基于无人机高光谱成像的作物氮素监测：从植被指数到物理模型与机器学习融合的进展与挑战

本刊推荐：为解决精准农业中氮素实时监测难题，研究人员系统综述了无人机高光谱成像(HSI)技术在作物氮素监测中的应用。研究表明机器学习(ML)方法在氮素预测上超越传统植被指数(VI)，但模型泛化能力仍存挑战。研究强调了融合辐射传输模型(RTM)、叶绿素荧光(SIF)与深度学习(DL)的混合建模方向，为提升氮素利用效率(NUE)和减少环境污染提供了重要技术路径。

　　

氮素是作物生长中最关键的大量营养元素，但如何在保证作物生产力的同时平衡环境足迹，始终是现代农业面临的重大挑战。传统氮素管理方法难以实现及时、精准的植物氮素状况监测，导致氮肥过量使用和环境污染问题日益突出。随着农业4.0时代的到来，智慧植被监测技术迎来了革命性突破，特别是无人机(UAV)和高光谱成像(HSI)技术的结合，为作物性状测绘和精准养分管理提供了前所未有的能力。

在这篇发表在《Smart Agricultural Technology》的综述文章中，慕尼黑工业大学精准农业实验室的研究团队系统评估了作物氮素监测领域的最新进展，重点分析了氮素预测中的关键挑战，并就如何改进无人机高光谱成像技术以支持决策制定和提高氮素利用效率提出了具体建议。

研究人员采用系统文献检索方法，在Web of Science和Scopus数据库中检索2014-2024年间发表的相关文献，最终筛选出105篇高质量出版物进行深入分析。研究团队运用文献计量分析和统计学方法，比较了不同传感器类型、建模方法和氮素变量对预测精度的影响，并通过箱线图和Sankey图等可视化手段展示了研究结果。

关键技术方法包括：利用无人机搭载高光谱传感器获取可见光-近红外(VNIR)和短波红外(SWIR)波段数据；采用植被指数(如NDVI、NDRE、MTCI)和太阳诱导叶绿素荧光(SIF)作为氮素预测指标；运用传统机器学习(ML)方法(PLS、SVM、RF)和深度学习(DL)算法进行建模；结合辐射传输模型(RTM)如PROSPECT和SAIL系列进行物理机制解析；通过多源数据融合和混合建模方法提升预测精度。

植物氮素性状及其时间趋势

研究表明，作物氮素性状包括叶片氮浓度(LNC)、植株氮浓度(PNC)、植株氮吸收(PNU)等不同指标。在谷物作物中，叶片氮浓度随着作物发育呈现先升高后降低的趋势，在营养生长初期较高，随着生物量增加出现"稀释效应"，在开花后由于氮素从营养器官向籽粒的再分配而进一步下降。不同采样方法(叶片、植株或冠层水平)对预测精度有显著影响，其中叶片采样通常能获得更高的训练和验证精度。

高光谱预测因子用于植物氮素性状

植被指数是利用高光谱数据预测作物氮素状况的有效工具，特别是利用红边区域(约680-750 nm)的指数(如NDRE、mSR705、MTCI)已被证明在预测作物氮素状况方面特别有效。太阳诱导叶绿素荧光(SIF)作为与光合效率密切相关的信号，近年来越来越多地用于预测植物生理状况，研究表明SIF与辐射传输模型(RTM)模拟的植物性状(如叶绿素含量Cab和叶面积指数LAI)结合可以改善作物和森林中的氮素评估。

全光谱建模方法

研究识别出四种主要的建模方法：统计和传统机器学习方法、物理和过程模型、深度学习方法以及混合方法。传统机器学习方法(如PLS、SVM、RF)在氮素预测中变得越来越流行，但通常表现出验证精度相比训练精度有所下降。物理模型虽然不能达到机器学习方法的精度水平，但在不同作物物种间表现出更好的泛化能力。深度学习方法在氮素预测方面显示出潜力，但由于训练数据的限制，其准确性尚未超越传统ML方法。

挑战和未来方向

研究揭示了区分基于面积和基于质量的氮素参数、解开物候和生理变化效应、分离结构和生化变化效应等方面的挑战。解释性人工智能(AI)和深度学习在无人机高光谱遥感中的应用仍然相对不足。多模型数据融合和模型整合为提高植物性状预测提供了新的机会，结合光谱指数、基于物理的辐射传输模型、作物生长模型和先进机器学习技术的整合建模方法有望克服与冠层结构和环境变异相关的固有挑战。

研究结论强调，无人机和机载遥感为作物氮素监测提供了强大工具，但模型准确性受到植物采样方法和氮素变量选择的显著影响。传统机器学习模型在氮素预测方面越来越受欢迎，但往往表现出验证精度相比训练精度下降的问题。未来的研究应重点关注整合物候驱动的氮素动态、校正冠层结构和照明几何效应，以及将多源数据与深度学习和混合建模方法相结合。这些努力，加上标准化的数据格式和协作的数据共享计划，对于确保在现代精准农业中实现稳健、可扩展和可转移的无人机氮素测绘至关重要。

该研究为精准农业中的氮素管理提供了重要理论基础和技术路径，通过系统分析现有研究成果和挑战，为未来研究方向提供了清晰指引，对实现农业可持续发展具有重要意义。