一种基于无人机的新型方法，该方法结合了光谱特征、纹理特征以及冠层分层信息，以准确估算棉花植株中氮素的垂直分布情况

《Computers and Electronics in Agriculture》：A novel UAV-based fusion of spectral and textural features with canopy stratification for accurate estimation of vertical nitrogen distribution in cotton

　　古尔达娜·萨尔森（Guldana Sarsen）|邱翔唐（Qiu-xiang Tang）|李亚斌（Ya-bin Li）|包龙龙（Long-long Bao）|徐宇航（Yu-hang Xu）|孙光云（Guang-yun Sun）|吴建文（Jian-wen Wu）|阿布来提·叶尔西阿提（Yierxiati Abulaiti）|吕青青（Qing-qing Lv）|梁福斌（Fubin Liang）|张娜（Na Zhang）|郭仁松（Ren-song Guo）|王亮（Liang Wang）|崔建平（Jian-ping Cui）|张鹏中（Peng-zhong Zhang）|林涛（Tao Lin）

新疆棉花技术创新中心，新疆棉花遗传改良与智能生产重点实验室，国家棉花工程技术研究中心，新疆维吾尔自治区农业科学院棉花研究所，乌鲁木齐830091，中国

摘要

准确监测植物氮积累（PNA）对于棉花这种具有复杂多层次冠层的作物的精准管理至关重要。现有的无人机（UAV）遥感方法主要依赖于冠层顶部光谱植被指数（VIs），如NDVI，但这些方法容易受到信号饱和的影响，无法捕捉冠层内氮的垂直异质性。为了更好地解决这些限制，本研究开发并严格验证了一个创新框架，该框架将多源UAV特征与垂直冠层分层策略相结合。我们进行了一项全面的水氮耦合田间实验，并提取了关键的光谱指数（例如NDRE、GNDVI）和纹理特征（例如熵、对比度）。在分层和全株场景下评估了三种机器学习模型。结果表明，在分层框架内融合VIs和纹理特征可以显著提高不同冠层层的估计性能。应用于上层冠层的随机森林回归模型取得了最高的性能（R2 = 0.833，RMSE = 1.463 g m?2），而传统的全株方法得到的R2仅为0.494。此外，分层策略能够定量描述棉花冠层内的动态氮分布模式，在花蕾期氮的分配相对均匀，而在结铃期光合作用活跃的中层和上层氮浓度较高（例如，中层PNA达到121.84 kg ha?1）。本研究提供了关于冠层氮分布的三维视角，有助于将基于UAV的观测结果与生理过程联系起来，并为棉花及其他具有复杂冠层结构的作物的精准氮管理提供了潜在途径。

1. 引言

棉花（Gossypium hirsutum L.）是一种全球重要的纤维作物，也是纺织工业的基石。氮是一种必需的大量营养元素，在植物的关键生理过程中起着重要作用，包括蛋白质、叶绿素和核酸的合成，从而直接影响光合作用效率和作物产量（Berger等人，2020年）。然而，在传统的耕作实践中，为了追求更高的产量，常常过量施用氮肥，导致生产成本增加和不良环境影响，如地下水污染和温室气体排放（Wei等人，2024年；Ahmed等人，2017年）。因此，准确及时地监测作物氮状态对于支持精准施肥、提高资源利用效率、减轻生态足迹和改善产量质量至关重要（Yang等人，2025年；Xu等人，2023年）。

传统的确定作物氮状态的方法主要依赖于破坏性采样和随后的实验室化学分析。尽管这些方法被认为是准确的，但它们耗时、空间受限且劳动密集，不适用于大规模、高分辨率的氮管理。随着技术的进步，无人驾驶飞行器（UAV）已成为一种强大且多用途的作物监测工具。UAV能够快速获取高空间和时间分辨率的光谱图像，便于提取与氮水平相关的植被指数（VIs）（Fu等人，2021年；Lu等人，2021年）。大量研究表明，基于UAV的多光谱和高光谱数据在估算各种作物（包括棉花、小麦和水稻）的氮含量方面具有巨大潜力（Pei等人，2023年；Song等人，2021年）。然而，大多数现有的基于UAV的氮估算方法存在一个关键限制：这些方法主要依赖于来自冠层顶部或复合全冠层反射率的数据，实际上将冠层视为一个单一的、均匀的层（Wang等人，2018年；Li等人，2022年）。这种传统范式忽略了作物冠层在垂直维度上的显著结构和生化异质性。在棉花等具有复杂多层次结构的作物中，中层和下层叶片经常被遮挡。这种遮挡会导致光谱信号减弱和饱和效应，例如归一化差异植被指数（NDVI）在高叶面积时失去敏感性，严重影响了估算模型的准确性和稳健性（Li等人，2013年）。此外，仅基于光谱的方法不足以描述关键的空间变化——如叶片聚集、间隙分布和冠层粗糙度——这些变化与氮分配、光截获和三维冠层空间内的整体植物活力生理过程密切相关。

