基于RGB成像的水稻叶片氮浓度多尺度评估：叶片、冠层与田块尺度的比较研究

本研究通过RGB成像技术，创新性地比较了叶片、冠层和田块尺度对水稻叶片氮浓度（LNC）的评估效果。采用逐步多元线性回归（SMLR）模型结合13种颜色指数，验证了叶片尺度模型的高精度（R2=0.84-0.87），并证明冠层尺度植被分割可提升3%的R2，而田块尺度无人机飞行高度（100米）对模型影响最小。研究为小农户提供了低成本、可扩展的精准氮管理方案，推动农业可持续发展。

　　

引言

叶片氮浓度（LNC）是评估作物健康状况和优化氮肥管理的关键指标。传统方法依赖破坏性采样和实验室凯氏定氮分析，耗时且无法实时指导田间管理。多光谱和高光谱传感技术虽能精确估算LNC，但成本高昂且操作复杂，限制了实际应用。RGB成像作为一种低成本替代方案，通过红、绿、蓝通道的数字值提取颜色指数，与LNC建立关联，为小农户提供了可行的精准农业工具。

材料与方法

研究在南京市浦口区和六合区的两个试验点进行，设计了不同氮肥处理的田间试验。数据采集覆盖水稻生殖生长阶段（孕穗期、开花期和灌浆期），分别通过平板扫描仪（叶片尺度）、数码单反相机（冠层尺度）和无人机（田块尺度）获取RGB图像。图像处理采用绿减红（GMR）指数分割植被背景，并计算13种颜色指数。通过逐步多元线性回归（SMLR）构建预测模型，结合留一法交叉验证（LOOCV）评估模型性能。

结果

叶片尺度：模型表现最优，R²达0.84-0.87，RMSE为0.16%-0.25%，归一化均方根误差（NRMSE）低于10%。其中，归一化蓝化指数（NBI）在孕穗期与LNC相关性最高（r=0.86）。

冠层尺度：GMR分割后模型性能平均提升3%，开花期R²达0.73，但孕穗期因冠层结构复杂导致阴影干扰，精度下降。

田块尺度：无人机100米飞行高度下模型稳定性最佳（R²=0.61-0.65），且GMR阈值>5时能有效抑制土壤和水体背景噪声。跨站点验证显示，叶片尺度模型泛化能力最强（测试R²=0.59），而冠层和田块尺度对环境变异更敏感。

讨论

空间尺度效应：叶片尺度因受控环境条件实现高精度，冠层尺度受背景异质性和物候阶段影响显著，而田块尺度需平衡分辨率与飞行高度。

GMR分割价值：虽在冠层尺度可能过滤有用光谱信息，但田块尺度分割后模型误差降低9.26%，尤其适用于全生育期整合分析。

应用意义：研究明确了RGB成像在多尺度氮监测中的适用性，为设计低成本农情监测系统提供了实证依据，助力减少氮肥过度施用。

结论

RGB成像技术在不同空间尺度均展现出LNC评估潜力，其中叶片尺度模型精度最高，冠层和田块尺度通过GMR分割进一步提升可靠性。无人机100米航高为田块监测的优化选择，而跨尺度模型的差异强调了环境校准的必要性。该成果为生态友好型氮管理提供了可扩展的技术支持。