华南农业大学农学院·9月3日 · 周四论文农业遥感与作物表型阅读 6
A physics-guided hybrid framework for peanut nitrogen monitoring (Computers and Electronics in Agriculture)
论文解读
77精选
速览
提出物理-数据融合框架POSNH，用于花生冠层氮素含量遥感监测，降低样本依赖并提高泛化能力。
方法
融合辐射传输机理与机器学习，构建物理-数据融合监测框架POSNH。
发现
POSNH降低了模型对大量实测样本的依赖，提高了跨品种、生育期和环境条件下的预测精度与泛化能力。
机会点
可探索将物理-数据融合框架推广至其他作物或氮素以外的营养元素监测，并研究其在不同传感器和尺度下的适用性。
影响力18
信息增量20
专业深度17
信源权威14
时效性8
研究提出物理-数据融合框架，提升花生氮素监测精度与泛化能力，对精准施肥和智慧农田管理有实质贡献。
原文摘要
华南农业大学农学院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）发表研究论文。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 POSNH。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。
信源（1 个）