对于光的研究，最早可以追溯到1665年，牛顿通过三棱镜色散实验将太阳光折射出彩色光谱，至此人们第一次接触到了光的特性。到了19世纪，科学家们通过各类实验，发现了紫外线，并找到了测定波长的方法。

牛顿三棱镜色散实验

光谱分析的起始点是从德国科学家基尔霍夫和本生开始的。在海德堡大学任教期间，两位科学家联合研制了光谱仪，并创立了“光谱化学分析法”。他们利用牛顿的三棱镜，将物体燃烧时发出的光线，通过透镜集成一束平行光，在通过一条窄缝引导至三棱镜，再放大观察所成的光谱图像。他们发现了不同化学元素燃烧时在火焰颜色呈现出的特点，并由此技术发现了铯和铷。

基尔霍夫与本生发明的光谱仪可以说是现代光谱仪的前身，随着“空心阴极灯“的发明，产生锐线光谱光源的问题得到了解决。1954年，澳大利亚物理研究所利用原子吸收和发射相同波长谱线的原理，研发了世界上第一台原子吸收分光光度计。

1970年北京科学仪器厂试制成WFD-Y1型单光束火焰原子吸收分光光度计。随后，采用火焰原子吸收法研制的光谱分析仪器取得了巨大的进步。在国内，目前已有不少企业能够生产多种型号、性能先进的原子吸收分光光度计。现代原子吸收分光光度计可以测定的元素数目也迅速增加，并成为元素含量分析不可或缺的的专业设备之一。

简耘马铃薯营养检测中心亦是如此，除了像原子吸收分光光度计这类用来测定微量和痕量元素的精密仪器外，为了促进 “耕简单”马铃薯生长健康监护系统人工智能作物模型的精准成熟，2020年公司斥资300万，在乌兰察布职业学院建立了执行国标的马铃薯营养检测中心，进行元素的定量分析。

简耘的数据团队严格按照国标进行样本采集和化验，对作物生长所需要的氮、磷、钾、铜、铁、锰、锌、钙、镁等大中微量元素进行化验分析，再将作物营养数据和作物体征数据导入AI作物生长模型，不断学习作物生长规律，并通过专家模型、经验模型和AI模型的协助，输出适应于不同土壤特性、不同品种特性和不同投入品特性的生产管理辅助决策建议。

原子吸收分光光度计

常见的原子吸收分光光度计分为火焰和石墨炉两种。内置火焰原子化器和石墨炉原子化器的光谱设备各具优势，但由于火焰原子化法的原子吸收分光光度计操作简便、重现性好、有效光程大，对大多数元素具有较高灵敏度，可以满足对土壤和作物营养元素的化验分析，因此在行业层面应用广泛。

然而，由于火焰原子吸收分光光度法需要将试样溶液喷雾到火焰中，因此在进行元素测定前，需要将土壤和植株样本进行除杂、清洗、烘干、研磨、消解等多道复杂的流程后，才能将土壤和植株中的元素原子化，预处理周期较长、复杂程度较高。

在高标准农田的生产过程里，往往伴随着频繁的农事干预，肥料追施、灌溉、病虫害预防、除草等等。植物生长要素包含水、肥、气、热、光，仅靠天气、土壤、品种数据搭建的传统模型存在明显的微观要素缺失，适合大尺度的生产潜力评估，难以提供地块级别的种植指导。要想在生产中实现数字化精准种植，土壤营养和动态作物营养状况分析是必不可少的，且需要进行高频评估，如果元素分析结果的产出效率低，就无法及时应用到生产中，如此便需要服务商准备充足的人员和设备资源来满足大量的元素分析需求，这就势必会推高服务成本。

在农业信息获取的科技领域中，遥感与多光谱技术的结合，极速推进了地表作物信息的获取效率。随着光学成像技术、信息融合处理技术和配套硬件的不断升级，多光谱技术在多个领域发挥出了巨大价值，也让众多企业发现了它的商用潜力。

不过，目前遥感光谱解析技术在农业种植端的应用集中在三大主粮作物上，多采用“机理研究先行”的方式进行，而且只针对作物单一品种的某个时期，无法连续性覆盖不同品种的整个生育期。

