基于植被指数与颜色特征融合的烟草冠层氮含量反演新方法

为解决传统单特征及建模方法在烟草冠层氮含量反演中精度不足的问题，研究人员提出了一种结合组合特征与模型融合策略的反演方法。通过提取植被指数（VIs）、颜色特征（CF）及构建组合颜色指数（CCIs），结合VIP和RFE算法筛选关键特征，并构建GBDT-SVM融合模型。结果表明，VIs+CCIs组合特征输入最优，12波段数据显著提升模型稳定性，R2超0.9，为精准农业中的烟草氮管理提供了新思路。

　　

烟草作为重要的经济作物，其生长和品质高度依赖氮素供应。然而，传统氮含量监测依赖破坏性采样和实验室分析，难以实现实时、无损检测。随着多光谱遥感技术的发展，基于遥感图像的氮含量反演模型成为研究热点。但现有方法存在特征稳定性差、模型泛化能力不足等问题，亟需创新技术突破瓶颈。

为此，Wenqi Sun等人提出了一种融合植被指数（VIs）与颜色特征（CF）的烟草冠层氮含量反演方法。研究通过无人机搭载6波段和12波段多光谱传感器获取数据，提取40种VIs和跨RGB、HSV、Lab空间的CF，并创新性构建组合颜色指数（CCIs）。采用变量重要性投影（VIP）和递归特征消除（RFE）算法筛选特征，最终通过梯度提升决策树（GBDT）与支持向量机（SVM）融合模型（GBDT-SVM）实现高精度反演。

关键技术方法

研究采集了山东烟草种植区96个采样点的冠层氮含量数据，结合MS600 Pro（6波段）和Feituo（12波段）多光谱传感器获取影像。通过ROI（感兴趣区域）提取平均反射率，构建VIs、CF及CCIs三类特征。采用VIP和RFE算法筛选6个关键变量，输入GBDT、SVM及GBDT-SVM模型，以R²、RMSE和MAE评估性能。

研究结果

1. 1.

   特征筛选机制

   VIP方法整体优于RFE，尤其在12波段数据中，筛选的CCIs与氮含量相关性显著（|r|>0.65）。NPCI、CRI等VIs和蓝绿通道比等CF被重复选中，验证了多特征协同的必要性。

2. 2.

   输入变量优化

   组合特征显著提升模型性能。VIs+CCIs在GBDT-SVM模型下表现最优，测试集R²达0.919，RMSE和MAE分别降至1.777 g/kg和1.296 g/kg，较单特征输入提升15%以上。

3. 3.

   模型融合优势

   GBDT-SVM融合模型综合了GBDT的特征学习能力与SVM的泛化优势，其R²比单一模型平均提高0.1，且误差波动更小。

4. 4.

   多波段协同效应

   12波段数据因包含红边（REG）和近红外（NIR）波段，模型稳定性显著优于6波段。例如，NDRE（归一化红边植被指数）在12波段中贡献度提升20%。

结论与意义

该研究通过特征与模型双融合策略，突破了传统单特征建模的局限性。CCIs的构建增强了颜色特征对氮的响应灵敏度，而GBDT-SVM模型实现了非线性关系的高效挖掘。12波段数据的应用进一步验证了多光谱协同的潜力，为精准农业中的变量施肥提供了可靠技术支撑。未来可结合高光谱数据与多环境因子优化模型，推动作物营养监测向智能化发展。

（注：全文细节均依据原文，专业术语如VIP、RFE等首次出现时已标注英文全称，模型评价指标如R²、RMSE等保留原文格式。）