基于生理信息的无人机多光谱烟草叶片氮营养指数估算用于变量施氮管理

《Frontiers in Plant Science》：Physiology-informed UAV multispectral estimation of tobacco leaf nitrogen nutrition index for variable nitrogen management

　　

【摘要】引言：作物氮（N）状况的空间变异性限制了烟草统一施肥的有效性，然而遥感光谱信号无法直接转化为作物氮需求。本研究构建了一个基于生理信息的无人机（UAV）多光谱框架，将叶片干物质（LDM）、叶片氮浓度（LNC）、叶片氮营养指数（NNI_leaf）与变量氮管理相链接。方法：于2023—2024年在中国云南开展了涉及7个施氮水平（0–150 kg N ha^?1）的田间试验。利用ln(LDM)与LNC建立了临界叶片氮关系。采用Pearson相关分析和递归特征消除筛选多光谱植被指数。比较了偏最小二乘回归（PLSR）、随机森林（RF）和极端梯度提升（XGBoost）对ln(LDM)和LNC的估算效果，并据此推导NNI_leaf。结果：2023年获得的4个季节临界点可由N_c,leaf = ?3.156[ln(LDM)]² + 32.800ln(LDM) ? 25.20描述（R² = 0.992；RMSE = 0.978 mg g^?1）。XGBoost整体表现最佳。在2024年独立验证中，ln(LDM)、LNC和NNI_leaf的R²分别为0.826、0.783和0.832，NNI_leaf的NRMSE为5.51%。拟合的氮响应关系确定82.5 kg N ha^?1为NNI_leaf定义的生理氮基线（N_phys），对应于拟合NNI_leaf达到1时的最低总施氮量。在生产规模跨年示范中，基于NNI_leaf的策略推荐平均97.12 kg N ha^?1，与常规管理相比，氮投入略低、产量提高3.18%、产量变异系数降低2.77个百分点。讨论：该框架提供了多光谱特征、叶片氮充足性与空间施氮推荐之间具有生理可解释性的链接。临界氮关系的更广泛验证和同年肥料比较仍有必要。