为部分解决这些问题，从高分辨率UAV图像中提取的纹理特征（TFs）被引入作为补充数据源，以量化冠层内的局部空间模式和结构变异性（Yue等人，2019年；Yang等人，2021年）。来自灰度共生矩阵（GLCM）的熵、对比度和相关性等特征有助于区分结构异质性，从而提高对局部氮缺乏和过剩的检测能力，并可能减少与冠层复杂性和遮挡相关的误差（Xu等人，2023年；Li等人，2013年）。光谱VIs和TFs的融合已成为一种越来越常见的策略，用于增强各种农艺参数的估算，因为它结合了生化和结构信息（Ding等人，2022年；Li等人，2023年）。然而，这种融合方法的一个主要问题是，它通常只是对全冠层估算的“黑箱”增强，而没有明确解卷积或验证不同垂直冠层层的贡献。

与此同时，垂直冠层分层的概念作为植物生态学和遥感中的一个强大分析策略出现，用于阐明不同冠层层中生物物理属性（如生物量和叶面积）的分布（Li等人，2013年；Hu等人，2025年）。这一策略认识到冠层不是一个整体实体，而是一个根据源-汇关系和功能优先级非均匀分布的光、氮和生理活动的垂直分级环境（Yao等人，2015年；Wang等人，2024年）。虽然分层在估算分层生物量方面显示出潜力，但其应用于监测氮积累（PNA）的垂直分布——这是光合作用能力和产量形成的关键决定因素——的研究仍然不足，特别是对于像棉花这样的复杂冠层作物。关键的是，很少有研究系统地将UAV衍生的多源特征（VIs和TFs）与专门为PNA设计的垂直分层地面真实值框架相结合。这种缺乏分层验证循环的限制了我们对于哪些遥感信号对应于特定冠层层中的氮状态的机制理解，阻碍了真正稳健且生理可解释模型的发展。

因此，本研究的主要创新不在于特征融合或分层的各个组成部分，而在于它们在一个有针对性的框架内的有系统和目标的整合，以解决一个具体问题：准确估算棉花中垂直分布的氮。我们认为，VIs、TFs和垂直分层提供了互补的信息流：光谱数据主要反映了阳光照射叶片中的氮的生化特性，TFs捕捉了受整体冠层氮状态和结构影响的空间结构异质性，而垂直分层提供了揭示氮实际分层分布模式的关键地面真实值链接。我们假设光谱指数、TFs和垂直分层策略的协同融合可以通过明确解决冠层垂直异质性来提高棉花氮监测的生理可解释性和稳健性。

本研究的具体目标是：（i）在全面的水氮耦合实验设计下，量化VIs和TFs对估算棉花植物氮积累（PNA）的单独和综合贡献；（ii）评估垂直冠层分层策略与传统全冠层方法之间的估算性能差异，并分析PNA的垂直分布模式；（iii）评估所提出的多源、分层框架在不同水分和氮生长条件下的适用性和稳定性。通过解决这些目标，本研究旨在超越简单的全冠层相关性，提供一个高效且具有机制信息的框架，为诊断棉花和其他结构复杂作物的氮分布提供三维视角。

2. 材料与方法

2.1. 研究区域描述

实验于2024年4月至10月在新疆农业科学院棉花研究所的实验基地进行，该基地位于塔里木盆地北部边缘（40°27′N，80°21′E，海拔1025米）。该地区是一个主要的棉花生产区，具有典型的干旱大陆性气候，阳光充足，昼夜温差大。年平均气温为11.5°C，年降水量仅为46.4毫米，农业完全依赖灌溉。实验地点的土壤被分类为沙壤土，具有良好的渗透性和排水特性。

