利用无人机多光谱图像数据监测中国六盘山地区结球甘蓝幼苗的氮素状况

《International Journal of Remote Sensing》：Using UAV multispectral image data to monitor the nitrogen status of head cabbage shoots in the Liupan Mountain area of China

氮肥梯度下大白菜生长阶段无人机多光谱数据监测模型研究，发现光谱特征（SFs）联合时间特征（TFs）可有效克服结构干扰和光谱饱和问题，PLSR双层模型在抽薹期地上部氮积累（ANAA）预测最优，SFs_ExG-ExR_SVMR模型在莲座期表现最佳。

　　

摘要

氮是陆地生态系统中限制植物生长的主要养分。来自无人机（UAV）的高质量多光谱数据能够准确且快速地评估作物的氮营养状况。本研究探讨了基于无人机多光谱图像数据监测结球甘蓝氮营养状况的能力。在结球甘蓝的生长过程中，我们设置了五种不同的氮肥施用量（N1：126公斤/公顷，N2：168公斤/公顷，N3：210公斤/公顷，N4：252公斤/公顷，N5：294公斤/公顷）。我们分别测量了甘蓝在莲座期和结球期的氮营养状况及生长情况，并利用无人机采集了多光谱数据。通过颜色指数去除图像背景后，提取了光谱和纹理特征。针对SPAD（叶绿素含量）、叶片扩展幅度（LEA）、地上生物量（AGB）、叶片氮浓度（LNC）以及地上氮积累量（ANAA）等指标，构建了直接偏最小二乘回归（PLSR）和支持向量机回归（SVMR）预测模型。为提高预测精度，专门为ANAA（地上氮积累量）建立了双层预测模型，并将实测的SPAD、LEA、AGB和LNC数据作为模型的输入参数。研究结果表明：AGB、LNC和ANAA仅通过光谱特征即可实现准确预测，而SPAD和LEA则需要结合时间特征来克服结构干扰和光谱饱和问题。在结球期，PLSR双层模型的预测性能最佳；在莲座期，SFs_ExG-ExR_SVMR模型的预测效果最优。这些发现为利用无人机多光谱图像监测甘蓝的氮营养状况提供了依据和参考。