Die frühe Erkennung von Nährstoffmängeln bei Pflanzen, gefolgt von raschen Korrekturmaßnahmen, ist entscheidend für die Aufrechterhaltung der Ertragsleistung und der Produktqualität. Die Erkennung dieser frühen Anzeichen in Blättern stellt jedoch selbst mit computergestützten Diagnosetools häufig eine Herausforderung dar, da diese Signale oft subtil sind. Als Lösung stellt diese Studie Nutrispace vor – einen neuen Farbraum, der die Erkennung von Nährstoffstress mittels Deep Learning verbessert, indem er frühe Anzeichen von Nährstoffmangel in Blattbildern verstärkt. In dieser Arbeit bewerteten wir die Wirksamkeit von Nutrispace, indem wir dessen Leistung mit RGB, HSV und CIELAB anhand dreier leichtgewichtiger Klassifizierer verglichen: EfficientNetB0, MobileNetV2 und DenseNet121. Um den Anwendungsbereich von Nutrispace besser zu verstehen, testeten wir diese Klassifizierer mit vier verschiedenen Bildgrößen: 32 × 32, 64 × 64, 128 × 128 und 256 × 256. Unser Testdatensatz bestand aus Bildern von Blättern der Aschegurke (Benincasa hispida), der Bittergurke (Momordica charantia) und der Schlangengurke (Trichosanthes cucumerina), die entweder frühzeitige Stickstoff- und Kaliummängel oder gesunde Kontrollen darstellten. Unsere Ergebnisse zeigen, dass Nutrispace in allen 12 Testfällen die Genauigkeit konsequent verbesserte, wobei die Steigerung gegenüber RGB zwischen 1 % und mehr als 8 % lag. Die Leistungssteigerung war bei höherauflösenden Bildern besonders ausgeprägt, wobei Nutrispace mit einer maximalen Testgenauigkeit von 90,62 % bei 256 × 256-Bildern die bestmögliche Leistung erzielte. Insgesamt erwies sich Nutrispace als effektiv, unabhängig von der Struktur des Klassifizierers und der Eingabebildgröße.