基于无人机图像的多特征融合技术，动态估算玉米叶面积指数并优化关键氮浓度曲线

《Frontiers in Remote Sensing》：Dynamic estimation of maize leaf area index and improvement of critical nitrogen concentration curve based on multi-feature fusion of unmanned aerial vehicle images

玉米叶面积指数（LAI）精准反演与氮素营养调控技术研究。基于无人机多光谱遥感数据，融合光谱指数、纹理特征及冠层高度，构建了岭回归、随机森林和卷积神经网络三种模型，结果显示随机森林模型在LAI反演中表现最优（R2达0.83）。通过建立考虑灌溉与密度因素的临界氮浓度稀释曲线模型，优化了施肥方案，总氮用量255.5 kg/hm2时实现产量与品质协同提升。

　　### 农业精准施肥中的氮营养诊断与调控技术研究

在现代农业中，作物的产量与品质与氮营养状况密切相关。氮素是植物生长过程中不可或缺的重要营养元素，合理施用氮肥不仅可以提高作物的产量，还能减少对环境的污染。然而，传统的氮肥管理往往依赖经验判断，这种方法存在氮肥利用率低、环境影响大等问题。因此，建立一种精准的氮营养诊断与调控技术体系，实现氮肥的高效利用，同时确保作物的高产与优质，成为农业科研的重要目标。

本研究通过无人机遥感技术，结合多种特征提取方法，构建了三种学习算法，用于不同生长阶段玉米叶面积指数（LAI）的动态反演。LAI是反映作物生长状态的重要参数，其准确预测能够为氮营养诊断提供基础数据。通过将LAI预测值与不同灌溉处理下的实际叶氮浓度进行对比，构建了更精确的氮营养指数（NNI）模型。此外，研究还对不同灌溉条件下的氮肥平衡进行了分析，并据此制定了合理的施肥方案。研究结果表明，这种基于LAI预测的氮营养诊断方法能够为无人机多光谱精准施肥提供理论依据。

### 1. 引言

玉米是中国最重要的粮食作物之一，其种植面积占全国耕地面积的三分之一以上，广泛分布于全国各地。保障玉米的产量和品质是农业发展的关键目标。准确监测玉米的生长状态并优化其营养管理，是实现高产优质的重要手段。叶面积指数（LAI）作为反映植物生长状况的关键参数，直接关系到作物的产量。LAI在不同环境和生长阶段存在显著差异，因此，及时准确地估计关键生长阶段的LAI，对作物生长调控具有重要意义。

当前农业生产中，人工监测和遥感监测是两种主要的作物生长状态监测方法。人工监测方法，如长度-宽度系数法和叶面积计法，虽然在一定程度上能够反映作物生长情况，但存在耗时、劳动强度大、不适合大规模监测等问题。相比之下，遥感监测因其高分辨率、高精度和实时性，得到了广泛应用。无人机遥感技术的成熟，为实现作物的高效监测提供了新的手段。在农业遥感领域，光谱指数已被广泛应用于作物类型识别、生长监测、产量预测等应用中。然而，仅依赖光谱指数反演作物信息仍存在一定的局限性，例如在高植被覆盖度下，光谱指数容易出现饱和，导致反演结果的不确定性。

为了克服上述问题，本研究引入了纹理信息，结合光谱指数，构建了更为全面的作物特征体系。纹理信息能够反映图像中灰度级或颜色的空间变化模式，为作物生长状态的分析提供更详细的信息，如植物结构、表面粗糙度和空间分布等。此外，结合无人机获取的多光谱数据，构建了基于LAI的氮营养诊断模型，使得研究能够更准确地反映作物的氮营养状况，并优化施肥方案。

### 2. 材料与方法

#### 2.1 测试区域概况

本研究在内蒙古鄂尔多斯市杭锦旗吉日格勒图镇广茂第五社区开展，该地区光照充足，昼夜温差大，适合无人机飞行。测试区域的多年平均温度为7.9℃，年平均降水量为168毫米，年平均降水天数为20天。该区域属于河套平原，地势开阔，无明显障碍物，为无人机遥感数据的采集提供了良好条件。

