基于多角度无人机遥感的冬小麦叶片氮积累垂直异质性估算模型研究

本文创新性地结合无人机多光谱与地面高光谱数据，构建了考虑小麦冠层垂直异质性的叶片氮积累量（LNA）估算模型。研究通过分层（上、中、下层）监测和随机森林（RF）算法，显著提升LNA估算精度（RRMSE降至17.8%），揭示了红边指数（NDRE）和多角度观测（-30°VZA）的关键作用，为作物氮素精准管理提供了新方法。

　　研究背景与意义
氮素是作物生长的关键营养元素，其动态监测对精准农业至关重要。叶片氮积累量（LNA）作为综合反映作物光合能力和氮素状态的核心参数，传统估算方法常因冠层垂直异质性导致精度不足。本研究通过多角度无人机（UAV）遥感技术，首次系统解析小麦冠层分层氮分布特征，为突破这一技术瓶颈提供新思路。

材料与方法创新
实验设计涵盖3种处理（2018-2021年），通过分层采样获取上、中、下层叶片的LNA、叶干重（LDW）和氮含量（LNC）。采用AirPhen多光谱传感器（450-850nm）与ASD高光谱仪（350-2500nm）同步采集0°、-30°、-45°视角数据，结合线性回归（LR）和随机森林（RF）算法构建分层估算模型。创新性提出LNA_Sum模型，通过归一化红边差异指数（NDRE）整合三层数据。

关键发现

1. 垂直分布规律：LNC自上而下递减，下层叶片在低氮条件下差异显著（图4）。
2. 最优观测方案：上层LNA_1st适用0°视角和增强植被指数（EVI），中层LNA_2nd需-30°视角和红边相对指数（RERI₇₃₀），下层LNA_3rd依赖-45°视角和NDRE（图5）。
3. 模型性能：RF-LNA_Sum表现最优，验证集RRMSE仅17.8%，较传统模型（LR-LNA_non）精度提升28%（图8）。

技术突破与验证
研究首次证实多角度观测能有效捕捉中层叶片氮亏缺信号。通过红边波段（730nm）的强穿透性，解决了下层叶片监测难题。田间验证显示，模型在品种和氮处理间具有稳定性（R²=0.88），无人机实测数据精度显著优于模拟数据（RRMSE相差5.3%）。

应用前景
该模型可扩展至水稻、玉米等直立型作物，推动无人机遥感从“冠层均一化”向“三维精准监测”跨越。未来需结合双向反射分布函数（BRDF）优化多角度数据校准，并探索气候因子对垂直异质性的影响机制。