浙江农林大学联合浙江大学研究团队在农业工程领域国际顶级期刊《Computers and Electronics in Agriculture》（中科院一区TOP）上发表了题为“基于先进SLIC-EVI与HMT-seCNN方法增强香榧冠层氮含量估算”的研究论文，

该研究在技术上实现了两大关键突破。

与上篇研究不同的是，本次研究直接深入环境复杂的真实野外战场。这里光线混乱、背景复杂（枝叶、土壤、阴影交织）。目标是在这种极端复杂的环境下，首先解决“看得清”的问题，然后再谈“测得准”。

突破一：解决“混合像素”行业痼疾，提取更纯净的光谱信号

在无人机林业遥感中，“混合像素” 问题（即一个像素点同时包含树叶、树枝、土壤和阴影）一直是影响监测精度的核心瓶颈。传统方法提取的冠层反射率包含大量噪声，导致后续分析失准。

本研究创新性地提出了 SLIC-EVI方法，通过结合超像素分割和增强型植被指数，如同一位拥有“火眼金睛”的数据滤清器，能够精准地从复杂的冠层图像中分离出纯净的叶片像素。

效果如何？ 研究数据显示，经SLIC-EVI方法提取的反射率与氮含量的相关性高达 0.744，远优于传统NDVI方法的0.303和EVI方法的0.551。这意味着，基于HY-1230-01相机原始数据，该方法能最大限度地“提纯” 出对氮元素最敏感的光谱信息，为精准建模奠定了坚实基础。

突破二：引入创新模型，提升氮含量估算的精度与稳健性

拥有了高质量的数据，如何更充分地利用其价值？研究团队进一步引入了 HMT-seCNN创新模型。该模型通过高光谱多尺度变换技术，将HY-1230-01相机采集的一维光谱数据，重构为包含更丰富空间-光谱关联信息的三维数据图。

通过应用 HMT 技术、卷积神经网络（CNN）和通道注意力机制，显著提升氮含量估算的精度与稳健性。这项研究通过创新性技术组合，为异质冠层环境下的精准氮监测提供了全新视角。搭载了通道注意力机制的深度学习网络，能像一位经验丰富的专家，自动“聚焦”于对氮含量预测最重要的光谱通道，并抑制不重要的信息。

模型性能证明：在测试集上，最终的HMT-seCNN模型预测精度达到 R² = 0.765，其性能全面超越了所有参与对比的传统机器学习模型。这证明了HY-1230-01相机提供的全局连续光谱数据，与先进的AI算法结合后，能释放出前所未有的预测潜力。

这两大突破均建立在由杭州高谱成像技术有限公司提供的 HY-1230-01高光谱相机所采集的高质量数据基础之上。这不仅标志着我国在高光谱遥感与人工智能融合应用上达到新高度，也再次验证了高谱成像硬件设备在支撑前沿科研与解决实际产业难题中的卓越能力。

HY-1230-01高光谱相机是一款实时推扫式成像光谱仪，光谱范围为400-1000nm，光谱分辨率为2.8nm。

根据研究和应用场景的不同，HY-1230-01等科研级高光谱相机可自由集成至无人机载高光谱成像系统、实验室、便携式和显微高光谱成像仪仪器等，并提供便捷易用的二次开发支持，解决客户在教育科研、智慧农业、生态环保、智能制造、工业检测等应用领域的深层次感知需求。

※ 采用棱镜-光栅分光方式，可获得更精准、更高分辨率的光谱数据；

※ 自研模组可适配多种探测器，具有多谱段、多尺寸、多探测器类型可选； 

※ 产品具有体积小、重量轻、光谱特性好、性价比高等优点；

※ 镜头接口为标准C-Mount，可根据用户需求更换焦距；