#### 2.2 光谱图像的采集与处理

研究使用了ADJI M300RTK无人机进行多光谱图像采集，该无人机具有较长的飞行时间（55分钟），并配备双目视觉和红外传感器，可实现30米垂直方向和40米水平方向的全方位感知。飞行时间为上午10点至中午12点，保证了光照条件的稳定性。飞行参数设定为飞行高度20米，起飞速度10米/秒，航线速度1.2米/秒，重叠率80%。在飞行前，进行了黑白目标布的辐射校正，以确保图像质量。飞行过程中，无人机镜头对准作物上方，获取图像后使用pix4Dmapper软件进行图像拼接和处理，生成数字表面模型（DSM）和光谱指数。

#### 2.3 地面测量数据的采集

无人机遥感数据采集与地面测量数据同步进行，包括作物高度（CH）和LAI。CH和LAI的测量用于建立和验证估算模型。在每个小区内，使用Sunscan叶面积计测量LAI，每小区采集6组数据，共72组数据。作物高度通过卷尺测量，并记录采样点的GPS坐标。这些数据用于构建机器学习模型，如岭回归（RR）、随机森林（RF）和卷积神经网络（CNN），以实现对LAI的高精度估算。

#### 2.4 多光谱数据的特征提取

研究基于文献，提取了六种光谱波段（B、G、R、RE1、RE2、NIR）的反射率数据，并计算了18种植被指数（VI）。此外，研究还提取了作物冠层的纹理特征（TFs）和纹理指数（TI）。通过ENVI5.6软件进行图像处理，提取了8种纹理特征，如均值（MEA）、方差（AR）、同质性（HOM）、对比度（CON）、差异度（DIS）、信息熵（ENT）、二阶矩（SEM）和相关性（COR）。这些特征被用于构建模型，提高对作物生长状态的识别能力。

#### 2.5 数据分析方法

研究将夏季玉米在拔节期、抽雄期和灌浆期的多光谱反射率数据与同步采集的LAI数据结合，形成样本数据集。通过对LAI与光谱变量的关联分析，选择了最佳的遥感指标及其组合。基于这些指标，构建了三种模型：CNN、RF和RR。其中，2/3的数据用于建模，1/3的数据用于验证。模型的准确性通过决定系数（R2）、均方根误差（RMSE）和预测残差比（RPD）进行评估。R2越大，模型的预测效果越好；RMSE越小，模型越准确；RPD值在1.4以下表示模型不可靠，1.4~2.0之间表示模型具有较高可靠性。

#### 2.6 模型评估指标

研究使用R2、RMSE和RPD作为模型评估指标。R2表示模型预测值与实际值之间的拟合程度，RMSE表示预测值与实际值之间的偏差，RPD则反映了模型的预测能力。当RPD<1.4时，模型被认为不可靠；当1.4
#### 2.7 关键氮浓度模型的构建

关键氮浓度模型用于反映作物在不同生长阶段的氮营养状况。该模型的构建包括以下几个步骤：首先，使用模型预测不同施肥处理下的LAI值，并确定对应的植物氮浓度；其次，通过方差分析判断作物是否受到氮限制；最后，基于氮限制下的LAI值和对应氮浓度进行函数拟合，确定作物在无氮限制条件下的最大LAI值。这些数据被用于构建关键氮浓度曲线模型，并进一步优化模型以提高其准确性。

#### 2.8 研究流程

研究流程如图3所示。首先，使用无人机搭载的多光谱传感器获取玉米冠层图像；其次，通过图像拼接、辐射校正和波段融合，生成玉米不同生长阶段的遥感图像；接着，从这些图像中提取植被指数（VI）、纹理特征（TFs）、纹理指数（TI）和作物高度（CH）；然后，进行相关性分析，选择最优的遥感指标组合；最后，使用RF、RR和CNN模型进行建模和验证，并根据模型结果制定合理的施肥方案。

