基于无人机多光谱与RGB影像融合的马铃薯植株氮含量高精度估算模型研究

推荐：本研究针对作物氮素精准监测需求，通过融合无人机RGB和多光谱(MS)影像的纹理特征(GLCM/Gabor)与光谱指数(SIs)，结合变分异方差高斯过程回归(VHGPR)模型，实现了马铃薯植株氮含量(PNC)的高精度估算(RMSE=0.29%)，为智慧农业中的变量施肥决策提供了新方法。

　　

在精准农业领域，作物氮素状况的实时监测直接关系到产量形成与环境保护。植物氮含量(PNC)作为光合作用和品质调控的关键指标，其快速无损检测技术一直是农业遥感研究的重点。传统监测方法存在效率低、成本高等问题，而无人机(UAV)平台搭载RGB和多光谱(MS)传感器为田间尺度PNC动态监测提供了新思路。然而，如何从多源传感器数据中提取最优特征，并建立适应不同生长阶段的普适性模型，仍是当前研究的难点。

内蒙古农业大学的研究团队在《Smart Agricultural Technology》发表论文，通过2010-2021年马铃薯氮肥田间试验，系统评估了RGB影像的纹理特征(GLCM/Gabor)与MS影像光谱指数(SIs)的预测性能，创新性地采用变分异方差高斯过程回归(VHGPR)模型，实现了PNC估算精度突破(RMSE=0.29%)，为作物养分精准管理提供了技术支撑。

研究采用三大关键技术：1) 基于SVM算法的土壤背景剔除；2) 通过RReliefF特征选择算法筛选最优光谱指数(如mND705)和纹理特征；3) 构建标准(SGPR)与变分异方差(VHGPR)高斯过程回归模型对比体系。实验设计涵盖内蒙古三个试验点的不同品种、施氮水平和生育期，获取192组地面PNC数据与同步无人机影像。

【RGB影像特征分析】
研究发现RGB影像中Gabor纹理特征重要性最高(权重0.12)，多尺度融合特征使模型R²提升至0.76。与颜色指数(CIs)相比，纹理特征能更好捕捉冠层结构变化，特别是在生育后期克服光谱饱和问题。

【多光谱特征优化】
经波段优化后的三波段光谱指数mND705表现最佳(R²=0.52)，其敏感波段组合为绿光(Green)、红边(RE)和近红外(NIR)，较传统双波段指数更能反映氮素动态。

【多源传感器融合】
MS-SIs与RGB纹理特征融合实现最佳预测性能(VHGPR模型R²=0.76，RMSE=0.29%)。研究发现50%明亮植被像素条件下模型精度最高，表明适度保留阴影信息有助于提升预测稳定性。

【生长阶段影响】
模型在开花后阶段表现更优(R²提升30%)，开花前因"空间缺失"现象导致预测偏差。多传感器融合可显著缓解生育期影响，使开花前后R²差异缩小至0.1以内。

【模型对比】
VHGPR在异质数据噪声处理上优势显著，较SGPR、PLSR等模型RPD值提高15-20%。独立年份验证显示模型具有良好泛化能力，但跨年预测精度仍有提升空间。

该研究创新性地提出多源传感器特征融合策略，解决了单一传感器在作物不同生育期监测的局限性。VHGPR模型的成功应用为处理农业遥感异质数据提供了新范式。研究不仅为马铃薯精准施肥提供了实用工具，其方法论对其它作物表型参数估算也具有借鉴意义。未来可通过引入热红外数据、扩大样本量、结合物理模型等方法进一步提升模型鲁棒性，推动农业遥感从实验研究向业务化应用转化。