基于无人机多层级特征选择的干旱区棉花氮含量精准估测模型构建与验证

本研究创新性地结合Elastic Net和Boruta-SHAP算法构建多层级特征选择框架，从无人机（UAV）遥感数据中筛选出Mean_B、Mean_R等5个关键特征变量，建立随机森林（RF）模型实现棉花植株氮浓度（PNC）的高精度估测（R2=0.97-0.98）。研究揭示了450 mm灌溉量+300 kg N ha-1为干旱区覆膜滴灌棉花最优水氮组合，为精准农业管理提供技术支撑。

　　

1 引言

氮素作为决定棉花产量与纤维品质的关键元素，其精准监测对干旱区农业至关重要。传统破坏性采样方法难以满足实时监测需求，而无人机多光谱遥感虽能获取丰富光谱（B/G/R/RE/NIR波段）与纹理特征，但高维度数据的冗余性和覆膜环境的光谱干扰制约模型精度。新疆作为中国85%棉花产区，其极端水热条件（年降雨150-200 mm vs蒸发2000-3000 mm）使氮素转化过程复杂化。本研究通过Elastic Net与Boruta-SHAP联用策略，突破传统植被指数饱和问题，为干旱区棉花氮素精准管理提供新范式。

2 材料与方法

2.1 研究区概况

试验位于新疆石河子垦区（44°18′N，86°03′E），属典型干旱大陆性气候。土壤含有机质11.9 g kg^-1、全氮0.69 g kg^-1，采用"一膜三管六行"配置（密度264,000株 ha^-1）。

2.2 实验设计

设置3个灌溉量（W1:375 mm、W2:450 mm、W3:525 mm）与3个施氮量（N1:225 kg ha^-1、N2:300 kg ha^-1、N3:375 kg ha^-1）的完全组合，同步采集蕾期至吐絮期4个关键生育期样本。通过凯氏定氮法测定PNC，DJI Phantom 4无人机获取5波段（450-840 nm）影像，提取12种植被指数（如NDVI、GRVI）和40个GLCM纹理特征。

2.3 特征选择与建模

Elastic Net通过L1/L2正则化组合（α=0.12，l1_ratio=0.10）筛选21个特征，Boruta-SHAP基于XGBoost重要性评分确定9个核心变量，最终交集获得5个最优特征。对比RF、XGB、GPR等6种算法性能，采用R2、RMSE、MAE三指标评估。

3 结果与分析

3.1 氮含量动态

PNC随生育进程显著下降，蕾期最高（2.84%-3.22%），吐絮期最低（1.57%-1.83%），变异系数在结铃期达4.76%。

3.2 特征选择效能

Elastic Net模型训练集R2达0.95，Sm_Nir和Var_Nir贡献度最高；Boruta-SHAP识别NDRE_GOSAVI等关键变量。联用策略使特征维度降低76%，模型效率提升3倍。

3.3 模型性能对比

RF表现最优（测试集R2=0.97，RMSE=0.08），显著优于GPR（R2=0.92）和SVR（R2=0.75）。其优势源于Bootstrap采样与特征随机子空间策略，对高维数据具有天然抗过拟合能力。

3.4 水氮调控效应

W2N2处理（450 mm+300 kg N ha^-1）PNC维持3.22%峰值，较W1N1增产18%。NDRE_GOSAVI对覆膜反光的抗干扰性使其成为干旱区特异性指标。

4 讨论

研究创新点在于：①融合光谱-纹理多源特征，破解覆膜背景干扰；②构建"统计稀疏性-非线性交互"双驱动选择框架；③揭示干旱区水氮耦合阈值。局限性在于样本仅覆盖新疆单一生态区，未来需结合迁移学习拓展应用范围。

5 结论

该成果为干旱区棉花智慧施肥提供关键技术支撑，推荐425-475 mm灌溉量+250-320 kg N ha^-1的优化方案，推动农业可持续发展。