### 3. 结果与分析

#### 3.1 玉米生长参数的变化

玉米在不同生长阶段的LAI和叶氮含量变化如图4所示。随着生长周期的推进，不同处理下的LAI逐渐增加，而叶氮含量则呈现逐渐下降的趋势。在拔节期，玉米的LAI约为1.5，其中施用基肥的处理LAI较高。在抽雄期，不同处理下的LAI变化显著，低肥处理的LAI明显低于高肥和中肥处理，表明施肥对玉米叶面积有显著影响。在灌浆期，不同处理下的LAI变化较小，低水处理的LAI较低，整体LAI达到4.5。叶氮含量在灌浆期约为2%。从拔节期到抽雄期，玉米的LAI增长迅速，但在抽雄期到灌浆期增长相对缓慢，叶氮含量逐渐减少，最终达到最低点。LAI与叶氮含量之间呈现出负相关关系。

#### 3.2 玉米LAI与光谱变量的相关性

研究通过多光谱图像提取了六种波段的反射率数据，并计算了18种植被指数（VI）。通过相关性分析，发现某些VI与LAI的相关性较强。例如，在拔节期，NDVI、GNDVI、GOSAVI等与LAI呈正相关；而在抽雄期，DVI、RDVI、GNDVI、GOSAVI等与LAI的相关性较高；在灌浆期，DVI、RDVI、SAVI、GOSAVI等与LAI的相关性显著。这些VI能够有效反映植被结构和覆盖度，从而提高对LAI的预测精度。

#### 3.3 玉米LAI与纹理特征和指数的相关性

研究进一步分析了玉米LAI与纹理特征（TFs）和纹理指数（TI）之间的关系。通过ENVI5.6软件，提取了每个波段的8种纹理特征，如均值（MEA）、方差（AR）、同质性（HOM）、对比度（CON）、差异度（DIS）、信息熵（ENT）、二阶矩（SEM）和相关性（COR）。这些特征被用于构建模型，以提高对LAI的预测能力。研究发现，某些TFs与LAI的相关性较高，如在拔节期，VAR-nir、HOM-re1、VAR-re1、SEC-re2、HOM-re2等与LAI的相关性较强；在抽雄期，SEC-re2、CON-nir、COR-b、DIS-re2、DIS-re1等与LAI的相关性显著；在灌浆期，HOM-re2、HOM-re1、ENT-r、SEC-re1、HOM-g等与LAI的相关性较高。通过构建NDTI、DTI和RTI等纹理指数，提高了对玉米冠层结构的识别能力，使得模型在不同生长阶段均能准确预测LAI。

#### 3.4 基于数据融合的LAI估算

研究发现，多特征融合能够显著提高LAI估算的准确性。相比单一特征模型，多特征融合模型能够更全面地描述作物的生长模式。因此，本研究直接采用多特征进行建模，而非通过单特征模型逐步构建。通过结合VI、CH、TFs和TI，构建了三种模型：CNN、RF和RR。结果显示，RF模型在不同生长阶段的预测精度最高，其R2值分别为0.84、0.80和0.87，比RR和CNN模型高出25%以上；而RMSE值分别为0.11、0.21和0.15，比其他模型低20%以上。这表明，RF模型在处理多维数据方面具有显著优势。

#### 3.5 关键氮浓度稀释曲线模型的构建与优化

基于不同灌溉处理下的玉米LAI预测值和实际叶氮含量，构建了关键氮浓度稀释曲线模型。通过方差分析，判断作物是否受到氮限制。研究发现，在W1灌溉条件下，N1和N2处理为氮限制组，而N3处理为非限制组；在其他灌溉条件下，N1处理为氮限制组，N2和N3处理为非限制组。通过构建关键氮浓度稀释曲线，优化了模型的准确性。在W1、W2、W3和W4灌溉条件下，R2值分别为0.90、0.86、0.89和0.82，表明模型在不同灌溉条件下均具有较高的可靠性。

#### 3.6 关键氮浓度稀释曲线模型的验证

研究使用2024年的数据进行建模，并用2023年的数据进行验证。通过比较模型预测值与实际值，验证了模型的准确性。结果显示，在W1、W2和W3灌溉条件下，RMSE分别为0.38、0.60和0.60，n-RMSE分别为13.9%、18.7%和17.5%。这些结果表明，模型的预测效果良好，能够准确反映不同灌溉条件下的玉米氮营养状况。

