有效的氮素營養對提高作物產量至關重要。為了從一塊田中獲得最大產量,營養必須在所有作物之間均勻分配。氮肥的不合理使用不僅會導致產量的損失，還會導致籽粒品質的下降。不合理的高劑量農用化學品不僅會對環境產生負面影響，也會對人體健康產生負面影響。在這方面，確定合理、足量的氮肥用量的相關研究需求尤為迫切。

本文提出了一種深度學習圖像分割方法組合，用于監測整個農田的營養狀況，并檢測養分短缺的區域。作者特別考慮了基于 U-Net 的五種最先進的神經網絡架構，對這些神經網絡模型進行了訓練、效果評估和適用性研究，以解決正射影像圖上農作物氮含量分割的問題。使用的數據集來自農業物理研究所（ARI）在2020-2021 年使用無人機系統（Geoscan 401）收集的生物實驗數據，圖像用于上述神經網絡模型（U-Net、Attention U-Net、R2-UNet、Attention R2-Unet 和 U-Net3+）的數據擴增和訓練。

本研究還進行了一項實驗，以評估選擇不同波段的現場圖像對所考慮的分割方法的準確性的影響。實驗結果表明，在所有模型中，Attention R2U-Net (t2) 被證明對不同種類的作物具有更強的魯棒性和可靠性（準確率為 97.59%-99.96%）。作者還評估了使用不同圖像波段組合（如 RGB、RedEdge、NearIR 和 NDVI）對神經網絡模型分割精度的影響。RGB、NearIR 和 NDVI 頻道的組合使本研究中使用的所有 8 項指標都達到了較高的數值（比 RGB 的標準組合高出 0.41-1.77%）。使用 RedEdge 波段對農田氮含量的分割質量有顯著的負面影響。所提出的基于 Attention R2U-Net (t2) 和 RGB、NearIR 和 NDVI 波段組合的方法對不同類型的農業景觀中是穩定的，這有助于提高作物營養和產量。


圖1 氮營養分析方案整體過程。包括四個步驟:1.無人機拍攝的圖像被組合在一起，形成整個場地的正射影像。2.正射影像裁剪3.經過訓練的模型分割4.將分割圖組合成一個圖像，以提供字段分割


圖3 訓練的不同U-Net架構對9號田地圖像的分割結果，batch size設置為50。(a) R2U-Net (t = 4); (b) U-Net 3 + with deep supervision; (c) Attention R2U-Net (t = 2)。

圖4 訓練的不同U-Net架構對26號田地圖像的分割結果，batch size設置為5。(a) R2U-Net (t = 3); (b) Attention R2U-Net (t = 2); (c) R2U-Net (t = 2)。

文獻來源：Blekanov I.,Molin A.,Zhang D.,Mitrofanov E.,Mitrofanova O. & Li Yin.(2023).Monitoring of grain crops nitrogen status from uav multispectral images coupled with deep learning approaches. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2023.108047.