在马铃薯品类上，光谱分析研究集中在块茎的营养成分上。近年来，虽然对马铃薯生长过程中植株营养表现的光谱研究逐渐增多，但目前也只停留在元素的光谱特性研究层面，从“实验室”到“商业化”，落地应用过程仍较为漫长。

为了缩短通过遥感技术实现作物营养诊断的商用路径，简耘采用卷积神经网络（CNN）算法，及贝叶斯网络算法来寻找光谱特征与相关元素含量的耦合关系，将CNN网络的输出作为光谱特征，基于标的叶柄营养检测及多维长势特征的统计值，利用贝叶斯网络进行概率回归分析，实现从多光谱到营养元素含量的图像解析。

 基于无人机多光谱影响下的作物长势图

至2021年种植季结束，简耘科技已收获了两个完整种植季的马铃薯全生育期微观生长数据，包括土壤营养、作物营养、作物生长和关键病害数据等，私有数据4亿条，开源数据1亿条。充足的光谱图像和化验分析匹配数据用来验证回归关系，不断校准简耘基于光谱开发的图像解析技术。

通过此技术，不仅可以将图像信息转化为可读取的数字信息，打通“耕简单”马铃薯生长健康监护系统后，不断成熟的马铃薯AI作物生长模型可以在修正后的作物生长规律模型里，精准评估当下光谱反应出的元素含量高低水平，并及时给出农事建议。

图像识别系统在当下已经不是什么新鲜事，人们经常接触的电商平台已经基于人工智能开始为买家提供便捷的商品选购服务。用户只需要给心仪的商品拍张照片，系统就会自动返回与照片内相似商品的链接。除此之外，还有工厂的产品识别、高速公路的车辆识别、医院的病症识别等，视觉系统的应用已十分广泛。

然而，在农业领域，特别是上游种植环节，由于影响作物的因素过于复杂，基于光谱的图像解析技术就像“雾里探花”，仿佛找到了方向，但又缺少验证。虽然遥感技术已经在农业种植端普及多年，但用来做宏观分析的居多。受困于元素与光谱匹配数据的缺失，通过光谱判断实际作物营养状况仍停留在报告、课本和实验室中，被束之高阁。

简耘数据部操作无人机拍摄作物多光谱检测图

目前通过无人机遥感获取多光谱图像的技术已趋成熟，但是全田光谱分析面临两个难点。

一是全田尺度的多光谱数据量巨大，100亩田块1次飞行采集的多光谱数据超过1GB，复杂的手工特征标注工程难于实践，卷积神经网络恰好擅长数据降维和特征提取；二是多光谱波段有限，因而与高光谱营养元素分析相比在准确性上存在不足，在生产实践中应用欠佳，但贝叶斯网络利用与光谱同期的株高、主茎粗细、叶面积等作物长势数据可提供极佳的辅助矫正，满足种植生产的需要。简耘科技训练的CNN-Bayesian网络有效克服了以上难点，在成熟的多光谱获取技术与营养元素分析之间架起了桥梁。

简耘CNN-Bayesian

与常规技术发展模式不同，简耘选择引入人工智能来跨过“机理研究”的时间鸿沟。依靠更为成熟的AI作物生长模型，以及可观的、可匹配的光谱和作物营养数据优势，简耘自主研发的光谱识别与解析系统未来将大大提高作物营养状况的反馈效率。

结合种植户的追肥习惯，当下简耘反馈作物营养数据的时间需要120小时以上。未来，在AI光谱识别系统的帮助下，遥感无人机采集光谱数据后，上传到系统中即可立即进行元素含量评估，并同时反馈种植指导建议，整个流程大约仅需要4-6小时，反馈效率提升近30倍，同时也会大幅降低采集人员成本和化验部门的运营成本。

目前，简耘技术团队已完成AI光谱识别与解析系统的模型搭建，以及光谱图像和数据的预处理工作，研发团队正在依靠AI模型开展光谱图像的特征提取、模拟计算和回归性对比分析。下一步，团队将尽快推进模型的校正工作，并争取在下一个种植季开始前完成1.0版本的上线。

本文作者：简耘科技倪克松