研究背景
氮素是保障水稻高产与全球粮食安全的关键营养元素。然而，当前生产中普遍存在的盲目超量施氮和均匀施肥方式，不仅导致了肥料利用率低下，还引发了严重的温室气体排放及地下水污染。为了实现农业的可持续发展，变量施氮（VRN）技术逐渐成为精准农业的核心。
氮营养指数（NNI）被认为是评估作物氮素状态的“金标准”，但其实施高度依赖于植株干物质（PDM）和植株氮积累量（PNA）的连续、准确获取。目前，区域尺度的氮素监测主要依靠两种路径：一是基于遥感数据的深度学习模型，其优势在于捕捉空间变异，但深受“小样本”困扰，模型泛化能力差；二是基于生理机制的作物生长模型（如DSSAT），其逻辑严密但参数复杂，难以直接应用于大面积、像素级的实时预测。如何将作物模型的生理机制与深度学习的强大拟合能力结合，克服田间实测数据稀缺的瓶颈，是实现区域精准氮素管理亟待解决的挑战。
论文概要
南京农业大学国家信息农业工程技术中心（NETCIA）的 刘小军 教授团队在 Plant Phenomics 发表题为“Physiology-informed LSTM framework integrating crop model and Sentinel-2 time series for rice nitrogen status estimation”的论文，揭示了一种生理信息驱动的长短期记忆网络（PI-LSTM）框架。该研究通过集成DSSAT作物模型产生的生理机制知识与Sentinel-2多光谱时间序列数据，构建了水稻PDM和PNA的稳健预测模型。在此基础上，研究团队开发了基于累积缺氮量的施氮算法（ANDA），在多站点、跨年度的田间验证中证明，该框架能在保持产量的同时，显著降低化肥投入，提升氮肥利用效率。
主要研究结果介绍
1. 生理信息驱动的PI-LSTM框架构建
研究团队提出了一种“伪标签（Pseudo-labelling）”驱动的迁移学习策略（图1）。首先，利用经过本地参数标定的DSSAT模型（CERES-Rice），结合2020-2024年的气象、土壤和700种管理场景，模拟生成了海量的水稻生长轨迹（伪标签数据集）。这一步骤旨在让模型在接触真实的稀缺实测数据之前，先“内化”作物生长的基本生理规律和动态过程。
为了将模拟的生理指标与光学卫星观测联系起来，研究者引入了吸收光合有效辐射比例（fPAR）作为桥梁变量。通过多指标匹配算法（包括皮尔逊相关系数、余弦相似度及动态时间规整DTW），将每一块真实农田的Sentinel-2卫星时间序列数据与模拟库中最相似的生长轨迹进行匹配（图2），从而为2000块代表性样田重建了具有生理一致性的每日PDM和PNA伪标签轨迹。
2. 模型性能评估与生理知识内化
实验首先在模拟数据集（Hold-out test set）上验证了模型的有效性。结果显示，预训练后的LSTM模型能够近乎完美地复现作物模型的确定性模式，PDM和PNA的预测分别达到了0.99和0.98（图3）。
随后，利用多年（2020、2023、2024）的实测田间数据对模型进行微调（Fine-tuning）。在五折交叉验证中，PI-LSTM框架表现出卓越的泛化能力，PDM的预测为0.87（RMSE=955.43 kg·ha⁻¹），PNA的预测为0.83（RMSE=12.79 kg·ha⁻¹）。相比传统的随机森林（RF）、支持向量机（SVM）和XGBoost等非时序机器学习算法，PI-LSTM显著降低了误差，证明了时序记忆机制在捕捉作物养分累积效应中的优势（图4）。
3. 特征敏感性分析与关键驱动因子
通过扰动分析（Perturbation-based sensitivity analysis），研究团队揭示了模型决策背后的生物学逻辑。结果发现，红边和绿色光谱指数（如CIRE、GNDVI、RESAVI）对PDM和PNA的预测贡献最大，同时时间因子（移栽后天数DAT）和水文因子（降水）也起到了关键的调节作用（图5）。这说明PI-LSTM确实学习到了光谱信号与生理周期及环境压力之间的复杂非线性关系，而非简单的统计关联。
4. 区域氮素营养诊断与变量推荐施肥图制备
研究团队将微调后的模型应用于江苏省兴化市全域。基于2024年7月31日（拔节期）的卫星影像，生成了全市范围内的PDM、PNA及NNI空间分布图（图6a）。诊断结果显示，该区域45.66%的农田处于氮营养适宜状态，而有20.04%和34.30%的农田分别处于缺氮和过量状态。
基于这些高精度的诊断结果，研究者进一步计算了累积缺氮量（AND），并依据ANDA算法生成了像素级的变量追肥推荐图（图6b）。区域层面的施氮量需求表现出明显的空间异质性（四分位距在104-154 kg·ha⁻¹之间），这充分说明了传统统一施肥方式的不合理性。
5. 田间实证：ANDA算法的农学与经济效益
2024年至2025年期间，研究团队在7个站点开展了对比实验，对比了ANDA算法推荐的变量施肥与农户传统施肥（FP）的效果（表4）。
结果显示，ANDA策略平均减少了13.4%的氮肥投入。在肥料减施的前提下，水稻产量不仅未下降，部分站点甚至有所增加（最高增产13.3%）。核心效益体现在氮肥偏生产力（NPFP）显著提升了18.6%。在经济效益方面，虽然受肥料成本占比较小影响，净利润的提升在统计学上并不总是显著，但在如2025年罗社场（LS）站点，ANDA通过增产与节肥的双重作用，使净利润提升了19.5%。
全文总结与展望
本研究开发了一套融合“作物模型-物理机制”与“深度学习-数据驱动”优势的水稻氮素管理决策支持框架。通过伪标签预训练策略，PI-LSTM成功克服了田间实测样本不足的瓶颈，实现了在大尺度上对作物生理状态的连续监测。
研究结果证明，该框架在捕捉作物生长动态、提供物理一致性预测方面优于现有方法，且生成的变量施肥建议具有极高的实用价值，能有效平衡作物高产、农户增收与环境保护之间的矛盾。未来，该框架可进一步集成土壤含水量等地下水文学约束，并推广至其他大田作物，为区域尺度下的智慧农业和氮素精准调控提供可靠的技术支撑。
研究团队与资助
本研究由南京农业大学国家信息农业工程技术中心 刘小军 教授团队主导完成。文章第一作者为 Jinpeng Yang，Zhaopeng Fu 为重要贡献作者。该研究得到了上海市农委科技创新项目（No. I2023005）、国家重点研发计划（No. 2023YFD1701002, 2022YFD2301402）以及国家自然科学基金（No. 32071903）的资助。
DOI链接：https://doi.org/10.1016/j.plaphe.2026.100234