#### 3.7 NNI模型的构建与施肥建议

基于关键氮浓度稀释曲线模型，研究构建了氮营养指数（NNI）模型，并据此制定了不同生长阶段的施肥方案。NNI表示实际氮浓度与关键氮浓度的比值，能够更准确地反映滴灌玉米的氮营养状况。研究发现，当NNI在0.9~1.1之间时，氮营养状况被认为是合适的。根据这一标准，制定了不同灌溉条件下的施肥方案。其中，W4灌溉条件下，推荐采用基肥与追肥结合的施肥模式，总氮肥用量为255.5 kg/hm2。具体施肥方案包括：基肥84 kg/hm2，拔节期追肥29.4 kg/hm2，大喇叭口期追肥44.1 kg/hm2，抽雄期追肥58.8 kg/hm2，灌浆期追肥39.2 kg/hm2。该方案能够有效提高玉米的产量和品质，同时减少氮肥的浪费。

### 4. 讨论

#### 4.1 不同生长阶段玉米LAI和叶氮含量的变化

玉米的LAI和叶氮含量是反映植物生长状态的重要指标，直接影响光合作用效率和产量。研究发现，随着生长周期的推进，玉米的LAI呈现先上升后下降的趋势。在拔节期，LAI达到1.5左右；在抽雄期，LAI达到3~4；在灌浆期，LAI达到4.5。叶氮含量则呈现逐渐下降的趋势，最终在灌浆期达到最低点。这些变化规律与基于干物质构建的关键氮浓度曲线一致，表明LAI能够作为玉米氮营养状况的重要指标。

#### 4.2 多特征融合方法与最优模型选择

当前，多作物生理参数反演研究中，单变量模型逐渐被多变量融合模型取代。研究发现，多特征融合方法能够显著提高模型的准确性。VI、TFs、TI、作物高度（CH）等多维数据的结合，能够更全面地反映作物的生长状态。通过构建RF模型，研究实现了对玉米LAI的高精度估算。该模型在不同生长阶段的R2值分别为0.84、0.80和0.87，RMSE分别为0.11、0.21和0.15，表明模型具有较高的预测能力。此外，通过多光谱数据与作物结构信息的结合，进一步提高了模型的稳定性，使其能够适应不同密度和生长条件下的玉米生长监测。

#### 4.3 关键氮浓度稀释曲线的优化与氮肥用量的调整

关键氮浓度稀释曲线在玉米、向日葵、水稻、棉花和辣椒等作物中广泛应用。然而，传统的基于干物质的稀释曲线构建过程较为繁琐，且需要大量的人工操作。本研究通过无人机多光谱数据反演LAI，并结合叶氮含量，构建了更便捷的氮营养诊断模型。在W1、W2、W3和W4灌溉条件下，模型的R2值分别为0.90、0.86、0.89和0.82，表明模型在不同灌溉条件下均具有较高的可靠性。此外，研究发现，当氮肥用量与灌溉量结合时，模型的准确性得到进一步提升。例如，在W4灌溉条件下，模型的R2值提高至0.89，表明该模型能够更准确地反映不同灌溉和种植密度条件下的氮营养状况。

### 5. 结论

本研究利用无人机多光谱数据提取光谱和纹理特征，并结合作物高度信息，实现了对玉米LAI的准确估算。通过比较不同算法的预测效果，发现RF模型在不同生长阶段的预测精度最高，能够有效反映玉米的生长状态。此外，通过结合灌溉和密度因素，优化了关键氮浓度稀释曲线模型，提高了模型在不同条件下的适应性。研究还构建了NNI模型，并据此制定了合理的施肥方案。该方案推荐在W4灌溉条件下采用基肥与追肥结合的施肥模式，总氮肥用量为255.5 kg/hm2，能够有效提高玉米的产量和品质。

尽管本研究取得了显著成果，但仍存在一些局限性。例如，研究中仅提取了作物高度（CH）这一结构特征，未能充分考虑冠层的三维结构信息，如玉米的孔隙率和叶片倾斜度等。未来的研究可以进一步引入这些特征，提高模型对复杂田间环境的适应能力。此外，随着遥感技术的发展，无人机遥感数据与卫星遥感数据的融合将成为未来研究的重要方向，以实现更大范围的作物生长监测和精准施肥。