利用低空无人机遥感技术解析冬小麦器官氮素变化并绘制氮素利用效率图谱

为解决精准监测作物氮素状况难题，研究人员开展冬小麦氮素研究，发现可利用无人机影像及模型估算氮含量和氮素利用效率（NUE），意义重大。

　　在现代农业生产中，对作物产量和品质的要求越来越高。氮（N）作为一种至关重要的大量元素，一直被视为提高作物产量和品质的关键因素。然而，在农业生产中，过量使用氮肥会引发诸多环境问题，如土壤酸化、水污染等；而施肥不足或低效，则会影响作物的光合作用以及其他关键生理过程。因此，持续监测作物的氮素状况，对于合理规划氮肥施用措施、提高氮素利用效率（NUE）以及保护环境至关重要。

传统的作物氮素监测方法，如凯氏定氮法，存在耗时、费力且成本高昂的缺点，限制了对田间作物氮素状况的准确和持续评估。近年来，无人机（UAV）遥感技术因其低成本、灵活性和高时空分辨率等优势，在精准农业中得到了广泛应用。但目前，利用无人机遥感技术评估作物器官水平的氮含量（NC）及其与 NUE 的关系的研究较少，且不同光谱波段的无人机图像纹理特征在监测作物氮素和 NUE 方面的性能也尚不明确。

为了解决这些问题，中国农业大学等机构的研究人员开展了相关研究。研究成果发表在《Precision Agriculture》上。

研究人员主要采用了以下关键技术方法：

1. 实验设计：进行了单品种和多品种冬小麦田间试验。单品种试验在河北吴桥实验站进行，选用当地广泛种植的冀麦 22 品种；多品种试验在德国慕尼黑技术大学的 Dürnast 研究站进行，涵盖 18 个欧洲冬小麦优良品种12。
2. 数据采集：在冬小麦生长过程中，进行了多次破坏性采样，测定不同器官的干物质重量（DMW）和 NC。同时，利用无人机采集多光谱图像，并通过地面控制点进行图像几何校正34。
3. 模型构建与评估：计算了 43 个氮相关的植被指数（VIs）和 40 个纹理特征（TFs），并采用偏最小二乘回归（PLSR）和随机森林（RF）算法构建预测模型，通过决定系数（R2）和均方根误差（RMSE）评估模型性能56。

研究结果如下：

1. 测量数据：在单品种田间试验中，叶片的平均 DMW 低于茎，但叶片 DMW 的变异系数略高于茎。叶片的平均 NC 高于茎，且不同器官和植株的 NC 在开花前阶段通常高度相关。此外，产量在 N3 处理下最高，N0 处理下最低；NAE 随氮肥投入的增加而显著降低78。
2. 相关性分析：VIs 和 TFs 与不同器官的 NC 相关性各异。在开花前阶段，RGBVI、MCARI 等是与叶片、茎、穗和植株 NC 相关性最好的 VIs；Reg_mean、G_cor 等是相关性最好的 TFs。在开花后阶段，GOSAVI、R_ho 等分别是相关性最好的 VIs 和 TFs。总体而言，大多数 VIs 与 NC 呈正相关，大多数 TFs 与 NC 呈负相关9。
3. 模型预测：PLSR 和 RF 模型利用 VIs、TFs 及其组合成功估算了植株和不同器官的 NC。在开花前阶段，RF 模型对穗和植株 NC 的预测效果最佳；在开花后阶段，不同模型对不同器官 NC 的预测表现各异。此外，将 VIs 和 TFs 结合使用，略微提高了 NC 的预测准确性1011。
4. 可视化 NAE 图：利用 PLSR 模型的主成分 1（PC1）构建了 NAE 预测的线性回归模型，结果表明 PC1 能解释 70.8% 和 79.9% 的 NAE 变异，使得在开花前阶段绘制 NAE 图成为可能12。

研究结论和讨论部分指出，本研究证明了利用无人机成像和 PLSR/RF 模型在冬小麦开花前和开花后阶段估算 NC 和 NUE 的可行性。尽管 VIs 和 TFs 在预测 NC 方面的性能无显著差异，但一些 VIs（如 MCARI2）和 TFs（如纹理均值）在预测 NC 方面表现良好。然而，该研究也存在一定局限性，如模型的通用性问题。不过，随着更多不同品种、环境和生长阶段样本的获取，有望训练出具有更强泛化能力的 NC 预测模型。这一研究成果为作物氮素监测和氮肥管理提供了重要的技术支持，有助于实现精准农业，提高氮素利用效率，减少环境成本。