近日，华南农业大学农学院、农业农村部华南作物资源高效利用重点实验室、广东省植物分子育种重点实验室张雷课题组在国际学术期刊《Computers and Electronics in Agriculture》（中科院一区Top，影响因子10.3）在线发表了题为“A physics-guided hybrid framework for peanut nitrogen monitoring: Fusing radiative transfer physics with machine learning”的研究论文。该研究聚焦花生冠层氮素含量监测过程中传统遥感模型对大量实测样本依赖强、跨环境适应性不足等问题，构建了融合辐射传输机理与机器学习的物理-数据融合监测框架，实现了花生冠层氮含量的高精度、智能化遥感监测。
研究团队构建了融合物理机理与机器学习的花生冠层氮含量监测模型POSNH。该模型利用Wasserstein生成对抗网络（WGAN）学习多个生理参数之间的关联关系，生成更符合实际生理规律的参数组合，并结合PROSAIL辐射传输模型构建模拟数据集。在此基础上，采用预训练—微调策略和长短期记忆网络（LSTM）学习高光谱序列特征。该方法降低了模型对大量实测样本的依赖，并提高了其在不同品种、生育时期和环境条件下的预测精度与泛化能力，为花生氮素快速诊断、精准施肥研究和智慧农田管理提供了新的技术途径。
图1.基于物理机理模型与深度学习模型的花生冠层氮含量监测模型框架。
图2. 不同氮素监测模型的预测性能对比。POSNH模型取得最佳综合表现，R2为0.8815，MSE为5.8432。
张雷副研究员和陈婷婷副教授为论文共同通讯作者，华南农业大学农学院博士研究生刘仕元为论文第一作者，该项目获得了广东省重点领域研发计划（2025B0202060002），科技成果入县达镇促进城乡区域协调发展专项项目（2025B0202010033）和华南农业大学一流学科交叉创新团队建设专项（20250922A03）的资助。
相关论文链接：https://doi.org/10.1016/j.compag.2026.112314
文/图 农学院
