基于无人机多光谱影像的菜豆冠层氮含量动态监测模型构建与优化

本研究针对菜豆(Phaseolus vulgaris L.)氮素精准管理需求，创新性整合无人机(UAV)多光谱影像的植被指数(VIs)与纹理特征(GLCM)，通过机器学习(SVM/RF)构建了关键生育期(V4/R5/R7)的叶片氮含量(LNC)估算模型。最优模型在V4阶段实现RMSE=1.80 g kg?1(RRMSE=2.93%)，验证了跨行纹理方向(90°/135°)的优越性，确定91 kg ha?1为最优施氮量，为豆科作物智能施肥提供了新范式。

　　

氮素是作物生长的关键元素，对菜豆这类兼具经济价值和生态意义的作物尤为重要。然而传统氮素监测方法效率低下，而无人机遥感虽已广泛应用，却往往忽视影像中的纹理信息。更棘手的是，菜豆的生物固氮(BNF)效率显著低于其他豆科作物——其浅根系(<0.20 m)和短生长周期(90-100天)使其高度依赖外源氮肥，但施氮响应却因土壤、气候等因素差异巨大，从减产到增产的报道均有出现。这种复杂性使得建立普适性氮素监测体系成为行业痛点。

巴西农业研究公司(Embrapa)联合多所高校的研究团队在《European Journal of Agronomy》发表的研究，通过两年田间试验(2021-2022)，采集三个关键生育期(V4分枝期/R5开花期/R7结荚期)的无人机多光谱数据，创新性地将8种植被指数与24种纹理特征组合，采用支持向量机(SVM)和随机森林(RF)算法建模。技术路线包含：1)设置0-200 kg ha^?1的氮肥梯度试验；2)使用灰阶共生矩阵(GLCM)提取跨行/对角纹理特征；3)构建标准化差异纹理指数(NDTI)；4)通过机器学习筛选最优特征组合。

【Variation of Leaf N Content and Yield Over the Three Growth Stages】
氮肥梯度试验显示，LNC随施氮量增加呈先升后稳趋势，但80-200 kg ha^?1处理间差异不显著。产量分析确定91 kg ha^?1为经济最优施氮量，该结果同时被LNC测量和产量响应双重验证。

【Different Performances of Individual VIs and Textures】
单指标分析发现：V4期GNDVI(绿光归一化差异植被指数)和GSAVI(调整土壤背景的绿光植被指数)解释57%变异，R5期MCARI(改进叶绿素吸收指数)表现最佳。纹理特征中，跨行方向(90°/135°)的相关性(Correlation)和同质性(Homogeneity)指标显著优于传统45°对角线分析。

【Conclusions】
研究证实：1) 光谱-纹理组合使模型精度提升30%以上，RF模型在全生育期的RMSE降至3.96 g kg^?1；2) 生育期特异性建模至关重要，V4期适合纯光谱模型(SVM-RMSE=1.80 g kg^?1)，而R7期需结合纹理(RF-RMSE=3.42 g kg^?1)；3) 提出的NDTI_{correlation-homogeneity}可解释71%的R7期LNC变异。该研究为豆科作物建立了首个基于多模态无人机数据的氮素动态监测框架，其提出的跨行纹理分析方法尤其适用于条播作物，对发展智慧农业具有重要实践价值。