编辑推荐：
为解决传统氮肥管理缺乏精度等问题，研究人员开展 “基于机器学习和无人机多光谱影像精准监测水稻氮肥水平” 的研究。利用无人机采集影像结合机器学习分类氮肥水平，发现 SVM 模型表现更优，为精准农业和可持续施肥管理提供数据驱动方法。
在农业生产的大舞台上，水稻作为全球主要的粮食作物，其产量和质量关乎着无数人的生计。而氮肥，作为水稻生长不可或缺的 “营养大餐”，对其产量的提升起着关键作用。但就像给孩子吃饭，吃少了长不高，吃多了又会消化不良，氮肥的合理施用一直是个难题。传统的氮肥管理策略，要么是按照固定的时间表施肥，要么是农民凭借经验和肉眼观察来决定施肥量。可这两种方法都不太靠谱，前者缺乏灵活性，无法根据稻田的实际情况调整施肥量；后者主观性强，不同的人判断标准不一样，而且还容易受到光照条件等因素的影响，这就导致了氮肥要么施多了，要么施少了。氮肥施少了，水稻生长缓慢，产量大打折扣；施多了，不仅浪费资源，还会对环境造成污染，比如引起水体富营养化、土壤酸化等问题。因此，找到一种精准监测水稻氮肥水平的方法，成为了农业领域亟待解决的问题。
在这样的背景下，台湾农业研究所在台中地区开展了一项关于水稻氮肥水平监测的研究。研究人员整合无人机（UAV）影像、多光谱成像和机器学习（ML）方法，对水稻田的氮肥水平（N 水平）进行分类，相关研究成果发表在《Computers and Electronics in Agriculture》。
研究人员采用了多种关键技术方法。首先，利用搭载多光谱传感器的无人机在 2020 年和 2021 年的水稻生长季采集影像数据，通过设置多个地面控制点确保几何精度，同时进行光谱校准保证数据可靠性。采集后的数据经过一系列处理，包括去除非作物像素、计算多种光谱特征（如颜色空间变换、植被指数等）。之后运用 Otsu 算法和决策树分类（DTC）进行水稻像素分割，再通过随机森林（RF）重要性、递归特征消除（RFE）和卡方检验等特征选择方法，结合支持向量机（SVM）和 k 最近邻（KNN）模型进行 N 水平分类，最后使用混淆矩阵评估模型性能。
在水稻像素分割方面：
- Otsu 模型性能：研究发现，基于原始光谱波段特征的模型中，RE′和 NIR′相比可见光波段特征，具有更好的分割性能。在使用 Otsu 算法时，NIR′在土壤类别中召回率最高（98.6%） ，在水稻类别中精度（98.4%）、F1 分数（75.8%）和总体准确率（OA，77.0%）也较高。而在颜色空间变换特征和植被指数中，ExG 在水稻分类中的召回率（77.6%）、F1 分数（81.5%）和 OA（79.4%）最高。
- 决策树模型性能：决策树分类器（DTC）模型中，基于原始波段的模型，不同土壤和水稻类别的精度和召回率差异较大。其中 NIR′表现最佳，F1 分数为 90.2%，OA 为 89.0%。而使用复合特征（“All”）训练的 DTC 模型性能更优，召回率达到 95.3%，F1 分数为 90.8%，OA 为 88.8% ，相比单一特征模型，其错误更少。
在 N 水平分类方面：
- 模型比较：SVM 模型在处理 N 水平分类的非线性关系时表现更优，在第一阶段（Period I）其 OA 达到 60.0%，高于 KNN 模型的 50.0%。在第二阶段（Period II），两个模型性能都有所提升，OA 均达到 70.0%。
- 特征选择影响：通过 RF 重要性、RFE 和卡方检验等特征选择方法对 SVM 模型进行优化。结果显示，卡方检验选择的特征在第二阶段表现最佳，OA 达到 90.0%。不同特征选择方法确定的关键特征有所不同，但 RERVI 和 CC 是最常被选择的特征，表明它们对 N 水平分类有很强的预测能力。
研究结论表明，该研究提出的利用无人机和机器学习的 N 水平分类框架，能够有效支持大规模、定量的养分评估。在水稻像素分割中，ExG 与 Otsu 算法结合，以及基于复合特征训练的 DT 方法都取得了较高的准确率。在 N 水平分类中，SVM 模型优于 KNN 模型，且通过特征选择，尤其是卡方检验选择的特征，能够显著提高模型的准确率。像 NDRE、GNDVI、RERVI 和 CC 等特征，在不同生长阶段对氮肥水平分类贡献显著。
这项研究意义重大，它为精准农业和可持续施肥管理提供了一种数据驱动的方法。通过精准监测水稻氮肥水平，农民可以更科学地施肥，既减少了资源浪费，又降低了环境污染，促进了农业的可持续发展。不过，该研究也存在一些局限性，比如数据收集仅在两个作物季节和一个地点进行，可能限制了研究结果的普适性；无人机调查成本较高，影像数据存储需求大等。未来研究可以通过收集更多样化的数据、优化无人机图像采集时间以及采用时间序列 ML 方法和域适应技术等，进一步提升模型的通用性和实用性，让精准农业更好地服务于人类。