**研究背景与问题**

烟草作为以叶片为收获对象的作物，氮素强烈调控叶片扩展、光合能力、干物质形成、成熟过程及采收叶片的化学平衡，因此合理的氮素管理对于协调生物量生产与产品品质至关重要。然而在商业生产中，土壤氮供应、气候条件和作物生长的田块内与田块间变异导致作物氮需求呈现空间异质性，统一施肥可能使弱势或受氮限制的区域供氮不足，同时使长势较好的区域获得多余氮素。氮素缺乏限制叶片发育和冠层建成，而过量施氮则延迟成熟、延长持绿期并降低额外肥料的边际回报。烟草通常在根系建成后期至莲座期进行基肥与追肥组合管理，此时植株生长加速、氮状况的空间差异日益明显，但传统基于经验的追肥难以区分这些差异究竟源于基肥氮供应、土壤氮矿化还是作物生长本身。无人机（UAV）遥感为在这一决策窗口期获取空间连续的作物信息提供了实用手段。已有烟草研究表明无人机多光谱影像可支持田块尺度氮决策并反演冠层叶绿素相关性状，航空高光谱传感也可捕获与烟草氮代谢相关的生化变异。与高光谱系统相比，五波段多光谱平台光谱细节较少，但成本更低、处理更简便、更适合重复性作业调查。因此主要挑战已不再是光谱数据能否检测烟草生长或氮相关性状的差异，而是如何将这些光谱信号转化为具有生物学可解释性的作物氮需求指标。无人机作物氮诊断已从单一植被指数向多特征集成、机器学习和多时相分析方向发展，但基于同一季节观测随机划分的模型性能可能高估模型跨年泛化能力，物候、冠层结构、光照、土壤背景和天气的年际变化会改变光谱—性状关系。纯经验光谱模型的另一局限在于直接预测施肥量可能掩盖推荐的生理基础：相同的光谱响应可能源于生物量发育和组织氮浓度的不同组合。临界氮概念为区分作物生长需求与组织氮供应提供了生理框架，临界氮浓度定义为维持特定生长水平所需的最低组织氮浓度，氮营养指数（NNI）表示实际氮浓度与临界氮浓度的比值，从而相对于生物量依赖的需求对氮状况进行分类。临界氮方法已在烟草中有所探索，叶片尺度稀释曲线已在烟稻轮作系统中建立并独立验证，贝叶斯方法已被用于量化烟草叶片临界氮关系的不确定性，多品种研究已开发出与产量和叶片品质关联的通用临界氮曲线，近期还将累积热时间纳入烟草临界氮建模以改善氮需求的时间表征。这些研究表明烟草临界氮并非新概念，但其参数取决于器官尺度、基因型、环境和发育进程。这为遥感创造了机会：叶片尺度临界氮关系及相应的叶片氮营养指数（NNI_leaf）可作为生理参照，将分别估算的叶片生长和叶片氮浓度转化为跨采样日期可比较的氮状况指标。剩余步骤是将这一诊断转化为可操作的施氮推荐。遥感追肥已在大田作物中开发，包括利用冠层光谱为冬油菜提供分阶段氮推荐，以及近期利用无人机-derived NNI指导季节内变量追肥。补充的作物传感研究表明无人机多光谱信息可反演工业大麻的氮吸收和生物量、捕获土壤矿质氮对小麦冠层结构和氮利用效率的影响、表征棉花冠层氮的垂直分布。这些进展证明了将光谱观测与农艺知识结合的价值，但也强调需要避免将遥感视为肥料需求的直接黑箱预测器。对于烟草，一个先估算叶片干物质和叶片氮浓度、再基于叶片尺度临界参照推导NNI的管理框架，可能为从冠层传感走向空间差异化追肥提供更透明的路径。 accordingly，本研究利用两年（2023—2024）多水平氮试验在代表性烟草产区构建了一个基于生理信息的无人机框架，将多光谱传感、叶片干物质（LDM）、叶片氮浓度（LNC）、NNI_leaf和变量施氮相链接。研究假设：通过将无人机估算的叶片生长和氮浓度与叶片尺度临界氮关系相结合，叶片生长依赖的归一化可提供可解释的氮状况诊断，且所得诊断可在测试田间条件下支持空间差异化追肥。具体目标为：（1）建立叶片尺度临界氮关系并表征NNI_leaf对氮处理的响应；（2）从无人机多光谱影像估算ln(LDM)、LNC及随后推导的NNI_leaf，并利用独立生长年数据集评估完整诊断链；（3）确定NNI_leaf定义生理充足性对应的施氮量，将空间氮亏缺转化为变量追肥推荐，并在生产规模跨年示范中评估所得策略。

**主要关键技术方法**

研究于2023—2024年在中国云南省红河哈尼族彝族自治州石屏县异龙镇小他拉开展田间试验，供试品种为云烟121，行距1.20 m、株距0.55 m，试验面积约0.2 ha，种植密度约15,152株 ha^?1。采用随机完全区组设计，设3个区组，7个总氮处理（0、25、50、75、100、125、150 kg N ha^?1，N0–N150），以当地常规用量100 kg N ha^?1为参照。2023年4次、2024年2次同步开展地面与无人机观测，覆盖全部21个试验小区，共获得126对小区水平观测，其中2023年84个观测用于建立临界叶片氮关系、筛选光谱特征、训练模型并进行五折交叉验证，2024年42个观测完全独立仅用于时间验证。另设约3.3 ha独立生产田用于应用规模示范。无人机平台为DJI P4 Multispectral，获取蓝、绿、红、红边、近红外五个波段影像，飞行高度30 m，地面分辨率约1.59 cm pixel^?1，使用反射率校准板和机载光谱日照传感器进行辐射校准，通过DJI Terra处理生成正射多光谱镶嵌图并提取各小区波段平均反射率。计算11个植被指数（DVI、RVI、GRVI、NDVI、GNDVI、NDRE、CI_green、CI_re、OSAVI、MSAVI、MTCI），先以Pearson相关分析（P< 0.01）筛选候选变量，再用随机森林估计器的递归特征消除（RFE）分别为ln(LDM)和LNC保留最多5个预测因子。比较PLSR、RF和XGBoost三种回归算法，所有特征筛选、模型拟合、网格搜索超参数选择和五折交叉验证仅使用2023年数据，2024年数据保留用于独立时间验证。NNI_leaf不直接拟合，而是先由模型获得无人机估算的ln(LDM)和LNC，将预测ln(LDM)代入临界氮方程获得预测N_c,leaf，再计算预测NNI_leaf。采用R²、RMSE和NRMSE评价模型性能。

