《Computers and Electronics in Agriculture》：Deep learning identifies optimal single spectral band for non-destructive fresh weight estimation in cabbage: A novel paradigm for postharvest management technology
編輯推薦：
無人機多光譜成像結合卷積神經網絡篩選出565.63 nm波段對甘藍鮮重估算性能最優（R2=0.49），顯著超越20種傳統多波段植被指數（最高R2=0.34），驗證AI驅動單波段傳感器的可行性。
申賢洙（Hyoung-sub Shin）| 高升煥（Seung-hwan Go）| 樸鐘和（Jong-hwa Park）
ERI Solution Inc., 韓國京畿道高陽市伊蘭西區Kintex-ro 217-59, 10390
摘要
背景
高光譜成像（HSI）系統為精準農業應用（如產量預測）提供了豐富的光譜信息，但其高昂的成本和復雜性限制了其廣泛應用。非破壞性作物監測中光譜數據復雜性與預測準確性之間的關系尚不明確，這挑戰了“更復雜的光譜數據必然帶來更好預測結果”的假設。
方法
我們開發了一種工作流程，將基于無人機的HSI（150個波段）與深度學習相結合，用于非破壞性地估算卷心菜的鮮重（樣本量n = 680）。通過系統化的特征提取，使用二維卷積神經網絡（2D-CNN）來識別最具預測性的波長。該流程的性能與20種傳統的多波段植被指數（VIs）進行了基準測試。
結果
2D-CNN識別出565.63納米這一波長作為最佳預測因子。僅使用這一波段輸入的預測模型在獨立測試集上的決定系數（R2）為0.49，均方根誤差（RMSE）為0.99千克，平均絕對誤差（MAE）為0.84千克。這一性能顯著優于表現最好的傳統多波段指數（MCARI2，R2 = 0.34），表明使用單波段數據輸入時解釋的方差提高了44%。
結論
這種基于人工智能的方法能夠自動將高光譜數據的復雜性簡化為單一的最佳波長，其預測效果優于現有的多波段指數。研究結果為設計簡化、成本效益高的精準農業光譜傳感器提供了方法論框架，有望提高作物監測技術的可訪問性和可擴展性。
引言
農業遙感領域的一種主流方法是利用多波段或高光譜數據開發越來越復雜的植被指數（VIs），其前提是更豐富的光譜信息能夠帶來更好的預測能力（Thenkabail等人，2011年；Yang等人，2025年）。然而，高光譜成像（HSI）系統的高成本和計算需求仍然是其在常規農業管理中廣泛應用的重大障礙（Zhang等人，2020年；Faisal等人，2025年）。
本研究采用了一種替代方法，將HSI視為一個設計平臺，用于識別能夠指導更簡單、特定任務傳感器使用的最佳波長（Sun和Du，2019年；Li等人，2020年）。我們不假設復雜性必然提高性能，而是探討深度學習是否能夠識別出至少能保持或超越傳統多波段方法預測能力的最小光譜信息。
準確的收獲前產量預測對現代農業至關重要，它有助于優化收獲計劃、提高供應鏈效率并減少收獲后的損失（Sankaran等人，2010年）。傳統方法具有破壞性、勞動密集且難以擴展（El-Hadedy和Eddin，2020年）。雖然HSI通過捕獲與植物生物物理和生化特性相關的詳細光譜信息提供了非破壞性的解決方案（Sankaran等人，2010年），但其高維特性帶來了信息冗余和計算復雜性的挑戰（Bajwa等人，2004年）。因此，識別最具信息量的光譜波段對于降低數據復雜性并開發經濟高效、特定任務的傳感器至關重要（Sun和Du，2019年；Li等人，2020年）。
盡管植被指數被廣泛使用，但它們存在局限性：在密集的植物冠層中容易飽和，并且對大氣和土壤背景效應敏感，這可能影響其精確定量評估的可靠性（Giovos等人，2021年；SigmaEarth，2023年）。從上到下的冠層反射率估算體積特征（如鮮重）時，由于信號飽和問題，卷心菜內部的生物量在二維反射數據中難以被準確反映。
本研究的核心創新在于應用二維卷積神經網絡（2D-CNN）進行數據驅動的波長選擇。與傳統基于統計標準對波段進行排序或組合的方法不同（Bajwa等人，2004年；Yang等人，2025年），CNN可以直接從原始光譜數據中學習層次化模式（Kamilaris和Prenafeta-Boldú，2018年；Nevavuori等人，2019年），從而可能識別出對特定任務具有高預測價值的單一波長。本研究探討了基于CNN的方法是否能夠識別出一種最佳波長，其預測效果能與現有的多波段指數相媲美甚至超越它們，為精準農業中的傳感器簡化設計提供了啟示——這是傳統人工設計的指數無法實現的。因此，這是首次證明基于人工智能的工作流程能夠自動將數百個光譜波段的復雜性簡化為單一的最佳特征，其性能優于現有的多波段指數，為新型農業電子設備的設計提供了有效的藍圖。
研究地點和數據采集
實驗于2020年夏季至秋季生長季節在韓國萬珠市（坐標：127°02′49.65′E，35°49′28.52′N）的一個商業卷心菜田進行。研究對象為該地區廣泛種植的“Cheongomabi”品種。
數據采集分別于2020年10月13日（樣本量n = 680）和11月10日（樣本量n = 680）進行，共獲得680個樣本。選擇這些日期是為了確保樣本處于卷心菜的成熟收獲階段。
最佳光譜波段的識別
經過訓練的2D-CNN模型分析表明，位于565.63納米的光譜波段（電磁光譜的綠色區域）是估算卷心菜鮮重的最佳波長。
比較性能分析
在獨立測試集（樣本量n = 204）上評估了單波段模型（565.63納米）的預測性能，并與20種傳統植被指數進行了比較（見表1）。單波段CNN模型的決定系數（R2）為0.49，均方根誤差（RMSE）為0.99千克，平均絕對誤差（MAE）為0.84千克。在傳統指數中，MCARI2的表現最佳。討論
將565.63納米識別為卷心菜鮮重估算的最佳波長，不僅揭示了該方法論的合理性，也揭示了其背后的生物物理機制。該波長位于電磁光譜的綠色區域，這一區域與植物色素含量和光合作用密切相關（Gamon等人，1992年）。
我們的結果表明，這個由CNN選出的單一光譜波段包含更多用于鮮重估算的預測信息。
結論
本研究展示了一種數據驅動的光譜特征選擇方法，用于農業遙感應用。通過基于CNN的工作流程，我們識別出一種單一光譜波段（565.63納米），其預測效果優于20種傳統多波段植被指數。該單波段模型的決定系數（R2）為0.49，均方根誤差（RMSE）為0.99千克，平均絕對誤差（MAE）為0.84千克，說明其解釋的方差比表現最好的傳統指數（MCARI2，R2 = 0.34）提高了44%。
作者貢獻聲明
申賢洙（Hyoung-sub Shin）：撰寫初稿、驗證、軟件開發、方法設計、實驗實施、數據分析、概念構建。高升煥（Seung-hwan Go）：數據可視化、實驗協助、數據整理。樸鐘和（Jong-hwa Park）：撰寫修訂稿、監督工作、資源協調、項目管理。
利益沖突聲明
作者聲明沒有已知的財務利益沖突或個人關系可能影響本文的研究結果。
致謝
本研究未獲得公共部門、商業機構或非營利組織的任何特定資助。
