近日，Betway必威西汉姆联“绿洲现代农业精准技术研究与规模化应用”创新团队张泽副教授在小样本条件下棉花营养监测研究中取得新进展，研究成果以“Image-Spectral Fusion Monitoring of Small Cotton Samples Nitrogen Content Based on Improved Deep Forest”（基于改进深度森林的小样本棉花氮营养“图像-光谱”融合监测方法）发表在农林科学领域TOP期刊《Computers and Electronics in Agriculture 》（中科院一区，IF:8.3）
氮营养精准监测是现代棉花栽培管理不可或缺的一环，对产量、品质的提升以及生态环境的改善提供重要参考。通过高光谱或数码图像单一数据源建立传统的机器学习模型，是目前主流的营养监测方法，但其存在特征参数获取有限、模型拟合和泛化能力不足等缺点。近年来，深度学习（DL）因其灵活的结构被应用于复杂的非线性建模任务，但由于农学样本获取困难、规模较小，通常无法满足训练条件。所以如何构建适用于小样本的DL模型，有效整合单一数据源的特征，更加全面、准确地监测棉花氮含量，是亟待解决的问题。
该研究以新陆早53号棉花为研究对象，开展室内盆栽实验，设置6个不同氮素处理，分别以棉叶的高光谱和数码图像为数据源，以增强表征学习能力为目标，通过在深度森林(DF)模型中的多粒度扫描和级联森林模块丰富多类别的基学习器，并在级联森林模块中添加跳跃连接策略以优化网络，提升在两个数据源中的反演质量。随后从特征级融合、决策级融合和二次决策级融合三个层次出发，构建联合DF与Stacking集成学习的“图像-光谱”融合模型，进一步提升氮含量反演的精度和稳定性。结果表明，DF模型满足农学数据获取困难、体量少的训练条件，改进的DF相较于传统机器学习模型验证集R2提升13.4%-28.5%，相较于原始DF模型验证集 R2提升10.9%-14.9%；同时，三层次“图像-光谱”融合模型相较于单一数据源最优反演模型验证集R2分别提升8.6%-9.3%，10.5%-11.2%，11.8%-12.5%。证实了改进的DF模型与三层次融合模型均能提升棉花氮含量反演精度，其中二次决策级融合模型效果最优，该方法为监测小样本作物表型参数提供借鉴和参考。
本文的第一作者为Betway必威西汉姆联博士研究生秦诗哲，Betway必威西汉姆联张泽副教授为通讯作者。团队一直致力于棉花表型监测与智慧管理的研究与应用工作，该研究得到了自治区天山英才、兵团重大项目、兵团强青和第八师重点领域创新团队等项目的资助。