**研究结果**

**氮响应与临界叶片氮关系的建立**：LDM和LNC在六个观测日期对施氮梯度响应一致。LDM从N0至中高氮水平逐渐增加，在N100–N125附近趋于平台，N150几乎无额外增加甚至略有下降；LDM随作物发育显著增大，从2023年5月最早观测的<10 kg ha^?1增至8月初约2000–2500 kg ha^?1。LNC对增氮响应更强，从N0至N100–N125大幅增加后在N150稳定或略降；同一施氮量下LNC的时间变异表明仅用固定LNC阈值不足以表征跨生育期的氮状况。从2023年氮响应平台获得4个季节临界点，临界叶片氮浓度与ln(LDM)呈显著非线性关系，选定二次关系为N_c,leaf = ?3.156[ln(LDM)]² + 32.800ln(LDM) ? 25.20（R² = 0.992，RMSE = 0.978 mg g^?1，NRMSE = 2.13%）。临界叶片氮浓度初期随ln(LDM)增加，在ln(LDM)约5.2处达最大值后随LDM继续增加而下降；初始上升阶段可能反映低LDM时代谢活跃叶组织的快速建成，此时富氮蛋白、叶绿素等代谢组分积累快于结构干物质，随后下降代表更典型的生物量稀释阶段开始。NNI_leaf随施氮量逐步增加，总氮投入约达N100后趋于稳定；N0和N25下多数观测低于亏缺阈值（NNI_leaf< 0.95），N50观测集中于亏缺范围上部，N75跨越0.95阈值接近充足，N100、N125和N150下多数观测落在0.95–1.05充足范围，N125和N150下少量观测超过1.05表明最高施氮量下存在局部氮过量；N100以上NNI_leaf的平坦化与LDM响应一致。

**多光谱对ln(LDM)和LNC的敏感性**：对ln(LDM)，GRVI、GNDVI和CI_green呈最强正相关，Pearson系数分别为0.63、0.58和0.53（P< 0.01），DVI也呈显著正相关（r = 0.31，P< 0.01）；RFE后DVI、GRVI、GNDVI和CI_green保留为ln(LDM)的预测子集。LNC与RVI（r = 0.62）和MSAVI（r = 0.57）呈最强正相关，NDRE（r = ?0.58）和MTCI（r = ?0.43）呈显著负相关（P< 0.01），DVI也与LNC正相关（r = 0.39，P< 0.01）；RFE为LNC保留DVI、RVI、NDRE、MSAVI和MTCI，表明两个模型目标需要不同的光谱预测因子组合。

**NNI_leaf的无人机估算与跨年验证**：2023年五折交叉验证中三种回归方法均能有效估算ln(LDM)和LNC，非线性模型总体优于PLSR。对NNI_leaf，PLSR的R² = 0.666、NRMSE = 6.69%，RF将R²提高至0.739、NRMSE降至5.86%，XGBoost整体精度最高，ln(LDM)、LNC和NNI_leaf的R²分别为0.894、0.844和0.812，对应RMSE分别为0.677、4.567 mg g^?1和0.051，NRMSE分别为14.55%、10.65%和5.37%。相对PLSR，XGBoost使ln(LDM)、LNC和NNI_leaf的R²分别提高0.072、0.100和0.146，表明非线性建模的最大增益出现在最终推导的氮状况指标上。2024年独立验证确认基于XGBoost的估算链在新年份保持可比预测性能，ln(LDM)、LNC和NNI_leaf的R²分别为0.826、0.783和0.832，NRMSE分别为9.14%、12.06%和5.51%；尽管LNC相对误差高于ln(LDM)，但推导的NNI_leaf在三者中NRMSE最低，与2023年交叉验证相比NNI_leaf的R²保持相似水平并略升（0.812至0.832），而ln(LDM)和LNC的R²中度下降，验证点围绕1:1线分布于观测范围，支持间接NNI_leaf估算框架在测试条件下的跨年适用性。