2.2. 实验设计

采用两因素分割区设计进行田间试验，灌溉水平作为主区因素，氮施用量作为子区因素（图1）。灌溉处理包括五个基于作物水分需求（CWR）的水平：40% CWR（W1，2250 m3 ha?1）、55% CWR（W2，3150 m3 ha?1）、70% CWR（W3，4050 m3 ha?1）、85% CWR（W4，4950 m3 ha?1）和100% CWR（W5，5850 m3 ha?1）。氮处理包括四种使用尿素（46.4% N）的氮施用量：0 kg ha?1（N1）、150 kg ha?1（N2）、300 kg ha?1（N3，常规用量）和450 kg ha?1（N4）。这种实验设计旨在覆盖从严重缺乏到过剩的广泛农艺范围，确保能够准确估算整个冠层氮状态和结构变异性，适用于商业绿洲棉花生产系统。

下载：下载高分辨率图像（762KB）
下载：下载全尺寸图像

图1. 研究区域概览。注意：
(a) 中国境内研究区域的位置；
(b) 新疆行政区划图；
(c) 试验田的详细布局，展示了不同水分（W1-W5）和氮（N1-N4）处理的分割区设计。需要在面板c中添加比例尺和北箭头以供地理参考。

每个小区面积为47.6平方米（7米×6.8米），每种处理组合有四个重复。种植的棉花品种为‘新陆中88’，采用覆盖物和滴灌，在六行机械收割配置下种植，具体种植方式为[(66厘米+10厘米)+76厘米]×11厘米。除规定的灌溉和氮处理外，所有其他田间管理措施在所有小区中保持一致。

2.3. 数据收集

2.3.1. 地面测量

在四个关键生长阶段进行了植物采样：花蕾期（BS，6月13日）、开花期（FS，7月7日）、结铃期（BSS，8月9日）和开铃期（BOS，9月6日）。每个小区选择了三株代表性植物并进行了仔细测量。从地面到顶端分生组织记录了植物高度。根据主茎高度，每株测量植物被垂直分为三个等高的层次：下部（底部）、中部（中间）和上部（顶部）。随后，这些分层样本在105°C下烘干30分钟以失活酶，然后在85°C下烘干至恒定重量，以确定地上生物量（AGB）。干燥的植物组织被均匀研磨，使用标准Kjeldahl方法与H2SO4–H2O2消化和Nessler比色法量化植物氮浓度（PNC）。随后使用以下公式计算PNA：
(1) PNA = PNC × AGB
其中PNA表示植物氮积累（kg ha?1），PNC表示植物氮浓度（%），AGB表示地上干生物量（kg ha?1）。

