenhouse tomato growth using time-series RGB images
编辑推荐：
氮浓度稀释曲线与多模态深度学习融合的温室番茄氮营养实时监测方法研究。基于贝叶斯方法建立通用的Nc=3.19×AGB?0.20稀释曲线，显著降低参数不确定性，并通过CNN-Transformer架构整合时序RGB影像、SPAD值、温度及物候数据，实现氮营养指数（NNI）高精度（R2=0.89）实时监测，突破传统单帧模型局限。
张珂|柴祺|高若成|沈傲学|刘晓颖|杨丽菲|庞冠|王宇|刘小军|孙进
南京农业大学园艺学院，中国南京 210095
摘要
准确且实时的氮（N）状态诊断对于温室番茄生产的精准管理至关重要。在本研究中，首次基于地上生物量（AGB），采用贝叶斯方法建立了稳健且具有普遍适用性的临界氮浓度（Nc）稀释曲线（Nc = 3.19 × AGB^(-0.20)），该曲线适用于多种基因型×环境×氮管理场景。统一的Nc曲线减少了参数不确定性，使得不同果型和生长季节的氮营养指数（NNI）估计更加一致。在此生理学基础上，本研究进一步开发了一个基于生理信息的多模态深度学习框架，整合了时间序列RGB图像、SPAD测量值、空气温度和物候阶段信息。该框架基于CNN-Transformer架构，实现了：i) 时间模态对齐，以同步异构数据流；ii) 考虑生长阶段的权重分配，突出物候相关输入；iii) 语义特征增强，以更好地将视觉信息与作物生理状态联系起来。在独立测试数据集上，所提出的模型取得了R^2为0.89、RMSE为0.043的优异性能，优于单帧CNN基线模型（R^2 = 0.78、RMSE = 0.072）。模态贡献分析表明，RGB图像、温度和SPAD测量值分别贡献了模型性能的约52.3%、29.6%和18.1%，这与基于SHAP的重要性排名一致。时间重要性分析进一步显示，在生长早期至中期（t2～t4），RGB特征具有主导作用；而在后期物候阶段（t7～t8），温度和SPAD的相关性增加。这些结果展示了基于生理信息的深度学习在受控环境农业中用于可解释、阶段敏感的氮监测的潜力。
引言
氮（N）是番茄（Solanum lycopersicum L.）生长所需的关键大量元素，在许多生理过程中起着重要作用（如光合作用、生物量积累和果实品质）（Zhang等人，2025年）。明确作物的氮状态并提供适量的氮可以显著提高番茄产量并改善果实可溶性固形物含量（Cheng等人，2021年）。临界氮浓度（Nc）定义为植物达到最大生长速率所需的最低氮浓度（Justes等人，1994年），为作物氮营养诊断提供了更科学和精确的方法（Zhang等人，2022年）。
关于番茄Nc稀释曲线的研究也一直在进行中（Cheng等人，2022年）。一些研究成功确定了番茄的临界氮稀释曲线，该曲线生动地展示了随着作物地上生物量（AGB）积累，临界氮浓度的变化（Lei等人，2024年）。然而，这些Nc稀释曲线的准确性需要大量的田间实验和数据分析（Rodriguez等人，2024年）。因此，对来自可用数据集的Nc稀释曲线进行全面的不确定性评估至关重要。解释Nc曲线参数a和b的变化具有挑战性，因为这些变化可能是由于采样和估计误差引起的，也可能是所研究的基因型（G）×环境（E）×管理（M）场景中的真实变异（Soratto等人，2025年）。为了计算作物临界氮曲线的不确定性，Makowski等人（2020年）提出了一种贝叶斯方法来分析拟合Nc曲线的不确定性。这种新的贝叶斯方法允许直接输入原始生物量和氮浓度数据，无需将其分类为非氮限制数据或氮限制数据。相反，它使用一步曲线拟合方法来拟合稀释曲线，以植物氮浓度和AGB为主要因素（Makowski等人，2020年）。这种新颖的贝叶斯方法已应用于多种田间作物，包括玉米（Zea mays L.）（Makowski等人，2020年）、水稻（Oryza sativa L.）（Fu等人，2023年）、小麦（Triticum aestivum L.）（Yao等人，2021年）、豆类（Phaseolus vulgaris L.）（Soratto等人，2025年）等。因此，需要更严格的不确定性评估，以获得计算常见番茄Nc曲线的稳健结果。
近年来，深度学习在植物表型分析中的整合在非侵入式监测作物氮状态方面显示出巨大潜力（Murphy等人，2024年）。其中，结合卷积神经网络（CNNs）和Transformer的混合架构成为捕捉复杂农业数据集中的空间和时间依赖性的强大方法（Li等人，2025年）。CNNs特别擅长从RGB图像中提取层次特征，而Transformer在建模长距离序列关系方面表现出色，非常适合动态植物监测任务。它们的结合已在包括作物生长建模、产量预测和胁迫检测在内的多种农业应用中显示出显著潜力（Chang等人，2025年）。
