编辑推荐：
为解决水稻氮素（N）营养诊断不准确、传统方法耗时费力等问题，研究人员开展物候信息与无人机（UAV）多光谱数据融合用于氮营养诊断的研究。结果表明该框架提升了 PDM、PNA 及 NNI 估算精度，确定了最优 NNI 区间，为精准施氮提供创新方案。
在全球粮食安全面临严峻挑战的当下，水稻作为重要的主粮作物，其产量与品质直接关系到数十亿人的生计。然而，不合理的氮肥施用不仅导致氮素利用效率（NUE）低下，造成资源浪费，还会引发水体富营养化、土壤退化等环境问题。传统的水稻氮素营养诊断依赖破坏性采样和化学分析，存在耗时、费力、无法实时监测等弊端，难以满足现代农业精准管理的需求。如何精准、及时地掌握水稻氮素营养状况，实现氮肥的合理施用，成为农业领域亟待解决的关键问题。
为了攻克上述难题，来自中国相关研究机构的研究人员开展了一项具有创新性的研究，其成果发表在《European Journal of Agronomy》。该研究致力于开发一种融合物候信息与无人机（UAV）多光谱数据的水稻氮素营养诊断框架，旨在提升氮素营养诊断的准确性和时效性，为水稻精准施氮管理提供科学依据。
研究人员主要采用了以下关键技术方法：首先利用 RiceGrow 模型预测水稻与氮管理相关的关键物候期（如分蘖期、拔节期、孕穗期）；其次，结合无人机多光谱数据，构建线性回归模型估算植株干物质（PDM）和植株氮积累量（PNA）；通过分析氮营养指数（NNI，实际植株氮浓度与临界氮浓度C的比值）与相对产量（RY）的关系，确定最优 NNI 区间；最后在田块和农场尺度对模型进行验证。
水稻关键追肥期预测
研究运用 RiceGrow 模型对水稻分蘖期（BBCH 21）、拔节期（BBCH 30）、孕穗期（BBCH 43）等关键追肥期进行预测。在田块尺度验证数据集中，模型对各时期预测的均方根误差（RMSE）分别为 2.71 天、3.65 天、3.46 天，决定系数（R2）分别为 0.96、0.87、0.94；农场尺度验证中，追肥期预测的 RMSE 为 3.30 天和 2.82 天，显示出该模型对水稻物候期的精准预测能力。
农艺参数与物候期的关系
研究构建了基于生育进程的模型，将植被指数（VIs）与物候期（BBCH）相结合估算 PDM 和 PNA。结果表明，不同品种、种植方式和施氮水平下，PDM、PNA 与 BBCH 呈现高度显著的线性相关性。与传统方法相比，该模型显著提升了估算精度：拔节期和孕穗期 PDM 的 RMSE 分别为 0.71 t?ha-1和 1.41 t?ha-1，PNA 的 RMSE 分别为 15.73 kg?ha-1和 35.03 kg?ha-1，NNI 估算的 RMSE 为 0.11 和 0.15。
最优 NNI 区间的确定
通过分析 NNI 与 RY 的关系，研究确定了水稻拔节期和孕穗期的最优 NNI 区间分别为 0.97–1.16 和 0.98–1.17。基于该区间，利用基于生育进程的方法进行氮营养诊断，与传统方法相比，面积一致性（0.77 vs. 0.70）和 Kappa 系数（0.53 vs. 0.42）均显著提高，表明该方法在氮营养诊断中的有效性和可靠性。
农场尺度验证与应用
农场尺度的验证结果显示，融合物候信息与无人机多光谱数据的框架在 PDM、PNA 和 NNI 估算中均表现出与田块尺度相似的准确性提升，进一步验证了该方法的适用性和鲁棒性。研究还基于无人机影像生成了农场尺度的水稻氮营养状况空间分布图，为精准农业管理提供了可视化工具。
研究结论与意义
本研究成功构建了物候信息与无人机多光谱数据融合的水稻氮素营养诊断框架，通过 RiceGrow 模型精准预测关键物候期，结合线性回归模型动态监测 PDM 和 PNA，显著提升了 NNI 估算精度，并确定了阶段特异性的最优 NNI 区间。该框架突破了传统遥感模型受光谱饱和和物候影响的局限，为水稻氮素营养的实时、精准诊断提供了新途径，有助于提高氮肥利用效率、保障作物产量、减少环境风险，为精准农业中氮肥管理提供了创新性解决方案，具有重要的理论价值和实际应用前景。
