-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
基于无人机多光谱信息与纹理特征的融合技术，对干旱地区典型果树的叶片氮含量进行估算
《Precision Agriculture》：Estimation of leaf nitrogen content of typical fruit trees in arid regions based on fusion of UAV multispectral information and texture features
【字体： 大 中 小 】 时间：2026年10月07日 来源：Precision Agriculture 7.6
编辑推荐：
```摘要准确估算叶片氮含量（LNC）对于干旱地区的精准施肥至关重要。然而，单一光谱数据中存在的“相同光谱，不同对象”现象往往会限制不同树种的估算精度。本研究旨在通过整合基于无人机（UAV）的光谱和纹理特征，并采用可解释性驱动的方法，开发出适用于核桃、枣和杏树的LNC估算框架。利
准确估算叶片氮含量（LNC）对于干旱地区的精准施肥至关重要。然而，单一光谱数据中存在的“相同光谱，不同对象”现象往往会限制不同树种的估算精度。本研究旨在通过整合基于无人机（UAV）的光谱和纹理特征，并采用可解释性驱动的方法，开发出适用于核桃、枣和杏树的LNC估算框架。利用UAV多光谱影像提取了8个优化光谱指数（SI）和40个纹理特征，并引入了SHAP（Shapley Additive Explanations）算法来量化并选择最优特征组合。对比了三种机器学习算法——K近邻（KNN）、岭回归（Ridge Regression）和支持向量机（SVM）——以评估模型性能。(1) SHAP分析显示了不同的响应模式：核桃的LNC主要受纹理特征影响（NIR_Mea，SHAP = 0.282），而枣树则更依赖于抗背景干扰的指数（SAVI，SHAP = 0.562）。(2) 基于单一光谱指数的LNC估算结果显示，算法性能因树种而异。KNN在核桃和杏树上的表现相对较好，而RR和SVM在枣树上的验证精度更高。(3) 与单一光谱指数模型相比，基于SHAP选择的光谱-纹理融合模型显著提高了三种果树的LNC估算精度，其中核桃的提升最为明显，其验证回归系数R2、均方根误差RMSE和相对性能偏差RPD分别提高了约22.2%、13.2%和15.4%。(4) 混合树种模型的验证回归系数R2、均方根误差RMSE和相对性能偏差RPD分别为0.64±0.06、2.15±0.18 g/kg和1.71±0.15，表明该模型在无需先验树种分类的情况下，具有在混合果园中估算LNC的潜力。总体而言，所提出的SHAP-KNN光谱-纹理融合框架可为干旱地区监测果树叶片氮浓度及支持精准果园管理提供有用的技术参考。
准确估算叶片氮含量（LNC）对于干旱地区的精准施肥至关重要。然而，单一光谱数据中存在的“相同光谱，不同对象”现象往往会限制不同树种的估算精度。本研究旨在通过整合基于无人机（UAV）的光谱和纹理特征，并采用可解释性驱动的方法，开发出适用于核桃、枣和杏树的LNC估算框架。利用UAV多光谱影像提取了8个优化光谱指数（SI）和40个纹理特征，并引入了SHAP（Shapley Additive Explanations）算法来量化并选择最优特征组合。对比了三种机器学习算法——K近邻（KNN）、岭回归（Ridge Regression）和支持向量机（SVM）——以评估模型性能。(1) SHAP分析显示了不同的响应模式：核桃的LNC主要受纹理特征影响（NIR_Mea，SHAP = 0.282），而枣树则更依赖于抗背景干扰的指数（SAVI，SHAP = 0.562）。(2) 基于单一光谱指数的LNC估算结果显示，算法性能因树种而异。KNN在核桃和杏树上的表现相对较好，而RR和SVM在枣树上的验证精度更高。(3) 与单一光谱指数模型相比，基于SHAP选择的光谱-纹理融合模型显著提高了三种果树的LNC估算精度，其中核桃的提升最为明显，其验证回归系数R2、均方根误差RMSE和相对性能偏差RPD分别提高了约22.2%、13.2%和15.4%。(4) 混合树种模型的验证回归系数R2、均方根误差RMSE和相对性能偏差RPD分别为0.64±0.06、2.15±0.18 g/kg和1.71±0.15，表明该模型在无需先验树种分类的情况下，具有在混合果园中估算LNC的潜力。总体而言，所提出的SHAP-KNN光谱-纹理融合框架可为干旱地区监测果树叶片氮浓度及支持精准果园管理提供有用的技术参考。