2.3.2. 光谱图像获取

在晴朗天气条件下，于当地时间14:00至16:00（对应于研究区域的太阳正午，UTC + 8）同时进行遥感图像采集。选择这个时间窗口是为了确保太阳高度角较高，使太阳入射角接近垂直于地面，从而最小化冠层阴影效应和图像中的光照不均匀性。使用的平台是DJI Matrice 210 RTK V2无人机（DJI Innovations，深圳，中国），配备了两个传感器：一个RedEdge-MX双光谱相机（MicaSense Inc.，西雅图，美国），捕获五个光谱带（蓝光、绿光、红光、红边、近红外），以及一个Zenmuse XT2 RGB相机（DJI，深圳，中国）。飞行任务在距地面30米的高度进行，使得多光谱图像的地面采样距离（GSD）约为2.0厘米，RGB图像的GSD约为0.8厘米。选择这种高空间分辨率是为了充分解析棉花冠层的结构纹理。所有飞行都采用了75%的前向和侧向重叠，以确保高质量的图像拼接和3D重建。无人机的飞行速度保持在2米每秒，图像以2米的间隔在等距触发模式下捕获。在实验区域内均匀分布了18个地面控制点（GCPs），以确保精确的几何校正。飞行规划和自主执行是通过DJI Pilot应用程序管理的。在每次飞行任务之前和之后，通过捕获经过校准的反射面板（由MicaSense提供）的图像来进行关键的辐射度校准，将原始数字转换为表面反射率值。从数据采集到模型估计的完整技术工作流程总结在图2中。下载：下载高分辨率图像（385KB）下载：下载全尺寸图像图2. 估算植物氮积累的技术工作流程。2.3.3. 光谱图像的预处理使用Pix4D mapper软件（v. 4.5.6，Pix4D S.A.，瑞士）处理多光谱和RGB图像，以生成正射影像和数字表面模型（DSMs）。该过程包括图像拼接、使用面板数据进行辐射度校准以及基于GCPs的几何校正。为了解决不同成像日期之间的潜在位置变化，并确保时间序列分析的精确空间对齐，将得到的正射影像在ArcGIS（v.10.6，ESRI，美国）中进一步进行地理参考和配准。通过为每个单独的样地划定矢量边界并将其叠加在地理参考图像上，排除了非实验区域。这样就可以仅从感兴趣的实验样地中批量提取光谱和纹理数据。2.4. 特征提取2.4.1. 光谱指数提取作为光谱带组合的VI（植被指数）是增强植被信号的指标，通常比单个光谱带对作物生物物理参数更敏感（Yang等人，2023年）。在这项研究中，使用ENVI软件（版本5.6，Hexagon Geospatial，斯德哥尔摩，瑞典）从样地掩膜中提取每个光谱带的冠层反射率值。基于对现有文献的全面回顾，选择了13个已知对作物氮状态和冠层特征敏感的VI作为PNA估计的候选特征（表1）。这些指数被选用来代表植物生理学的不同方面，包括叶绿素含量、绿色生物量和冠层结构。表1. 使用的植被指数及其计算公式。植被指数公式参考标准化差异植被指数（NDVI）(NIR-R)/(NIR+R) Tucker, 1979绿色标准化差异植被指数（GNDVI）(NIR-G)/(NIR+G) Candiago等人，2015优化土壤调整植被指数（OSAVI）1.16*(NIR-R)/(NIR+R+0.16) Rondeaux等人，1996土壤调整植被指数（SAVI）1.5*(NIR-R)/(NIR+R+0.5) Hatfield和Prueger，2010绿色-红色植被指数（GRVI）(G-R)/(G+R) Ballester等人，2019比率植被指数（RVI）NIR/R Yang等人，2023绿色叶绿素指数（GCI）NIR/(G-1) Gitelson等人，2003增强植被指数2（EVI2）2.5*(NIR-R)/(NIR+2.4*R+1) Zhen等人，2023标准化差异红边指数（NDRE）(NIR-RE)/(NIR+RE) Chen等人，2023重新标准化差异植被指数（RDVI）(NIR-R)/NIR+R*0.5 Roujean和Breon，1995可见大气阻力指数（VARI）(G-R)/(G+R-B) Gitelson等人，2002修改后的绿色红色植被指数（MGRVI）(G2-R2)/(G2+R2) Bendig等人，2015差异植被指数（DVI）NIR-R Hernandez等人，2024注意：R：红色光谱带的反射率；G：绿色光谱带的反射率；B：蓝色光谱带的反射率；NIR：近红外光谱带的反射率；RE：红边光谱带的反射率。2.4.2. 纹理特征提取为了捕捉光谱数据无法单独传达的冠层内部的空间和结构变化，从RGB正射影像派生的高分辨率灰度图像中提取了八个纹理特征（TFs）。应用灰度共生矩阵（GLCM）来量化像素灰度值之间的空间关系。提取的特征包括平均值（MEA）、均匀性（HOM）、方差（VAR）、熵（ENT）、第二矩（SEC）、对比度（CON）和差异性（DIS）以及相关性（COR），这些特征被证明能够表征与氮状态相关的结构模式（Yue等人，2019）。