编辑推荐：
为解决精准确定经济最佳施氮量（EONR）问题，研究人员开展相关研究，得出 EONR 范围等结果，助力可持续作物生产。
在农业生产中，氮素对于冬小麦的生长起着至关重要的作用。它能促进冬小麦分蘖、增强光合作用，还能帮助麦粒积累蛋白质。然而，现实中农民们为了追求高产量，常常过度使用化学肥料，这不仅造成了资源浪费，还对环境产生了诸多负面影响。而且，土壤和气候数据的获取也存在困难，尤其是在一些小型或偏远农场，这使得精准的氮素管理变得异常艰难。为了改变这一现状，来自德国霍恩海姆大学作物科学研究所生物统计学部门以及约翰迪尔公司智能解决方案集团的研究人员展开了深入研究。他们的研究成果发表在《Precision Agriculture》杂志上，为精准农业的发展带来了新的曙光。
在研究过程中，研究人员运用了多种关键技术方法。首先，他们收集了多源数据，包括收割机产量数据、施药时的传感器读数以及 Sentinel 卫星在不同日期拍摄的多光谱图像。为了确保数据质量，运用了自动化数据预处理流程，采用无监督机器学习方法去除异常值，并对数据进行插值处理。然后，利用响应面模型（RSM），将施氮量和多光谱指数（MSIs）结合起来对产量进行建模。通过方差分析（ANOVA）、Lasso 回归和 RSM 模型简化这三个阶段的特征选择，筛选出与施氮量显著相关的 MSIs，从而构建出最佳模型来估算 EONR。
下面来看看具体的研究结果。在特征选择方面，研究发现不同日期的 MSIs 与施氮量的显著交互情况差异较大。2020 年 3 月 25 日，21 个 MSIs 中有 14 个与施氮量存在显著交互；3 月 30 日，显著指数为 6 个；4 月 4 日则为 10 个。像归一化植被指数（NDVI），由于作物生长导致冠层覆盖增加，影响了其读数，在 3 月 25 日后便不再显著。
Lasso 回归进一步筛选了 MSIs。以 2020 年 3 月 30 日叶绿素类别的 MSIs 为例，通过自动化脚本生成线性、二次和交互项并进行 Lasso 回归，最终只有叶绿素吸收比指数（CARI）和叶绿素吸收比指数 2（CARI2）被选作下一步的候选 MSIs，因为它们与氮的交互项系数不为零。
经过模型筛选和优化，最终确定了用于估算 EONR 的最佳 RSM 模型。该模型的平均预测误差为 14.5%，计算得出目标农田的 EONR 范围在 43 kg/ha 至 71 kg/ha 之间。通过绘制不同地理位置的响应曲线，发现产量 - 氮关系的形状因农田空间异质性而不同，不同位置的 EONR 也有所差异，反映出不同区域对氮素需求的不同。
研究结论表明，通过 RSM 融合光谱植被指数和氮传感器推荐，能够更稳健地估算施氮量，进而确定 EONR。这种方法考虑了农田的实际情况，可根据作物的实时需求调整氮素分配，提高了氮素利用的精准度，同时兼顾了经济效益。不过，研究也存在一定的局限性。数据处理方面，输入数据集的空间分辨率和数据清洗策略的改变可能会影响特征选择结果；模型的可扩展性也面临挑战，在不同的土壤、气候和作物条件下，模型的有效性还需要进一步验证。未来的研究可以考虑纳入蛋白质含量作为响应变量，使 EONR 模型不仅能反映产量数量，还能体现产量质量。
总体而言，这项研究为精准农业中氮素的精准管理提供了新的思路和方法。其提出的方法和分析框架具有重要的参考价值，后续研究可以在此基础上进一步优化和拓展，以推动精准农业的发展，实现农业的可持续生产。
