编辑推荐：
为解决水稻穗分化初期氮营养指数（NNI）快速准确估计问题，研究人员开展基于无人机多光谱影像的光谱、纹理和小波特征反演 NNI 的研究。结果表明融合多种特征构建的 RFECV - RF 模型精度高，为精准施氮提供技术支持。
在农业生产中，水稻的产量和品质一直是人们关注的重点，而氮元素作为水稻生长不可或缺的营养成分，对其产量形成有着极为关键的影响。在水稻生长的众多阶段里，穗分化初期更是重中之重，这个阶段是水稻从营养生长向生殖生长转变的开端，氮素的供应情况直接关乎每穗的粒数以及最终的高产形成。因此，精准掌握水稻在穗分化初期的氮营养状况，实现精准施肥，成为了提高水稻产量和氮肥利用效率的关键所在。
以往，传统的氮营养指数（NNI）诊断方法虽然准确度高，但需要人工实地采样并进行化学分析，不仅耗时费力，还会对作物造成破坏，难以大规模应用。随着科技的发展，遥感技术为 NNI 的监测带来了新的希望，利用无人机搭载多光谱设备进行数据采集，能更高效地获取信息。然而，光学遥感在诊断水稻 NNI 时存在信号饱和、灵敏度不足等问题，单一的光谱变量难以满足精准诊断的需求。在此背景下，开展一项能够更精准反演水稻穗分化初期 NNI 的研究迫在眉睫。
中国江苏省的研究人员针对这一问题展开了深入研究。他们通过三年的田间实验，涉及十个水稻品种和五个氮肥施用水平，收集了大量数据。研究最终表明，融合光谱特征、纹理特征和小波特征（DWT）构建的模型，能显著提高水稻穗分化初期 NNI 的遥感估计精度，其中基于 VIs + TIs + DWT 特征集构建的 RFECV - RF 模型表现最为出色，为水稻精准氮素诊断和高效施肥提供了有力的技术支持。该研究成果发表在《European Journal of Agronomy》上，为农业领域的发展注入了新的活力。
研究人员开展研究时用到了以下几个主要关键的技术方法：首先利用无人机（UAV）搭载多光谱传感器获取水稻穗分化初期的多光谱影像；接着运用 ENVI 5.6 软件提取光谱反射率，构建 50 个常用植被指数（VIs），同时利用 GLCM 提取 8 个纹理指数（TIs）；然后基于 Python 3.9，采用二维离散小波变换（2D DWT）和 bior 1.3 小波基对影像进行分解，计算 80 个离散小波变量；最后选择三种特征选择方法（RFECV、Lasso、Boruta）与四种机器学习算法（LinearSVR、Lasso、RF、MLP）构建模型，并通过 K 折交叉验证（K = 5）和贝叶斯优化进行评估 。
研究结果主要有以下几个方面：
- 不同氮肥处理对水稻 NNI 值的影响：通过分析 2021 - 2023 年的数据，发现随着氮肥施用量从 0 kg/ha 增加到 240 kg/ha，水稻 NNI 的平均值和中位数逐渐上升，这表明氮肥的施加量与 NNI 值之间存在明显的关联，数据集有效反映了不同氮肥处理下植株氮响应的差异，为后续模型构建提供了重要的数据基础。
- 遥感变量的选择：运用 RFECV、Lasso 和 Boruta 三种方法进行遥感变量选择，确定了不同特征组合的最优变量数量和重要性分布。结果显示，不同特征组合下的重要变量有所不同，在仅使用 VIs 单变量集时，R 波段反射率贡献最大；而在 VIs + TIs + DWT 等组合中，NIR 波段的 LH_entropy 成为最重要的变量，这说明不同特征在遥感变量选择和模型优化中发挥着不同的作用，选择合适的变量组合对提高模型性能至关重要。
- 不同特征集组合下 NNI 估计模型的验证与测试：构建并比较了基于不同特征集（VIs、VIs + TIs、VIs + DWT、TIs + DWT、VIs + TIs + DWT）的 NNI 估计模型。结果表明，各模型的估计精度存在差异，整体上 VIs + TIs + DWT > VIs + DWT > VIs + TIs > VIs > TIs + DWT。其中，基于 VIs + TIs + DWT 和 VIs + DWT 特征集构建的 RFECV - RF 模型，RPD 值均大于 2.5，适合进行精确的定量分析，显著优于现有的基于 VIs 和 VIs + TIs 的方法。
在研究结论和讨论部分，研究人员指出不同特征集对水稻穗分化初期 NNI 估计影响显著。VIs 在高生物量或密冠层条件下存在局限性，而 TIs 能在一定程度上改善模型精度，但也有不足。DWT 特征可提取多尺度信息，融合 VIs、TIs 和 DWT 特征能全面捕捉水稻生长的细微变化，提高 NNI 估计精度。在特征选择方法方面，RFECV 与 RF 算法结合能更有效地识别重要特征，提升模型的准确性和稳定性。机器学习算法中，RF 算法在处理复杂数据模式时表现优异，抗噪声能力强，避免了过拟合问题，其结构相对简单，运行时间短，具有很强的实际应用潜力。
该研究成果意义重大，它为优化水稻氮肥利用效率提供了新的技术手段，有助于推动精准农业的可持续发展。通过准确估计 NNI，农民可以更科学地进行氮肥施用，在提高水稻产量的同时，减少氮肥的浪费和对环境的污染，为实现绿色农业发展目标迈出了坚实的一步。同时，研究人员也计划在未来开展更多不同土壤类型和气候条件下的验证试验，进一步评估研究结果的普遍性和可重复性，为农业生产提供更广泛、更可靠的技术支持。