在温室番茄栽培的背景下，由于微环境严格控制和快速的物候转变，多模态数据融合为氮诊断提供了宝贵机会（Zhang等人，2025年）。RGB图像可以捕捉冠层颜色和形态等视觉特征，SPAD值反映叶片叶绿素含量，温度数据提供环境背景，物候阶段注释描述生理发育。然而，现有研究通常依赖于单模态或静态数据集，限制了它们完全捕捉时间动态和跨模态相互作用的能力（Fei等人，2023年）。例如，Paleari等人（2022年）使用基于SPAD和冠层图像特征训练的机器学习模型估计了番茄的氮营养指数（NNI），但他们的方法没有结合序列数据或深度架构。类似地，Pourdarbani等人（2021年）使用CNN模型和物候指标预测番茄的氮含量，但他们的模型缺乏跨阶段的通用性和时间感知建模。深度学习的最新进展开始通过利用CNN-Transformer架构来解决这些差距，用于跨作物和数据类型的特征估计（Li等人，2020年）。例如，Yu等人（2026年）扩展了数据同化-机器学习框架在区域玉米产量估计中的应用。Chen等人（2025年）使用混合Transformer深度学习模型利用多源数据准确获得了植物叶面积指数。这些研究共同强调了结合空间特征提取和时间序列建模在真实世界变异性下进行准确作物特征预测的有效性。
因此，本研究的动机是温室番茄氮诊断中存在的持续局限性。尽管Nc稀释曲线被广泛用于氮管理，但由于强烈的G × E × M场景以及缺乏跨季节和果型的严格不确定性量化，其公式化仍不确定。同时，现有的基于AI的番茄氮监测方法通常受到单时间或仅图像输入的限制，在生长阶段之间的鲁棒性和通用性有限，限制了其在温室条件下的连续、实时诊断应用。为了解决这些挑战，本研究结合了贝叶斯框架来量化Nc稀释曲线及其在多种G × E × M场景下的不确定性，并采用多模态深度学习方法，整合CNN和Transformer架构，利用时间序列RGB图像以及SPAD测量值、空气温度和物候阶段信息来非破坏性地估计NNI。这种综合策略旨在提高氮状态诊断的准确性、鲁棒性和跨阶段通用性，从而支持保护性番茄生产系统中的精准氮管理。
实验地点和设计
在三年期间（2022年8月至2024年12月），在中国江苏省南京农业大学的田间研究站的一个塑料温室中进行了五项实验（31.623°N，119.153°E）（表S1）。温室覆盖有双层聚乙烯薄膜，尺寸为48米×20米。实验期间的空气温度和相对湿度条件总结在图S1中，详细记录见补充材料。
通用临界氮稀释曲线和参数不确定性
在九种场景下拟合了Nc稀释曲线（表1）。在不同场景中，参数a的范围为3.18至3.23，参数b的范围为0.18至0.21。观察到a和b之间存在正相关关系，即较大的a值通常伴随着较大的b值。总体而言，参数估计在不同场景中的变异性有限。
当拟合整个数据集（场景1）时，a和b的中值分别为3.19和0.20。
基于贝叶斯的通用Nc稀释曲线对番茄氮诊断的影响
Nc稀释概念长期以来一直是诊断作物氮状态的理论基础，传统方法通常从地上生物量或叶面积指数推导Nc曲线（Lemaire等人，2016年）。为了提高诊断准确性，许多研究试图为特定基因型、季节或管理实践优化Nc曲线（Rodriguez等人，2024年）。然而，Nc参数的显著变异性——特别是稀释系数b——经常
结论
本研究建立了一个综合框架，将作物氮理论与数据驱动的建模相结合，实现了温室种植番茄的稳健且非破坏性的氮诊断。通过结合经典的氮稀释理论和贝叶斯层次方法，得出了一个稳定且可转移的Nc稀释曲线（a = 3.19，b = 0.20），适用于多种G × E × M场景，大大减少了参数不确定性，并实现了NNI的一致估计。
作者贡献
每位作者在这项研究中都发挥了关键作用。K.Z.、X.L.、Y.W.、R.G.、G.P.、Q.C.、A.S.和J.S.负责制定和规划田间实验。他们与K.Z.合作进行了数据分析并起草了本文。X.L.、L.Y.和J.S.提供了宝贵的见解并修订了手稿。
CRediT作者贡献声明
张珂：写作——审稿与编辑，撰写——初稿，项目管理。
柴祺：数据管理。
高若成：数据管理。
沈傲学：数据管理。
刘晓颖：写作——审稿与编辑。
杨丽菲：写作——审稿与编辑。
庞冠：写作——审稿与编辑。
王宇：写作——审稿与编辑。
刘小军：写作——审稿与编辑。
孙进：写作——审稿与编辑，监督，项目管理。
资助
国家自然科学基金（32301692）、江苏省自然科学基金（BK20230994）、中国博士后科学基金（2023M731735）、中国农业研究系统（CARS-23-B16）、国家重点研发计划（2023YFD2300700、2025YFE0209200），以及江苏省高等教育机构优先学术计划资助的项目支持了这项研究。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
