基于无人机的精准氮肥管理实现水稻生产农艺-经济-环境多目标效益协同优化

本文系统探讨了无人机（UAV）多光谱遥感技术在水稻氮素精准管理中的应用。研究通过构建氮营养指数（NNI）和累积氮亏缺（AND）诊断模型，开发了适用于田块内（RF-Variable）和田块尺度（RF/CNN-Optimized）的调控策略，显著提升了氮素诊断精度（NNI的R2=0.62）和氮肥农学效率（NAE提高19.02%–20.11%）。研究成果为协同实现水稻高产、节本增效与环境可持续提供了关键技术支撑。

　　

Highlight

基于NNI和AND的水稻氮素诊断模型构建

氮素追肥期的NNI反演可通过直接反演和间接反演两种途径实现。直接反演利用抽穗前RF+Boruta-SHAP+PSO模型表现出色，R²= 0.62，RMSE= 0.20（图3(a)）。间接反演需先通过抽穗前RF+Boruta-SHAP+PSO模型反演地上部生物量（AGB）和植株氮积累量（PNA），其AGB模型精度达R²= 0.83，RMSE= 1.39吨/公顷，PNA模型精度为R²= 0.76。

NNI和AND的直接与间接反演

氮营养指数（NNI）是广泛使用的作物氮营养状况诊断指标，而累积氮亏缺（AND）则为推荐追氮量提供指导。精准反演NNI和AND一直是精准农业的核心。反演方法通常可分为间接和直接两种。现有研究多采用间接方法：（1）反演AGB和PNA，进而计算NNI和AND；（2）计算NNI...

结论

本研究采用直接和间接反演方法构建了水稻追肥期氮素诊断模型。结果表明，直接反演方法取得了最高的诊断精度（NNI：R²=0.62，RMSE=0.20，阈值范围=0.95–1.01）。为满足不同尺度的氮素调控需求，建立了两种基于无人机的管理策略。在田块内尺度，基于无人机处方图的RF-Variable方法有效降低了空间...

CRediT作者贡献声明

魏兴国（Weixing Cao）：验证，监督，资源。刘小军（Xiaojun Liu）：写作-审阅编辑，验证，资源，资金获取，数据管理。陶曦（Xi Tao）：写作-初稿，调查，形式分析。王伟康（Weikang Wang）：调查，数据管理。傅兆鹏（Zhaopeng Fu）：写作-审阅编辑，写作-初稿，调查，形式分析。曹强（Qiang Cao）：验证，监督，资源。朱艳（Yan Zhu）：验证，监督，资源。张佳怡（Jiayi Zhang）：调查，形式分析，数据管理。