现代农业面临着确保可持续性和满足日益增长的全球粮食需求的双重挑战。智能农业利用来自环境和植物的数据，准确地在需要的时间和方式提供水，这引起了人们的极大关注。这种方法需要精确的水资源管理和高度精确的作物水分胁迫实时监测。现有的监测方法带来了一些挑战，如植物受损的风险、昂贵的传感器以及需要专家进行调整。因此，开发了一种低成本，高精度的水分胁迫估计模型，该模型使用深度学习和商用传感器。该模型使用相对茎径作为水分胁迫指数，并结合来自环境传感器和RGB相机的数据，通过提出的每日归一化处理。此外，Transformer模型中实现了域适应，以便在不同的领域中实现鲁棒的学习。利用番茄作物的实际栽培数据对模型的精度进行了评价，水分胁迫估算的决定系数(R2)为0.79。此外，该模型在不同区域均保持了较高的精度，R2为0.76，表明该模型在不同条件下具有较高的适应性。

图1  利用叶片萎蔫指数估算水分胁迫的模型及其在不同地区的适应性综述。

图2  数据采集环境。(a)种植面积(b)传感器位置(c)摄像机视角。

图3  按区域分布收集的数据。

图4  叶片萎蔫定量的处理步骤。(a) ExG掩码(b)基于SAM的分割掩码(c)计算跟踪点(d)跟踪轨迹。

图5  估算水分胁迫的模型。

图6 相对杆径（Relative Stem Diameter，RSD）按地区和时间段的分布。(上)没有标准化。(下)每个时间段的标准化。

图7  RSD和叶片萎蔫指数的日变化趋势。

图8  有和没有域自适应的RSD估计和真值直方图。(a)无域适应(b) 考虑昼夜节律的域适应（domain adaptation considering the circadian rhythm，DAC）。