例如，方差和对比度捕捉空间异质性，而熵反映结构复杂性。所有纹理特征都是使用ENVI软件按照既定方法计算的。这些基于GLCM的特征的数学公式在方程（2）至（9）中提供。(2)MEA=∑i∑ji×Pi,j (3)HOM=∑i∑j11+i-j2Pi,j (4)VAR=∑i∑ji-u2Pi,j (5)ENT=-∑i∑jPi,jlogPi,j (6)SEC=∑i∑jPi,j2 (7)CON=∑n=0N8n2∑i=1N8∑j=1N8Pi,ji-j=n (8)DIS=∑n=1Ng-1n∑i=1N8∑j=1N8Pi,ji-j=n (9)COR=∑i∑ji,jPi,j-μxμyσxσy其中p (i, j)表示灰度共生矩阵中(i, j)位置的值；Ng表示量化图像中不同的灰度级别数量；μx和σx分别表示沿x方向和y方向的矩阵值的平均值和标准差；μy和σy分别表示沿y方向的平均值和标准差。2.5. 机器学习模型评估了三种算法：随机森林回归（RFR）用于具有多特征输入的稳健非线性建模（Peng等人，2025），支持向量回归（SVR）用于高维小样本泛化（James等人，2021），以及偏最小二乘回归（PLSR）用于缓解预测因子之间的多重共线性（Adesokan等人，2025）。超参数优化是通过五折交叉验证使用网格搜索进行的。关键参数及其搜索范围如下：对于RFR – 树的数量（n_estimators）[100, 200, 300]，最大树深度（max_depth）（Berger等人，2020，Gitelson等人，2003，James等人，2021），最小样本分割（min_samples_split）（Gitelson等人，2003，James等人，2021，Lu等人，2021），最小样本叶子（min_samples_leaf）（Bendig等人，2015，Candiago等人，2015，Ding等人，2022），以及最大特征数（max_features）['sqrt', 'log2', 0.3]；对于SVR – 正则化参数（C）[0.1, 1, 10, 100]，epsilon不敏感损失函数的epsilon [0.01, 0.1, 0.2, 0.5]，以及核类型（kernel）['rbf', 'linear', 'poly', 'sigmoid']；对于PLSR – 组件数量（n_components）（Berger等人，2020，Gitelson等人，2003，James等人，2021），缩放选项（scale）[True, False]，最大迭代次数（max_iter）[500, 1000]，以及容忍度（tol）[1e-06, 1e-08]。所有其他参数都保持scikit-learn库（Python 3.11）中的默认值。所有样本被划分为训练（70%）和测试（30%）子集。性能使用决定系数（R2）和均方根误差（RMSE）进行评估，其中较高的R2和较低的RMSE表示更好的预测准确性。为了确保可靠和无偏的评估，实施了五折GroupKFold交叉验证，按样地ID和飞行日期分组以最小化空间-时间泄漏，然后进行分组70/30保留测试以进行最终泛化评估。(10)R2=1-∑i=1n(yi-y^i)2∑i=1n(yi-yˉ)2 (11)RMSE=1n∑i=1n(yi-y^i)2其中yi是观测值，?i是预测值，yˉ是观测值的平均值，n是样本数量。较高的R2和较低的RMSE值表示更好的预测准确性。2.6. 统计方法使用灌溉和氮作为两个因素，通过双向方差分析（ANOVA）评估处理效应对PNA的影响。当ANOVA表明有显著效应时，应用Tukey的诚实显著差异（HSD）事后检验进行多重比较，显著性水平为α = 0.05。3. 结果3.1. 在水-氮处理下植物氮积累的动态PNA在生长阶段和处理组合中表现出显著的空间和时间动态，通过双向ANOVA进行了量化（图3）。观察到随着灌溉和氮输入的增加，PNA呈总体上升趋势，其中在芽期和结铃期处理效应最为明显。在芽期，低氮处理（N1和N2）在低到中低灌溉水平（W1、W2和W4）下显示出显著差异，而中等和高灌溉（W3和W5）有效地消除了这些由氮引起的差异，表明在这些条件下水分可用性是主要限制因素。下载：下载高分辨率图像（479KB）下载：下载全尺寸图像图3. 不同水和氮处理下棉花植物氮积累的动态。注意：BS（发芽期）；FS（开花期）；BSS（结铃期）；BOS（开铃期）；到结铃期，这种关系发生了变化。在中等和高灌溉水平（W3和W4）下，PNA显著超过了低灌溉处理（W1和W2）在相同氮水平下的PNA，突显了在此生长高峰期充足的水分供应的关键作用。