**NNI_leaf定义的生理氮基线与生产规模应用**：NNI_leaf在低至中等施氮量下随总氮投入快速增加，高氮供应下趋于平台；观测平均NNI_leaf从N0约0.75增至N75的0.99，N100–N150均值维持在约1.01–1.03，表明额外氮的生理响应主要发生在常规N100处理以下，进一步增氮仅使NNI_leaf小幅增加。基于拟合二次响应的未舍入系数，预测NNI_leaf首次达到1的施氮量为82.5 kg N ha^?1，被指定为NNI_leaf定义的生理氮基线（N_phys），而非通用产量或品质最大化最优值。以N_phys为生理氮基线，固定基肥氮量为41.25 kg N ha^?1；2024年6月8日无人机调查后当日计算并实施基于NNI_leaf的追肥量。全生产田总氮推荐约为80至120 kg N ha^?1，田间平均97.12 kg N ha^?1；田间平均推荐超过N_phys反映的是分配给诊断为氮亏缺空间单元的额外氮而非生理基线本身的变化。跨年生产规模示范中，同一示范田2023年常规管理施氮100.00 kg N ha^?1，平均产量2250.81 kg ha^?1，产量CV为10.63%；2024年基于NNI_leaf管理施氮97.12 kg N ha^?1，平均产量2322.35 kg ha^?1，CV为7.86%；年际差异为氮投入?2.88 kg N ha^?1、产量+71.54 kg ha^?1、产量CV?2.77个百分点。

