多源数据融合与机器学习在玉米早期氮素吸收评估中的突破性研究

《Precision Agriculture》：Integration of satellite, UAV, soil, and topographic data for assessing corn nitrogen uptake at early vegetative growth stages

本研究针对玉米氮素管理中的空间变异性和环境损失问题，整合卫星、无人机、土壤和地形数据，评估了早期营养生长阶段（V4-V5）的氮素吸收。研究发现，植物结构指标（株高和冠层覆盖度）是生物量和氮素吸收的最佳预测因子（R2高达0.95），结合冠层绿度指标（植被指数）可进一步提升预测精度。机器学习模型与线性回归表现相当，简化模型更具实用性。该研究为精准农业中的高效氮肥管理提供了重要技术支持，有助于减少氮素损失并提高作物产量。

　　

氮素是作物生长和产量潜力的关键营养元素，特别是在玉米种植系统中，氮肥是最大的氮输入来源，也是最大的潜在氮损失来源。然而，有效的土壤氮管理仍然充满挑战，这主要源于土壤和地形特性的空间变异性以及不可预测的降雨模式，这些因素共同导致田间土壤氮供应不均匀。这不仅使农民难以维持最佳土壤氮水平，还加剧了环境问题，因为高达65%的施氮量可能通过淋溶、挥发和反硝化作用损失，对土壤肥力、作物生产力和周边生态系统产生严重影响。

及时施氮肥在同步氮供应与作物需求方面起着至关重要的作用，从而优化产量、利润和环境保护之间的平衡。其中，出苗后侧施氮肥已被证明能有效减少氮损失并提高植物吸收。在V6生长阶段左右的氮肥施用尤为重要，因为这 precedes 氮吸收最大的时期，并且已被证明与种植前施氮相比可以提高氮利用效率并减少损失。然而，在生长早期阶段精确评估植物氮状况对于确保氮的有效利用至关重要。

传统评估氮状况的方法，如视觉症状、土壤测试和植物组织分析，在农业中广泛使用，但存在局限性。视觉评估可能确认营养短缺，但往往在纠正措施为时已晚时才有效。基于土壤的方法，如种植前土壤氮测试（PPNT）和侧施前硝酸盐测试（PSNT），提供了土壤氮水平的定量评估。然而，这些方法可能无法考虑作物在整个生长季节不断变化的氮需求或空间变异性的影响。植物组织分析是季内营养评估的常用方法，虽然有效但通常成本高、劳动密集且耗时，因为它需要破坏性采样和处理植物组织。鉴于这些局限性，精准农业技术提供了有前景的替代方案，使用远程和近端传感工具（如无人机（UAV）、卫星影像和近端传感器）评估玉米氮状况。与传统方法不同，这些技术能够实现与作物氮吸收动态同步的及时评估，同时以成本效益高的方式记录氮状况的空间变异性，促进更精确的季内施氮。

从航空影像中提取的指标整合具有改善氮吸收预测的潜力，特别是在生长早期阶段。从无人机影像中提取的结构指标，如株高和冠层覆盖度（CCF），提供了关于生物量积累、冠层发育和光拦截的见解。冠层绿度指标，如植被指数（VI），作为叶绿素含量和氮状况的代理指标。由于氮吸收是生物量和氮浓度的乘积，结合结构和冠层绿度指标可以允许更基于生理学的氮吸收估算。

机器学习（ML）模型已成为预测土壤和作物状况的强大工具，特别是在整合多个数据集时。虽然传统线性回归常用于预测作物变量，但ML模型提供了优势，可以导致预测模型性能显著提高。例如，随机森林（RF）利用决策树集合来捕获预测因子之间复杂的非线性相互作用，并且对过拟合具有鲁棒性，与线性模型相比提高了准确性。偏最小二乘回归（PLSR）通过管理高维数据集中的多重共线性，提取捕获核心数据方差的潜在变量，从而提高了氮状况预测的精度。此外，支持向量回归（SVR）采用核函数将数据映射到高维空间，使其非常适合识别线性模型可能忽略的非线性模式。通过适应土壤、植物和环境因素之间复杂的非线性关系，ML技术可能提供更可靠的氮状况预测。

尽管最近取得了进展，但关于氮评估的文献中仍然存在关键空白，本研究旨在解决这些空白。首先，虽然许多研究侧重于使用无人机和卫星影像指标评估玉米氮状况，但它们通常结合多个营养生长阶段的数据，而不是集中在早期生长阶段，此时氮施用比生长后期更有效地被植物吸收回收。其次，大多数研究侧重于V6及以上的作物阶段，可能限制了季内氮管理的及时性和有效性。第三，迄今为止的大多数研究在施用不同氮量的控制地块中评估氮状况，这创造了人为的变异性。这种方法虽然有助于评估受控差异，但可能无法反映真实的田间条件，并且限制了在真实世界未处理田地对空间变异性的洞察。

最后，虽然一些研究整合了土壤特性来预测氮状况，但迄今为止还没有研究利用美国本土的概率土壤序列图（POLARIS）。将土壤和地形特性与植物结构（例如，株高、冠层覆盖度）和冠层绿度（例如，植被指数）指标一起纳入预测模型，可以通过考虑植物状况和潜在的土壤及景观驱动因素来改善氮吸收的估算。这项评估还有助于确定像POLARIS这样的公开可用土壤数据集是否对指导大规模商业运营中的氮管理决策具有价值。