在常规灌溉（W3）下，中等氮处理（N2和N3）产生的PNA显著高于低氮和高氮处理（N1和N4），表明存在一个最佳氮施用范围，超过这个范围额外的输入没有益处或可能有害。值得注意的是，在极端水分条件下（严重缺水W1或过度灌溉W5）的FS期间，或在大多数灌溉条件下的BOS（W2、W4、W5）期间，氮处理之间没有观察到显著差异，反映了水和氮之间的复杂相互作用。从开花到BSS的时期代表了氮积累的峰值阶段，占总季节积累的50%-60%，从而强调了其对氮需求和管理的关键重要性。3.2. 分层氮积累的特征垂直分层揭示了棉花冠层内氮分布的明显和动态模式，这在全植物分析中是隐藏的（表2）。在BS期间，氮在所有三个冠层层中的分布相对均匀（上层：21.00，中层：30.64，下层：28.68公斤/公顷），变异性低（变异系数，CV：0.28–0.40），表明在早期营养生长期间氮的分配策略稳定且平衡。表2. 不同生长阶段棉花分层氮积累的分布。生殖期层样本大小平均值（公斤/公顷）最小值（公斤/公顷）最大值（公斤/公顷）标准差系数BS上层6021.009.4232.475.840.28中层6030.6416.3052.799.110.30下层6028.6813.6259.6111.350.40FS上层6044.7716.37116.9918.470.41中层6062.8323.50193.0125.420.40下层6060.2912.28134.7227.380.45BSS上层6061.4711.27198.3636.180.59中层60121.8410.41224.7245.040.37下层6096.4620.33285.3157.480.60BOS上层6080.2417.41188.8441.630.52中层60131.9437.38274.9148.140.36下层6096.1512.41317.1263.110.66注意：BS（发芽期）；FS（开花期）；BSS（结铃期）；到FS期间，所有层的氮积累显著增加（上层：44.77，中层：62.83，下层：60.29公斤/公顷）。同时，下层的变异性显著增加（CV：0.45），表明对环境和生理影响的敏感性增加，如遮荫和氮的差异性再利用。在关键的BSS期间，中层冠层显示出最高的绝对氮积累（121.84公斤/公顷），反映了其作为光合作用活跃和氮需求高的区域的作用。与此同时，上层在这一阶段表现出最高的变异性（CV：0.59），可能是由于强烈的光照竞争和叶片之间的功能分化。在BOS期间，中层保持了高PNA（131.94公斤/公顷）以支持结铃，而下层的变异性进一步增加（CV：0.66），可能是由于复杂的叶片衰老和营养再利用过程。3.3. 机器学习模型的性能比较在所有特征集上观察到三种机器学习模型的估计性能存在显著差异（图4）。下载：下载高分辨率图像（846KB）下载：下载全尺寸图像图4. 不同机器学习模型在估算棉花氮积累方面的性能注意：(a) 使用植被指数的RFR、SVR和PLSR；(b) 使用纹理特征的RFR、SVR和PLSR；(c) 使用融合特征的RFR、SVR和PLSR。RFR模型表现出卓越且高度稳定的预测性能，在R2和RMSE方面始终优于SVR和PLSR。多特征融合策略显著提高了所有模型的估计准确性。VI和TF的组合比单独使用VI或TF改善了预测。RFR模型从这种融合中受益最大，使用融合特征集时达到了0.833的测试R2，表明其在互补信息整合和非线性特征提取方面的卓越能力。相比之下，当应用于纹理和融合特征时，PLSR表现出明显的过拟合，训练集和测试集之间的性能差距很大。SVR在不同特征类型上的整体准确性最低且性能不稳定。因此，由于其证明的稳健性和卓越的预测性能，强烈推荐使用RFR，将其确立为基于无人机的精确氮监测的可靠算法。3.4. 基于植被指数的分层棉花氮积累监测当仅使用VI时，所有三种机器学习模型都表现出随着冠层深度增加而性能下降的明显模式（图5）。对于上层冠层的PNA，始终实现了最高的估计准确性，其次是上层-中层冠层，而全植物估计的性能最差。这种模式与基于光学的无人机遥感的有限穿透能力一致，其中信号主要来自上层冠层。RFR模型在所有冠层层次上都表现出卓越和稳定的性能，测试R2值分别为0.748（上层）、0.646（上层-中层）和0.431（全植物）。相比之下，随着冠层深度和结构复杂性的增加，PLSR和SVR的预测能力逐渐减弱，这突显了表面敏感的VI在估算更深、更异质冠层层的氮状态时的局限性。下载：下载高分辨率图像（882KB）下载：下载全尺寸图像图5. 使用植被指数估算分层棉花氮积累的不同机器学习模型的性能。注意：(a) 使用RFR、SVR和PLSR的上层冠层PNA；(b) 使用RFR、SVR和PLSR的上层-中层冠层PNA；(c) 使用RFR、SVR和PLSR的全植物PNA。3.5.基于纹理特征的分层棉花氮积累监测效果

