The Soybean Nutrient Deficiency Dataset

大豆营养缺乏数据集是通过在中国黑龙江省哈尔滨市阿城区双丰街道西林子村的一个4亩（0.267公顷）实验田，在大豆苗期（波长范围：400–1000 nm）采集高光谱数据建立的。数据使用搭载VNIR系列HSP0410云台高光谱相机的DJI M350 RTK无人机在60米高度采集。随后，利用ENVI软件对原始数据进行大气校正和标注，生成空间分辨率为2787×807像素和260个光谱波段的可用数据。该数据集包含7个土地覆盖类别和1,183,951个标注样本，主要用于检测大豆营养缺乏影响区域的空间分布。

The Soybean Nutrient Deficiency Dataset was established by collecting hyperspectral data at the soybean seedling stage (wavelength range: 400–1000 nm) in a 4-mu (0.267-hectare) experimental field located in Xilinzi Village, Shuangfeng Subdistrict, Acheng District, Harbin City, Heilongjiang Province, China. The data was collected using a DJI M350 RTK UAV equipped with the VNIR-series HSP0410 gimbal-mounted hyperspectral camera at an altitude of 60 meters. Subsequently, atmospheric correction and annotation were performed on the raw data using ENVI software to generate usable data with a spatial resolution of 2787×807 pixels and 260 spectral bands. This dataset contains 7 land cover categories and 1,183,951 annotated samples, and is primarily used to detect the spatial distribution of areas affected by soybean nutrient deficiency.

原始信息汇总

大豆营养缺乏数据集概述

数据集名称

大豆营养缺乏数据集

数据采集

• 采集地点：中国黑龙江省哈尔滨市阿城区双丰街道西林子村
• 采集对象：大豆苗期
• 采集设备：大疆M350 RTK无人机搭载VNIR系列HSP0410云台高光谱相机
• 采集高度：60米
• 波长范围：400-1000纳米
• 实验面积：4亩（0.267公顷）

数据处理

• 处理软件：ENVI
• 处理步骤：大气校正和原始数据标注
• 空间分辨率：2787×807像素
• 光谱波段：260个

数据内容

• 数据格式：MATLAB格式（.mat）
• 覆盖类别：7个土地覆盖类别
• 标注样本：1,183,951个
• 主要用途：检测大豆营养缺乏影响区域的空间分布

下载信息

• 存储位置：百度网盘
• 下载链接：https://pan.baidu.com/s/1H31xp_DhgckMZWvQowut4w?pwd=1118
• 提取码：1118

搜集汇总

数据集介绍

构建方式

在精准农业领域，大豆营养缺乏问题对作物产量构成严峻挑战。该数据集通过在黑龙江省哈尔滨市阿城区双峰街道西林子村的实验田，利用大疆M350 RTK无人机搭载VNIR系列HSP0410高光谱相机，于60米高空采集大豆苗期400-1000纳米波段的高光谱数据。原始数据经ENVI软件进行大气校正与标注处理，最终形成空间分辨率达2787×807像素、涵盖260个光谱波段的标准化数据集。

特点

该数据集具有显著的多维特征优势，其包含7种土地覆盖类型与118万余个标注样本，为农业遥感研究提供了丰富的数据基础。高光谱成像技术捕获的连续窄波段信息，能精确反映作物叶片的生物化学成分变化，特别适用于识别氮磷钾等关键营养元素的缺乏模式。数据空间分布覆盖0.267公顷实验区域，有效模拟了实际农田中营养缺乏的异质性特征。

使用方法

研究者可通过提供的百度网盘链接获取MATLAB格式的原始数据文件。使用前需通过专业遥感软件或编程工具进行数据解析，建议结合机器学习算法构建分类模型。该数据集主要服务于大豆营养缺乏区域的自动识别任务，用户可依据260个光谱波段特征训练深度学习网络，或开发轻量化模型以适应边缘计算设备在精准农业中的实际部署需求。

背景与挑战

背景概述

随着精准农业技术的发展，作物营养缺乏的早期识别成为提升农业生产效率的关键环节。大豆作为全球重要的粮食作物，其生长过程中易受多种营养元素缺乏的影响，传统检测方法效率低下且难以实现大范围监测。该数据集由哈尔滨市阿城区双峰街道西林子村的科研团队于近年创建，依托无人机搭载高光谱成像系统，在大豆苗期采集了覆盖400至1000纳米波段的高分辨率遥感数据。通过ENVI软件进行大气校正与标注处理，生成了包含7种土地覆盖类别和逾118万样本的标准化数据集，旨在推动高光谱遥感技术在大豆营养缺乏空间分布监测中的应用，为农业智能决策提供数据支撑。

当前挑战

大豆营养缺乏检测面临复杂环境下的光谱特征重叠与噪声干扰问题，不同营养元素缺乏症状在遥感影像中表现相似，增加了分类模型的区分难度。数据集构建过程中，高光谱数据采集受天气条件与飞行稳定性制约，大气校正需消除光照变化与气溶胶影响，标注工作依赖专业农学知识以确保类别准确性。海量数据的存储与处理对计算资源提出较高要求，同时样本分布不均可能影响模型泛化能力，需通过数据增强与跨区域验证加以优化。

常用场景

经典使用场景

在精准农业领域，该数据集通过高光谱遥感技术捕捉大豆幼苗期营养缺乏的空间分布特征，为作物生长监测提供了关键数据支撑。其经典应用场景包括利用无人机搭载的高光谱相机采集400-1000纳米波段数据，结合ENVI软件进行大气校正与标注，构建出包含7种土地覆盖类型和逾百万样本的标注数据集，有效服务于大豆营养缺乏区域的识别与分类研究。

实际应用

在实际农业生产中，该数据集可应用于大豆田间的精准施肥与病害预防系统。通过分析高光谱数据生成的营养缺乏分布图，农民能够及时调整施肥策略，减少化肥滥用，提升作物产量与品质。这种技术尤其适用于大规模农场管理，有助于实现资源优化与环境保护的双重目标。

衍生相关工作

基于该数据集衍生的经典研究包括高光谱图像分类算法开发、深度学习模型在农业遥感中的适应性改进，以及多光谱与高光谱数据融合方法的探索。这些工作进一步拓展了作物监测的精度与效率，催生了诸如基于卷积神经网络的营养缺乏自动识别系统等创新应用，为智慧农业技术演进奠定了坚实基础。