基于无人机光谱与纹理特征融合的牧草地上部碳氮磷浓度反演框架：物种与元素特异性特征模式性能

《Smart Agricultural Technology》：A UAV-based spectral and textural retrieval framework for estimating aboveground carbon, nitrogen, and phosphorus concentrations in forage crops: species- and element-specific feature-mode performance

　　

基于无人机（UAV）的光谱与纹理反演框架被用于估测牧草地上部有机碳（C）、全氮（N）和全磷（P）浓度。比较了光谱、纹理及融合特征模式在三种牧草物种间的表现。特征模式性能随作物物种和目标元素而异。冠层形态可能 contribuir 于物种与元素特异性模式。研究人员选取了三种形态与生理特征差异明显的牧草物种：玉米（Zea mays L.，C4，一年生，阔叶）、紫花苜蓿（Medicago sativa L.，C3，多年生，复叶）和燕麦（Avena sativa L.，C3，一年生，窄披叶）。在西藏拉萨和山南地区开展田间试验。构建了基于无人机（UAV）的光谱与纹理反演框架以估测地上部有机碳、全氮和全磷。具体而言，比较了光谱、纹理和融合特征模式，采用十种基础算法（Ranger随机森林、XGBoost、Cubist、弹性网络、核岭回归、偏最小二乘回归、支持向量回归、多元自适应回归样条、梯度提升机和人工神经网络）及其非负最小二乘（NNLS）集成。本研究回答三个核心问题：（1）光谱、纹理和融合特征在估测不同牧草物种碳、氮、磷浓度时各自的预测能力如何？（2）相对特征模式性能是否随物种和元素而变化？若是，可能的原因是什么？（3）NNLS集成能否持续优于单个基础算法？研究结果可为高海拔农牧交错带类似条件下的牧草营养评估提供方法学参考。

研究背景方面，牧草作物支撑全球畜牧生产，随着畜产品需求持续增长，牧草生产集约化成为现代农业的核心优先事项，而精准养分管理依赖于及时、准确且空间明确的作物营养状态信息。地上部有机碳（C）、全氮（N）和全磷（P）可指示牧草营养状态，结合生物量、土壤信息和农艺校准，可为收获时机、饲料配方和施肥管理研究提供参考。然而传统养分评估方法依赖破坏性采样和实验室化学分析，费时费力、成本高且无法捕捉田块内精细尺度空间异质性，成为数据驱动精准管理的瓶颈。近年来，基于无人机（UAV）的多光谱遥感凭借高空间分辨率、操作灵活和成本较低等优势，为快速无损作物养分监测开辟了新途径。已有研究利用无人机多光谱影像估测玉米、小麦或水稻等单一作物的氮浓度，发现引入纹理特征可适度提升预测性能。但三个重要不确定性尚未充分解决：第一，缺乏系统的跨物种和跨元素比较，多数研究局限于单一物种和单一元素（主要是氮），牧草物种在冠层形态上差异显著（禾本科与豆科、C3与C4、阔叶与窄叶、复叶与单叶），这些形态差异可能从根本上改变光谱与纹理信息的相对贡献，且碳、氮、磷在冠层叶片与结构组织间的分布不同，可能导致各元素具有不同的特征响应模式；第二，从模型比较到模型集成的转变研究不足，不同算法对数据结构和任务特征的适应性各异，没有单一模型在所有场景中始终表现最佳，集成学习有望提升反演稳健性和泛化能力，但其在多物种多元素同时反演中的实际效果尚未系统评估；第三，不同冠层形态下光谱与纹理特征相对有效性的比较研究不足。为此，研究人员选取三种形态和生理特征差异明显的牧草物种——玉米（Zea mays L.