本网讯 近日，工学院权龙哲教授智能农田管理装备团队在权威期刊《Journal of Environmental Management》（IF=8.9，中科院一区，TOP）和《International Journal of Applied Earth Observation and Geoinformation》（IF=7.672，中科院一区，TOP）在线发表了两篇题为“Multimodal remote sensing application for weed competition time series analysis in maize farmland ecosystems” 和“Weed resistance assessment through airborne multimodal data fusion and deep learning: A novel approach towards sustainable agriculture”的研究论文。这两项研究描述了两种通过机载多模态数据融合和深度学习进行杂草竞争和抗性杂草评估的可持续农业的新方法。

关于杂草竞争的研究，文中采用基于玉米表型的综合竞争指数（CCI-A）来描述杂草竞争的动态过程和结果。随着竞争时间的延长，不同竞争水平(Levels 1-5)的玉米株高、茎粗、N和P元素的差异变化明显。这导致玉米产量下降10%、31%、35%和53%；百粒重下降3%、7%、9%和15%。与传统的竞争指数相比，CCI-A更适合量化竞争的时间序列响应。然后，应用遥感技术来揭示光谱和激光雷达信息对群落竞争的时间响应。光谱的一阶导数表明，在每个时期，竞争的红边(RE)位置偏向于短波方向。随着竞争时间的延长，Levels 1-5的RE整体上向长波方向转移。冠层高度模型（CHM）的变异系数表明，杂草竞争对CHM有显著影响。最后，建立了多模态数据的深度学习模型（Mul-3DCNN），实现不同时期CCI-A的大范围预测，并取得了R2=0.85和RMSE=0.095的预测精度。总之，本研究利用CCI-A指数结合多模态遥感和深度学习实现了杂草竞争力的大范围预测。

关于抗性杂草的研究，文中提出了一个综合抗性评分（CRS）来有效地量化田间杂草的抗性。多模态数据融合和深度学习被用来对CRS进行回归。在深度学习模型上新开户即送39元体验金对3D-CNN和2D-CNN进行三种不同的融合方法，以提取和融合无人机收集的多模态信息，包括光谱、结构和纹理信息。研究结果表明：(1)易感和抗性杂草之间存在明显的光谱响应差异，连续投影算法（SPA）选择的最佳波段与抗性表达波段的最佳波段相吻合； (2）通过多模态数据融合提高了抗性评估的准确性，后期深度融合网络表现出最佳的准确性，R2为0.777，RMSE为0.547； (3) 多模态融合网络模型在不同密度的抗性评估中表现出强大的适应性。并有效地生成了杂草抗性图。总的来说，这项研究证明了使用多模态数据融合和CRS，结合深度学习来实现准确和可靠的农田杂草抗性评估的有效性。

工学院权龙哲教授在两项研究中分别担任第一作者或通讯作者，新开户即送39元体验金为第一单位，其团队成员娄朝霞、夏福霖、孙灯、李海龙主要参与完成此项研究工作。研究获得了国家自然科学基金资助。该项研究为杂草智慧化防控和智能除草装备的理论研究奠定基础。（作者：娄朝霞、权龙哲 一审：刘灿 二审：任琪 三审：曹雷）