作物生理信息的感知和获取，在农业生产、决策和作物生长状态的检测中发挥了重要的作用。智能引擎具有重要意义的研究是如何通过现场图像获取作物养分生理信息，除作物高度，LAI值和生物量等表观指标外，机器深入学习识别出作物含有氮、叶绿素、蛋白、酶类等水平是智能引擎实现的难点。智能引擎相关方法和技术的突破，对智能引擎具有重要意义。先从已有的图像数据集上构建和训练图像识别器，来自预训练模型的学习参数用于初始化作物生理信息的模型。预训练模型学会捕获其早期层中的曲线、颜色梯度和边缘等通用特征，这种训练图像得到识别器方法对于引擎大多数其它视觉分类问题是十分有用的。

通过智能水肥决策引擎图像分析模块实现以下功能：

（1） 农作物生理生育期识别。通过现场农作物图像机器学习识别出作物各个生育期，从而从气象传感器数据中精准给出模型的有效积温TSUMEM、TSUM1和TSUM2，以及其它生育期的有效积温参数。

（2） 基于图像的信息获取NDVI 可以消除仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的响应能力，从图像中提取作物光照土壤和阴影土壤的小块区域，并统计不同地物 NDVI 统计特征和对应的像元累计百分比，从而计算出作物实时的LAI值。

（3） 从现场图像中对作物病虫害、产量估测、农产品质量和品质检测、作物秸秆资源化利用等评估，让引擎AI的机器学习模块更具有重要的应用前景。

作物模型仅仅是在站点尺度上的数字模型，进行大面积区域外推是会遇到参数标定的问题，充分利用无人机或遥感图像数据在空间、时间和精度上的优势，解决这个问题是智能化引擎的优势，引擎数据同化技术发挥了重要的作用。

智能引擎利用作物模型和遥测、遥感图像数据与作物数学模型预测数据进行同化来实现土壤速效养分的稳定准确反演。通过算法重建、模型优化、养分反演算法设计和精度评估实现智能引擎图像数据与数学模型数据同化。实现作物LAI预测和土壤速效养分的有效反演，进一步利用地面观测数据进行结果精度评价。以下模型参数均是在现场采集到的图像数据基础上进行分析得到。