，C4，一年生，阔叶）、紫花苜蓿（Medicago sativa L.，C3，多年生，复叶）和燕麦（Avena sativa L.，C3，一年生，窄披叶），在西藏拉萨和山南地区开展田间试验，构建了基于无人机（UAV）的光谱与纹理反演框架，估测地上部有机碳、全氮和全磷浓度，比较了光谱、纹理和融合三种特征模式，采用十种基础算法（Ranger随机森林、XGBoost、Cubist、弹性网络、核岭回归、偏最小二乘回归、支持向量回归、多元自适应回归样条、梯度提升机和人工神经网络）及其非负最小二乘（NNLS）集成。研究得出：各特征模式的平均预测性能随作物物种和目标元素而变化，但经Holm多重比较校正后模式间差异未达统计显著水平；NNLS集成的预测增益随任务和特征模式而异；玉米有机碳具有最高的平均外层交叉验证R2（0.81，MARE=6.22%），其次为紫花苜蓿全氮（R2=0.78）、紫花苜蓿全磷（R2=0.77）和燕麦全氮（R2=0.75），而紫花苜蓿有机碳可预测性有限（R2=0.20）；光谱与纹理特征的有效性可能与冠层结构有关，且这些关系随物种和目标元素变化。研究意义在于为采样条件下的养分状态评估提供方法学参考，并有助于理解高海拔农牧系统冠层-信号关系。技术方法方面，研究人员于2026年在西藏拉萨和山南地区开展田间试验，设置3 m×3 m采样样方，采样与无人机飞行于2026年6月30日进行；采用DJI Phantom 4 Multispectral（P4M）无人机获取蓝、绿、红、红边和近红外五个多光谱波段影像，飞行高度28.70 m，地面空间分辨率约1.50 cm pixel?1，经辐射校正和几何校正生成正射影像；光谱特征包括5个原始波段和26个植被指数共31个变量，纹理特征基于灰度共生矩阵（GLCM）从5个波段4个空间尺度（10、20、40、80 cm）提取8个纹理指标共160个候选特征；建立光谱、纹理和融合三种特征模式，构建9个独立预测任务；采用五折外层交叉验证重复三次的数据划分策略，特征选择、最优特征数确定、响应变换、超参数优化和集成权重估计均在外层训练集内的开发集上通过三折交叉验证完成；采用复合敏感性评分进行特征排序，比较十种基础算法及其NNLS集成，以R2、RMSE、MAE、rRMSE、MARE和偏差等指标评价预测性能。研究结果方面，第一，三种牧草有机碳、全氮和全磷浓度分布差异明显：玉米有机碳范围最宽且呈近似双峰分布，紫花苜蓿和燕麦有机碳集中在较高范围；全氮种间差异更为明显，玉米全氮主要处于较低范围，燕麦全氮总体较高，紫花苜蓿覆盖最宽的浓度梯度；燕麦全磷总体浓度最高，玉米和紫花苜蓿中位数相近但紫花苜蓿分布最宽、变异性最大。第二，敏感特征表现出明显的物种和元素特异性：玉米有机碳主要与蓝波段及不同尺度蓝波段均值纹理相关，紫花苜蓿有机碳主要依赖不同尺度红波段相关纹理，燕麦有机碳主要与不同空间尺度绿波段均值纹理相关；玉米全氮高敏感变量集中于BNDVI、RGBVI和GNDVI等植被指数，紫花苜蓿全氮更多依赖红边相关纹理和ExG，燕麦全氮主要与绿波段纹理变量相关；玉米全磷对BNDVI、GNDVI和蓝波段均值纹理高度敏感，紫花苜蓿主要与ExG、近红外反射率和近红外均值纹理相关，燕麦对CIRE、SRRE和NDRE等红边指数高度敏感。第三，所选模型预测性能方面，135个外层训练集中21个选择了NNLS集成，其余114个选择了基础算法；全氮表现出最明显的种间差异，紫花苜蓿全氮模型平均R2最高（0.78），燕麦全氮平均R2为0.75，玉米全氮平均R2较低（0.33）；有机碳方面玉米模型表现最佳（平均R2=0.81），超过燕麦（0.53）和紫花苜蓿（0.20）；全磷模型性能介于有机碳和全氮之间，紫花苜蓿全磷精度最高（平均R2=0.77），其次为玉米（0.67）和燕麦（0.38）；九个任务平均R2范围为0.20至0.81，MARE范围为1.37%至10.76%。