纹理特征（TFs）能够量化空间灰度分布和结构模式，为揭示冠层形态与氮含量之间的关系提供了宝贵的补充数据流（图6）。在所有冠层层次中，仅使用纹理特征时，RFR的性能优于SVR和PLSR。对于上层PNA的估计，RFR取得了最高的准确性（训练R2 = 0.762，测试R2 = 0.821），有效捕捉了叶片排列和密度的空间变化，这些变化反映了氮的状态。PLSR的表现较为中等（测试R2 = 0.644，RMSE = 2.068 g m?2），而SVR则表现出明显的过拟合迹象，其测试准确性显著下降（测试R2 = 0.646），与训练性能相比有明显差异。在上层-中层冠层中也观察到了类似的趋势，RFR保持了优越的性能（测试R2 = 0.665）。在整个植株层面，所有模型的准确性都有所下降，但RFR仍然是表现最好的（测试R2 = 0.434，RMSE = 8.231 g m?2），这表明纹理特征在监测深层冠层氮含量时存在固有的局限性，因为整体结构复杂性增加了。

下载：下载高分辨率图像（862KB）
下载：下载全尺寸图像

图6. 使用纹理特征估计分层棉花氮积累的不同机器学习模型的性能。注意：(a) 使用RFR、SVR和PLSR进行上层PNA估计；(b) 使用RFR、SVR和PLSR进行上层-中层PNA估计；(c) 使用RFR、SVR和PLSR进行整个植株PNA估计。

3.6. 基于特征融合的分层棉花氮积累监测效果

结合视觉指数（VIs）和纹理特征的特征融合显著提高了冠层各层次PNA的估计准确性，克服了单一数据源的局限性。如图7所示，RFR的表现始终优于其他模型，测试R2值分别为0.833（上层）、0.668（上层-中层）和0.495（整个植株）。PLSR和SVR在融合特征后也表现有所提升，尽管随着冠层复杂性的增加准确性有所下降。结果表明，多源特征融合增强了氮估计的稳健性和精度，其中RFR在处理复杂非线性关系时最为有效。这种方法为棉花生产的精确氮管理提供了可靠的遥感解决方案。

下载：下载高分辨率图像（866KB）
下载：下载全尺寸图像

图7. 使用融合的光谱和纹理特征估计分层棉花氮积累的不同机器学习模型的性能。注意：(a) 使用RFR、SVR和PLSR进行上层PNA估计；(b) 使用RFR、SVR和PLSR进行上层-中层PNA估计；(c) 使用RFR、SVR和PLSR进行整个植株PNA估计。

3.7. 棉花氮积累的反演映射

基于最优估计模型（结合上层冠层融合特征的RFR），生成了棉铃形成期（BSS）的高分辨率空间反演图，清晰地展示了实验区域内氮的分布情况（图8）。地图清楚地显示了PNA的空间异质性，颜色强度（从绿色到红色）与PNA值（范围从0到19.44 g m?2）正相关，有效识别了氮积累低和高的区域。反演结果与这一时期的测量统计特征非常吻合（表2），包括平均上层PNA为6.147 g m?2，极端值为19.836 g m?2和1.127 g m?2。地图中的像素值分布与地面真实测量数据的统计特性一致，观察到的空间异质性模式与基于所施处理的农艺预期相符。这证实了生成的反演图可靠地代表了关键棉铃形成期上层冠层氮积累的实际空间分布，从而验证了所提出模型的强大区域适用性和空间推断能力。这一输出为在田间实施精确氮管理策略提供了直观可靠的基础。

下载：下载高分辨率图像（459KB）
下载：下载全尺寸图像

图8. 2024年8月9日棉花氮积累的空间分布。注意：颜色范围：0–20 g m?2；空间分辨率：5 cm；坐标系：WGS84/UTM 45 N；被地块多边形遮盖；超出[μ ± 3σ]的值被裁剪。

4. 讨论

准确监测氮积累是棉花精确氮管理的基础。本研究开发并验证了一个新的框架，整合了无人机光谱指数、纹理特征和冠层垂直分层策略，核心目标是超越纯粹的整个冠层视角，实现对复杂棉花冠层中氮状态的更生理学可解释的诊断。以下讨论将综合关键发现，阐明其背后的机制，明确这项工作在现有研究背景下的贡献，并探讨这种方法的局限性和未来发展方向。