本研究假设植物结构（例如，株高、冠层覆盖度）、冠层绿度（例如，植被指数）的指标，以及它们与土壤和地形相关特性（质地、有机质、饱和导水率、TWI）的整合将改善早期季玉米氮状况的预测。

为开展研究，研究人员在2019年生长季于印第安纳州进行了两个大规模田间试验。获取并处理了多光谱无人机（MicaSense Altum，0.03米分辨率）和卫星影像（Planet，3米分辨率）以提取冠层覆盖度（CCF）并计算植被指数（VI）。收集了生物量样本以确定氮吸收。评估了线性回归和三种机器学习模型（随机森林RF、偏最小二乘回归PLSR、支持向量回归SVR）。主要技术方法包括：1）基于多年代Landsat 8 NDVI影像的采样区划分；2）无人机与卫星多光谱数据采集与正射影像生成；3）植被指数计算与背景像素分类处理；4）土壤（POLARIS数据库、Web Soil Survey）和地形（地形湿度指数TWI）环境变量提取；5）基于Boruta算法的特征选择与机器学习模型构建与10折交叉验证。

植物高度、冠层覆盖度和植被指数对生物量、氮浓度和氮吸收的预测能力

植物结构指标，特别是株高和冠层覆盖度（CCF），在预测早期生长阶段生物量方面表现出色。株高是生物量的最可靠预测因子，在PPAC（V3-V4）和Shelby（V4-V5）的R2分别达到0.74和0.94。冠层覆盖度（CCF）也表现良好，R2值分别为0.60和0.90。在冠层绿度指标方面，基于近红外（NIR）波段的植被指数（如NDVI、GNDVI、OSAVI）的表现优于基于RGB波段的指数（如VDVI、VIG）。高分辨率的无人机影像衍生的指标优于卫星影像衍生的指标。对于氮浓度和氮吸收的预测，氮吸收的预测准确性普遍高于氮浓度。株高和CCF再次成为氮吸收的最佳预测因子。在植被指数计算中是否去除土壤背景像素的效果因指数类型和地点而异。对于RGB基VI，包含植物和土壤/背景像素通常会改善预测性能。对于NIR基VI，效果因具体指数和地点（生长阶段）而异。

冠层覆盖度和植被指数整合对玉米氮吸收预测的贡献

将无人机衍生的冠层覆盖度（CCF）与无人机或卫星衍生的植被指数（VI）相结合，通常比单独使用CCF改善或维持了对氮吸收的预测性能。在Shelby（V4-V5），大多数组合模型的R2值与单独使用CCF的模型相当或更高，最高达到R2=0.96。在PPAC（V3-V4），虽然改善幅度较小，且与RGB基指数整合时R2在某些情况下有所下降，但CCC和nRMSE通常保持稳定或有所改善。CCF与NIR基VI（如OSAVI和GNDVI）的整合在两个地点都提供了最一致的增强。

土壤和地形指标对氮吸收预测的贡献

基于Boruta特征选择算法，土壤和地形变量对早期生长阶段玉米氮吸收的预测价值有限。在PPAC（V3-V4），没有土壤或地形预测因子被选为重要变量。在Shelby（V4-V5），只有一个土壤变量（5-15厘米深处的饱和导水率Ksat）和生长阶段被确定为重要预测因子。地形湿度指数（TWI）在两个地点均未被选中，这可能反映了研究田地的地形相对平坦（坡度主要为0-2%），限制了这些变量的效用。

机器学习与简化模型对早期季氮吸收预测的性能比较

机器学习模型，特别是随机森林（RF），在预测氮吸收方面表现出色。在Shelby（V4-V5），RF模型的R2达到0.93，CCC为0.93，nRMSE为0.07。然而，简单的线性回归模型，无论是单独使用冠层覆盖度（CCF）还是结合植被指数（如GNDVI），都取得了与复杂机器学习模型相当的预测精度。在PPAC（V3-V4），线性模型的R2（0.60-0.62）和CCC（0.71-0.72）值与机器学习模型相似。这表明，当可靠的植物结构指标可用时，简化模型可以作为机器学习方法的有效替代方案，用于早期季氮吸收预测，强调了在开发季内氮管理工具时平衡模型复杂性和实际效用性的重要性。

本研究得出结论，早期季玉米氮吸收可以使用无人机和卫星影像衍生的植物基指标进行高精度预测。植物结构指标（株高和冠层覆盖度）是生物量和氮吸收的最强预测因子。整合冠层覆盖度与卫星衍生的植被指数可以改善预测性能。来自公开来源（如POLARIS）的土壤和地形数据在当前研究条件下对改善预测的贡献有限。虽然机器学习模型表现良好，但使用冠层覆盖度的简单线性模型实现了相当的准确性，突出了简化模型在可靠结构指标可用的实际应用中的价值。

这项研究为开发基于多源数据融合的早期季氮管理工具提供了重要依据，有助于提高氮肥利用效率，减少环境损失，并促进玉米生产系统的可持续性。未来的研究需要在更多样化的环境、土壤条件和生长阶段验证这些发现，以提供更稳健的决策支持工具。