作者：陳俊杰1，胡海飛2，趙均良2，徐偉誠2，周少川3
1 中西創新學院
2 廣東省農業科學院水稻研究所
3 深圳市金穀美香實業有限公司
一、簡要介紹
在糧食安全與智慧農業的宏觀背景下，精準評估水稻生長活力是提升育種效率的關鍵。然而，水稻在插秧後能否「早生快發」（即：早返青、早分蘖、群體生物量積累快），長期以來只能依靠育種專家肉眼觀察，這種「感性經驗」難以規模化傳承。
本項目由澳門中西創新學院、廣東省農業科學院水稻研究所及深圳市金谷美香實業有限公司聯手，旨在將廣東育種專家數十年的「看苗經驗」數字化。我們研發的「影子學習器」系統，不僅是一個 AI 模型，更是一個具備自我糾錯與專家邏輯嵌入的智能大腦，透過無人機低空遙感技術，為全球水稻育種提供一套可量化的「澳門方案」。
本項目開發出一套結合「低空遙感 + 專家知識嵌入 + 影子模型機制」的計算機輔助育種系統。透過澳門團隊研發的 4D-MTFM（4D Multimodal Temporal Fusion Model） 引擎，系統能自動從無人機採集的激光雷達（LiDAR）點雲與多光譜數據中，提取肉眼難以察覺的生長動態特徵，將傳統「感性育種」升級為「理性智慧育種」。
Figure 1：粵澳跨學科協作與智慧育種系統流程圖
二、項目亮點與核心成果
本研究不拘泥於傳統算法，而是透過以下核心優勢，實現了從「人工觀測」到「智能決策」的質變：
1. 首創 4D 多模態融合技術：
打破單一傳感器的局限，系統同步整合了 3D 激光雷達（LiDAR）的幾何結構數據 與 多光譜相機的生化參數。透過澳門團隊研發的 4D-MTFM 平台，我們能從時間維度自動捕捉水稻從插秧到封行期間的細微動態變化，實現對生長活力的高維度評價。
2. 專家智慧的精準算法化：
藉助廣東水稻所專家的深度參與，系統嵌入了真實的育種邏輯（如達到最大有效分蘖的天數、葉齡增速等）。這意味著 AI 不再是「盲目計算」，而是像一位擁有數十年經驗的專家一樣去「觀察」水稻，使預測結果具備深厚的生物學依據。
3. 影子學習機制的自我演進：
系統具備獨特的「影子學習」機制。當 AI 遇到複雜大田環境或特殊品種導致預測偏差時，影子模型會自動觸發殘差學習，針對錯誤案例進行二次特徵掃描。這種機制保證了系統具備極強的魯棒性，能應對不同地區、不同氣候下的育種挑戰。
4. 領先行業的科研指標：
目前研究已在 300 份國際多樣性水稻材料中完成驗證。關鍵指標如分蘖數（R2=0.86）與葉齡增速（R2=0.91）的預測精度均達到國際領先水平，篩選效率較傳統人工模式提升了 20 倍以上。
三、研究步驟
多源數據獲取與空間對齊（構築數位基礎）
利用無人機搭載 3D 激光雷達（LiDAR）與多光譜相機，在高頻率的生長窗口期內，為大田水稻建立高精度的「數位雙生」檔案。我們研發的算法能自動剔除複雜環境噪點，確保每一株水稻的結構與光譜數據精確對齊。
Figure 2：時間注意力機制與性狀評價「黃金窗口期」可視化。透過熱力圖展示 AI 模型如何精確鎖定移栽後 12 至 20 天 這一關鍵物候期。這證明了系統能捕捉到肉眼難以察覺的早期生長突變點，與專家經驗高度契合。
專家知識算法化（嵌入育種智慧）
廣東水稻所專家將對「早生快發」的抽象判斷（如：分蘖速度、葉齡變化）轉化為 12 項具體的量化指標。系統透過學習這些指標，將專家的「看苗」經驗轉化為可計算的數學邏輯，確保 AI 判斷標準與人類專家高度一致。
4D-MTFM 複合網絡建模（核心演算動力）
自主研發 4D-MTFM 複合神經網絡，透過「聯合訓練」與「損失函數自適應加權」技術，將光譜特徵與 3D 結構特徵深度融合。系統會根據生長階段，自動調整觀察重點，像專家一樣「聚焦」在最重要的生長信號上。
Figure 3：4D-MTFM流程圖
影子機制與智能決策（誤差再學習與產出）
引入「影子學習機制」，針對預測偏差較大的複雜樣本進行二次特徵掃描，從失敗中學習，確保系統的穩健性。最終，系統自動產出 100 分制的標準化 EGV 評分，並提供批量初篩建議。