环境中氮素水平的研究对于作物表型、产量和品质形成具有重要意义，未来精准农业的实现和农业生态环境保护，离不开适宜的变量氮肥管理。而高效合理的氮肥管理体系的基础，是便捷、实时的作物氮营养诊断技术。随着植物表型研究和人工智能技术的发展，深度学习在农业科学研究中展现出了巨大潜力，为自动化、高通量、低成本的无损作物氮营养诊断的实现提供了契机。为了定量预测温室网纹甜瓜植株的氮素状况，本研究通过不同氮素水平处理的温室网纹甜瓜基质栽培试验，获取和解析全生育期的叶片数字图像和光温环境数据，结合传统的反向传播神经网络 (BPNN)，以及新兴的卷积神经网络 (CNN) 和长短期记忆网络 (LSTM)，先后构建了基于机器学习和深度学习的植株氮营养诊断模型，用于氮浓度的定量预测。BPNN模型R2=0.567，MSE=0.429;CNN模型R2=0.376，MSE=0.628;深度卷积神经网络 (DCNN) 模型R2=0.686，MSE=0.355;深度卷积神经网络-长短期记忆网络 (DCNN-LSTN) 混合模型R2=0.904，MSE=0.123，显示出最高的准确性，在植株的氮营养诊断上预测结果最佳。本研究为温室网纹甜瓜生产中便捷、精准的智能化氮营养诊断提供了基础。

　　图1. (A) 二叶一心时进行定植 (B) 采用单蔓整枝 (C) 20~22叶时摘心 (D) 试验温室示意图

　　图2. 研究思路关键步骤解析

　　图3.叶片数字图像分析流程

　　注：A.第一片完全展开叶，B.第二片完全展开叶，C.第三片完全展开叶，D.第四片完全展开叶;1-16分别表示：1.RGB转化为HSV并提取饱和通道，2.饱和阈值度图像，3.中位数模糊，4.RGB转化为LAB并提取蓝色通道，5.蓝色阈值图像，6.加入饱和度和蓝黄色阈值图像，7.绿-洋红色通道，8.蓝-黄通道，9.绿色-洋红色阈值图像，10.蓝色阈值图像，11.加入饱和度阈值图像，12.加入蓝黄色阈值图像，13.确定保留的对象，14.保存对象，15.查找形状属性并输出形状图像，16.确定相对于边界线的形状属性.

　　图4. 深度卷积神经网络模型的特征图

　　来源：Liying Chang, Daren Li, Muhammad Khalid Hameed, Yilu Yin, Danfeng Huang and Qingliang Niu. Using a Hybrid Neural Network Model DCNN–LSTM for Image-Based Nitrogen Nutrition Diagnosis in Muskmelon. Horticulturae 2021, 7(11), 489; https://doi.org/10.3390/horticulturae7110489

　　编辑：常丽英