第四，所选模型关键预测因子方面，玉米有机碳模型对蓝波段最敏感，RGBVI、GRVI和MTVI1对玉米全氮重要，玉米全磷依赖BNDVI、GNDVI和蓝波段均值纹理；紫花苜蓿有机碳模型主要依赖红波段相关纹理和近红外波段，紫花苜蓿全氮主要依赖ExG和红边相关纹理，不同尺度近红外均值纹理对紫花苜蓿全磷重要；燕麦有机碳关键预测因子主要为纹理特征，SRRE、CIRE和GCI对全磷重要，燕麦全氮模型主要依赖绿波段和红边波段。第五，模型误差特征方面，外层测试残差总体围绕零分布，但所有回归斜率均低于1，表明预测范围收缩；有机碳方面玉米残差范围最宽，全氮方面燕麦误差分布最集中，全磷方面绝对残差总体较窄但相对误差仍较大；九个任务平均校准斜率范围为0.37至0.82，表明尽管总体偏差接近零，部分任务在低浓度处存在高估、高浓度处存在低估。讨论部分总结如下：第一，三种栽培高寒牧草地上部碳氮磷浓度差异明显，可能与物种特异性生态策略和生理特征有关，苜蓿为多年生豆科，根系碳氮储备支撑其多年生生活史，玉米和燕麦为一年生禾本科，生殖分配和衰老更直接影响地上部浓度；玉米地上部有机碳范围最宽可能与茎比例较大有关，苜蓿较窄的碳浓度范围可能部分反映其多年生习性和生物固氮对碳氮代谢的协调，燕麦C3碳同化途径与C4玉米根本不同，可能有助于维持相对稳定的冠层碳浓度；全氮种间差异更为明显，玉米氮浓度较低与C4植物较高的氮利用效率一致，燕麦较高的氮浓度与其较高的蛋白质需求一致，苜蓿最宽的氮浓度范围与其生物固氮策略密切相关；燕麦地上部磷浓度高于玉米和苜蓿，苜蓿磷中位数较低但变异性最大，可能反映多年生豆科磷获取策略的灵活性。第二，无人机估测地上部氮浓度的外层交叉验证性能在三种牧草间差异明显，按平均R2排序紫花苜蓿最佳（R2=0.78，MARE=8.01%，斜率=0.80），其次为燕麦（R2=0.75，MARE=4.27%，斜率=0.77），玉米精度相对较低（R2=0.33，MARE=8.45%，斜率=0.47）；燕麦的较高预测性能具有潜在应用价值，燕麦是高寒地区最重要的青贮来源之一，其地上部氮浓度直接决定牧草蛋白质浓度和营养品质；紫花苜蓿氮估测较高精度表明无人机遥感有潜力表征采样条件下地上部氮浓度变异；玉米氮预测性能较低，其较低回归斜率表明存在低估高氮样品和高估低氮样品的趋势，可能与高氮条件下光谱饱和及生殖生长期茎比例增加导致的冠层生化信号稀释效应有关。第三，无人机估测地上部磷浓度方面，三种作物预测特征不同：玉米表现相对稳定，RMSE最低（0.02），MARE为7.09%，斜率为0.73；紫花苜蓿拟合优度最高（R2=0.77），但RMSE（0.03）和MARE（10.76%）最大，斜率为0.81；燕麦MARE最低（6.83%），但R2仅为0.38，斜率仅为0.49，明显偏离1:1参考线，表明存在显著的斜率收缩；模型性能差异可能与冠层结构有关，复叶苜蓿冠层允许光谱信息对磷预测作出贡献，但其固有的高空间变异性可能影响预测误差；玉米模型保持最低平均RMSE，而燕麦较低拟合优度和极低斜率表明预测范围收缩仍是其地上部磷浓度估测的局限；这些性能特征提示三种牧草精准磷管理具有不同含义。