**讨论部分总结**

研究将临界氮概念适配于烟草叶片器官，因叶片既是主要光合器官又是收获经济产品，具有特殊相关性。各氮处理下LDM逐步增加后趋于平台，而LNC对额外氮保持更强响应，这种分离表明叶片氮浓度增加不一定转化为叶干物质的成比例增益，仅基于绝对LNC的诊断可能混淆组织氮供应与作物发育状态和生物量水平；通过将实测LNC对给定LDM所需临界浓度进行归一化，NNI_leaf提供了随叶片器官生长需求变化调整氮信号的相对氮充足性度量。拟合的临界叶片氮关系不同于经典单调稀释形式，因临界LNC随ln(LDM)先增后降；经典临界氮理论描述组织氮浓度随植物生物量增加而渐进下降，反映结构稀释和富氮代谢组织分配变化的综合效应，以往烟草研究一般报道幂函数稀释曲线，如烟稻轮作下叶片临界氮曲线N_c = 3.2339 × DM_leaves^?0.475、贝叶斯叶片尺度分析获得N_c = 2.74 × LDM^?0.22、多品种研究报道通用烟草曲线N_c = 3.45 × W^?0.39，近期还开发了基于累积温度的烟草茎叶氮诊断方法；相比之下，本研究数据集包含叶干物质尚小且快速扩展的极早期观测，此阶段光合活跃叶组织的建成可能需要在生物量稀释占主导前快速增加蛋白、叶绿素和代谢氮，因此二次关系的上升段被解释为早期氮浓度建立阶段，ln(LDM)约达5.2后进入更熟悉的稀释阶段，该解释特定于叶片尺度和观测发育窗口，不应视为全株烟草氮稀释本质为二次的证据。二次关系的高拟合优度也需谨慎解释，仅4个季节临界点（每个2023年采样活动一个）用于拟合三参数二次模型，因此很高的R²主要表明所选函数紧密描述这4个点，本身并不证明广泛的生物学普适性；当前临界关系应视为测试品种、环境和采样窗口的经验生理参照，其主要价值在于为将LDM和LNC转化为NNI_leaf提供内部一致的基准，更广泛的参数推断需要跨生育期更密集采样、亏缺至充足过渡附近更多氮水平以及跨品种和环境的外部验证，这与以往临界氮参数可随基因型、环境和年份变化的证据一致。尽管存在该局限，NNI_leaf分布对施氮梯度表现出清晰的农艺响应：低氮处理集中于亏缺范围，N75代表向充足的过渡，N100–N150多数观测落在充足范围且最高施氮量下局部值超过1.05；同时LDM在氮投入约达N100–N125后不再持续增加，组织氮持续积累与有限额外干物质增益之间的解耦与奢侈氮吸收一致，说明仅凭绝对LNC可能产生误导。以往烟草临界氮研究同样表明NNI可区分氮限制与非氮限制条件并与产量和品质结果关联；在本框架中NNI_leaf因此充当生理桥梁，保留LNC所含信息同时将该信息缩放至所需支持的叶生物量。本研究无人机框架未将多光谱信息直接与施肥量或最终产量关联，而是分别估算ln(LDM)和LNC再通过临界叶片氮关系推导NNI_leaf，该结构保留了作物氮状况两个生理上不同的组分：LDM代表与叶生物量积累相关的生长需求，LNC代表保留在叶组织中的氮供应，通过NNI_leaf整合二者提供了从光谱观测到作物氮充足性的可解释路径，而非依赖单一经验植被指数或肥料需求的直接黑箱预测。所选多光谱特征支持这种信息划分：GRVI、GNDVI和CI_green保留用于ln(LDM)，与其对冠层绿度和结构发育的敏感性一致，而LNC特征集额外包含NDRE、MSAVI和MTCI；NDRE和MTCI在本数据集中与LNC呈负的汇总相关，这些方向不应解释为对叶片氮的普遍反向光谱响应，因为分析汇总了六个采样日期、跨越物候、冠层结构和组织氮浓度的显著变化，观测到的符号可能反映多时相结构和发育效应的综合而非与叶片氮的简单生化关系。这一解释也有助于说明多变量非线性模型为何有优势：2023年交叉验证中XGBoost相对PLSR使ln(LDM)、LNC和NNI_leaf的R²分别提高0.072、0.100和0.146，同时降低相应NRMSE，优势在推导的NNI_leaf上最大，表明所选光谱特征间的非线性交互有助于在生理归一化前重建两个组分性状。更重要的是2024年数据集未用于特征选择、模型拟合或超参数调优，使完整估算链可在独立年份评估，ln(LDM)、LNC和NNI_leaf的R²分别为0.826、0.783和0.832，表明框架在新季节实现下保持有用预测性能；NNI_leaf的NRMSE低于LNC提示对生长依赖临界参照的归一化可能部分吸收绝对组织氮浓度差异，但不应解释为间接NNI_leaf估算本质上优于直接NNI预测的证据，因为未评估直接NNI基线。跨年稳健性仍以测试产区为条件，独立年份小麦研究表明多源无人机模型可跨季节保持有用氮诊断性能，纳入气象和施肥协变量可进一步改善NNI估算，因此当前验证增强了对时间适用性的信心但不能替代多站点外部验证。