第四，冠层结构对遥感信号与养分关系的可能影响方面，本研究最显著发现之一是光谱与纹理融合的相对性能随目标作物和元素而变化，这一发现将看似技术性的遥感问题与植物功能性状和遥感信号间的生态互作联系起来，可借助PROSAIL等冠层辐射传输模型的物理原理进行解释；光谱模式对紫花苜蓿氮和磷均提供相对较好的拟合，苜蓿复叶小叶薄而平展、叶绿素浓度较高，其光谱信号可能含有较强的叶片生化组成信息；燕麦碳和磷的纹理模式平均外层交叉验证R2高于光谱模式，而融合模式在磷上排名最高，燕麦叶片长、窄、披垂，冠层密集闭合，上层叶片几乎完全遮蔽下层叶片和茎，光谱信号主要来自最上层受光叶片，易饱和，冠层中相当比例的碳和磷 contained 于非光合器官尤其是茎中，对冠层顶部反射光谱信号贡献相对较小，当生化光谱信号饱和失去敏感性时，结构纹理信号可能提供补充指标；玉米代表中间状态，阔叶冠层既不像苜蓿那样相对开放，也不像燕麦那样完全闭合，光谱和纹理特征均提供信息；特征模式间的描述性差异随作物和元素变化，可能与冠层结构特征有关，但经Holm校正后特征模式比较均未达统计显著，观测到的排序应谨慎解释；这些结果提示冠层结构不仅是背景噪声，还可能是调控遥感信号与生态化学计量性状关系的关键生态变量；对叶片平展、冠层相对开放的作物（如苜蓿、大豆等豆科作物），光谱特征可能提供强信息；对窄叶、密集冠层的作物（如燕麦、小麦等禾本科作物），纹理特征可能提供补充信息；对中间冠层条件的作物（如玉米），应针对目标元素比较光谱、纹理和融合方案。第五，不确定性与管理应用前景方面，数据层面分析使用西藏拉萨和山南地区样本，牧草在不同海拔、土壤类型和气候背景下可能表现出不同的碳氮磷变异模式，未来应扩展采样覆盖并建立跨区域数据库；时间层面本研究分析2026年生长季观测，温度降水年际波动可能显著影响牧草碳氮磷积累，建立长期固定监测网络并整合时序遥感数据是推进研究的关键途径；技术层面本研究使用可见光、红边和近红外多光谱数据，短波红外（SWIR）对纤维素、木质素和水分等冠层结构相关组分高度敏感，可能为冠层碳反演特别是结构碳提供重要补充信息；本研究随机交叉验证主要评估可用样本范围内的预测性能，同田块样方共享环境条件可能影响性能估计，需跨田块和年份验证以评估可迁移性和农艺阈值附近的预测性能；本研究对高寒牧区牧草营养状态评估具有潜在管理应用，青藏高原高寒牧区面临从传统放牧向集约化栽培牧草生产转型的迫切需求，准确的冠层养分信息为该转型提供关键数据支撑；结果表明无人机多光谱遥感可估测栽培高寒牧草地上部碳氮磷浓度，但预测性能在任务间差异明显；观测到的碳浓度种间差异提示，应用统一的0.45干物质碳系数估算高寒牧草碳储量将引入显著系统偏差，结合物种特异性田间测量与遥感反演可能有助于改进碳核算；总体而言，应针对每个预测目标评估特征模式性能，而非假设某一模式普遍最优，冠层结构和组织分配提供可能的解释性假设，这强调精准遥感应用中需进行先验生态表征而非通用特征工程方法。研究结论部分翻译如下：本研究构建了基于无人机（UAV）的光谱与纹理反演框架，用于估测西藏拉萨和山南地区玉米、紫花苜蓿和燕麦的地上部有机碳、全氮和全磷。各特征模式的平均预测性能随作物物种和目标元素而变化，但经Holm多重比较校正后模式间差异未达统计显著水平。非负最小二乘（NNLS）集成的预测增益随任务和特征模式而异。玉米有机碳具有最高的平均外层交叉验证R2（0.81，MARE=6.22%），其次为紫花苜蓿全氮（R2=0.78）、紫花苜蓿全磷（R2=0.77）和燕麦全氮（R2=0.75），而紫花苜蓿有机碳可预测性有限（R2=0.20）。光谱与纹理特征的有效性可能与冠层结构有关，这些关系随物种和目标元素变化。这些发现为采样条件下的养分状态评估提供方法学参考，并有助于理解高海拔农牧系统冠层-信号关系。