观测几何和冠层垂直异质性带来额外不确定性来源，多角度无人机研究表明视角可改变多光谱指数对作物氮浓度的敏感性，明确考虑垂直氮异质性可在上层叶片主导天底视角信号时改善冠层氮估算；烟草形成垂直分层冠层且经济叶片从下至上逐步采收，这些效应可能随作物封行日益重要，未来工作可将天底多光谱观测与多角度测量、结构性状或选定环境协变量结合，此类增补不仅应评价精度还应评价运营成本，因为当前系统的实际优势在于相对简单的采集和处理链。本研究主要目标是超越诊断，将遥感氮状况转化为可操作的氮管理决策；遥感追肥已在冬油菜中利用分阶段高光谱推荐模型探索，近期无人机研究直接将估算NNI与农艺知识整合以生成并验证变量追肥推荐，这些研究表明遥感在嵌入决策框架而非仅用于绘制作物性状时最为有用；本烟草框架遵循相同总体方向但诊断变量获取方式不同：NNI_leaf由分别估算的叶片生长和氮浓度利用临界叶片氮参照推导，从而在指定施肥量前保留明确的供需解释。氮响应曲线确定82.5 kg N ha^?1为实验条件下拟合NNI_leaf达到1的最低总施氮量，因此将该值定义为N_phys，即NNI_leaf定义的生理氮基线而非通用农艺最优或均匀田间处方；生产规则有意将这一生理基线与空间校正分离，一半N_phys作基肥，其余量在追肥窗口根据无人机-derived NNI_leaf调整。亏缺补偿项中系数1.5的选择使规则在NNI_leaf = 1处保持连续：在此边界，(1.5 ? NNI_leaf)N_phys等于0.5N_phys，恰为生理基线剩余的一半；当NNI_leaf降至1以下，推荐量随氮亏缺幅度线性增加。因此该方程应理解为受实验测试氮范围约束的比例亏缺补偿规则，而非单独优化的肥料响应函数。这一区分也解释了为何田间平均推荐97.12 kg N ha^?1超过生理氮基线82.5 kg N ha^?1：N_phys代表实验响应曲线中与生理充足性相关的总氮量，而生产田均值反映将额外氮分配给局部亏缺单元后的空间平均；框架因此结合两个尺度的信息：氮水平试验建立通用生理参照，无人机传感识别生产田偏离该参照的位置。这种分离很重要，因为从影像直接预测最终施肥量可能掩盖推荐是由作物生长不良、组织氮低还是两者共同驱动。生产规模示范表明基于NNI_leaf的策略在略降低平均氮投入的同时伴随更高平均产量和更低产量变异性；较低产量CV对烟草生产尤其相关，因为改善空间均匀性可能减小田块内作物发育和叶片成熟差异，从而简化成熟度评估和采收调度并有助于提高收获产品一致性。然而同一生产田2023年常规管理、2024年采用拟议策略，年份特定天气和其他未测量因素可能贡献于观测差异，因此示范提供的是操作可行性证据而非产量收益的因果估计；更强验证设计应在同一年内比较常规与变量氮处理并在多个农场或生态区重复该比较。对烟草而言氮管理最终不能仅以生物量或产量评判，施氮量影响叶片成熟、烘烤行为、化学成分和商业品质，肥料响应可随土壤质地和养分供应条件变化，因此当前N_phys和追肥规则应视为测试生产环境的初始参数；其精度还受季节临界点数量少和亏缺至充足过渡附近氮间距较粗的限制，在约60至100 kg N ha^?1之间增加氮水平和在追肥窗口附近更频繁观测将改善生理响应分辨率并为细化推荐函数提供更强依据。未来验证应在多站点同年对照实验中联合评价NNI_leaf、收获产量、叶片等级、化学成分、氮利用效率和潜在环境氮损失；烟草产量制图和多源时间数据融合已为将本框架扩展到氮诊断之外提供补充工具，整合这些输出可使当前生理目标NNI_leaf = 1扩展为平衡生产力、产品品质、经济回报和环境绩效的多目标管理目标。因此本研究更广泛的贡献不是单一施肥量，而是一个透明决策链：无人机传感量化作物状态，临界氮框架对该状态进行生理解释，推荐规则将诊断转化为空间差异化氮管理。

**结论翻译**

本研究构建了一个基于生理信息的框架，将无人机多光谱传感与烟草叶片尺度氮诊断和变量氮管理相链接。基于ln(LDM)和LNC的临界叶片氮关系用于推导NNI_leaf，使组织氮状况能够相对于叶片生长需求而非仅凭绝对氮浓度进行解释。无人机多光谱影像结合特征选择和机器学习模型提供了ln(LDM)和LNC的可靠估算，基于XGBoost的工作流在独立2024年数据集中保持有用性能，ln(LDM)、LNC和NNI_leaf的R²分别为0.826、0.783和0.832。拟合的氮响应关系确定82.5 kg N ha^?1为NNI_leaf定义的生理氮基线（N_phys），对应于实验条件下拟合NNI_leaf = 1。当该基线与无人机-derived空间氮状况结合时，生产规模推荐平均97.12 kg N ha^?1，与常规管理相比伴随略低的氮投入、更高的产量和降低的产量变异性。该框架的贡献在于其从作物状态传感至生理解释再到空间氮调整的透明决策链。由于临界关系源自有限数量的季节点且生产比较跨年进行，在推荐参数可跨烟草种植环境推广之前，需要多站点和同年对照实验。