4.1. 模型性能和特征融合机制

本研究开发并验证了一个框架，整合了无人机光谱指数、纹理特征和冠层垂直分层策略，核心目标是超越纯粹的整个冠层视角，实现对复杂棉花冠层中氮状态的更生理学可解释的诊断。具体来说，特征融合在不同特征配置之间导致了测试R2的明显差异，表明植被指数（VIs）和纹理特征（TFs）对氮估计的互补贡献。结合融合特征的上层冠层随机森林回归（RFR）模型取得了最佳性能（测试R2 = 0.833，RMSE = 1.463 g m?2），上层冠层模型与无人机衍生信号的关联明显强于全冠层配置（R2 = 0.833 vs. 0.494）（图7）。这一发现与普遍共识一致，即多源数据融合可以提高农业遥感监测性能（Ding等人，2022年）。RFR的优越性源于其处理高维非线性关系和对抗多重共线性的固有能力，使其特别适合处理由光谱和纹理数据组成的异构特征集（Peng等人，2025年）。相比之下，PLSR在处理纹理和融合特征时表现出明显的过拟合，这体现在训练集和测试集之间的性能差距较大（图6），这是由于其线性模型难以捕捉复杂空间结构；SVR的表现相对不稳定，对参数选择和样本大小更为敏感（James等人，2021年）。值得注意的是，特征融合带来的性能提升在上层冠层最为明显，RFR模型的R2从全冠层增加到上层增加了约0.33。这表明，在传感器信号最直接和丰富的冠层区域，光谱和纹理信息之间的互补关系可以得到最有效的利用。

尽管特征融合策略已被广泛探索，但本研究将其置于一个垂直分层的验证框架中，赋予了它们新的含义。性能变化不仅仅是统计指标的优化，而是反映了更全面的冠层条件表征：植被指数（例如NDRE）主要响应上层冠层阳光照射叶片的生化氮属性（Chen等人，2023年），而纹理特征（例如熵（ENT）、对比度（CON）量化了由上层氮状态驱动的冠层结构异质性的空间表达（Yang等人，2021年）。例如，通过相关性分析，本研究发现NDRE与叶片氮含量呈最强正相关（r = 0.72，P < 0.001），而纹理特征中的熵（ENT）与氮的空间异质性呈显著负相关（r = -0.68，P < 0.001）。这两个维度的融合实现了“生化表达”和“结构表现”的协同解释，从而在处理复杂冠层和环境变化时提供了比单一数据源更强大的估计能力。

4.2. 光谱和纹理特征的互补性及其垂直表示

对结果的深入分析揭示了光谱和纹理特征在表征氮状态方面的不同作用和互补机制。光谱指数，特别是利用红边带的NDRE，与叶片氮含量表现出最强的直接相关性，这与红边区域对叶绿素浓度的敏感性密切相关（Gitelson等人，2003年）。然而，宽带指数（例如NDVI）在全冠层估计中的性能下降，定量证实了它们在密集棉花冠层中的饱和效应，导致R2下降（Pei等人，2023年；Xu等人，2022年）。本研究通过分层清楚地表明，这种饱和效应的影响具有垂直梯度，从上层冠层（仅使用VI时的R2 = 0.748）到全冠层（R2 = 0.431），显著限制了被动光学遥感在中层和下层冠层中直接检测氮的能力（Wang等人，2018年；Li等人，2022年）。纹理特征通过量化冠层表面的空间异质性提供了氮状态的间接结构表征（Yang等人，2021年）。例如，本研究发现氮缺乏地块（N1）的纹理熵（ENT）值显著高于氮充足地块（N3）（P < 0.05），反映了氮胁迫下更无序和异质的冠层结构。这些结构变化源于氮对叶片发育、扩展和冠层架构的影响。纹理特征的优势在于它们对生理过程引起的结构变化具有更高的敏感性，它们捕获的空间模式信息可能与纯反射光谱不同，因为辐射传输中的散射路径的影响（Revenga等人，2024年）。因此，即使下层信息的贡献较小，纹理特征仍可以从上层空间模式中提取与整体氮状态相关的线索，为建模提供有价值的补充信息（Yue等人，2019年）。

4.3. 垂直分层策略的科学价值和意义

本研究的结果表明，氮积累估计的准确性从冠层顶部到底层逐渐下降，上层模型的性能（R2 = 0.833）明显优于全冠层模型（R2 = 0.494）。这种现象本质上是被动光学遥感物理原理的体现：传感器接收到的信号主要来自冠层最顶层的贡献，对于中层和下层的穿透和检测能力有限。因此，本研究的结果并没有“克服”光谱饱和效应，而是系统地量化了棉花冠层中这种效应的具体强度和垂直梯度（R2下降了约0.33），提供了当前无人机多光谱遥感技术用于氮积累监测的有效感知边界的第一个详细评估。

垂直分层策略的核心科学贡献在于它能够揭示棉花冠层中氮积累的垂直分布模式。基于分层破坏性采样的测量数据显示，在生长期间，棉花氮积累表现出动态的垂直分布模式：在芽期（BS），氮在冠层的每一层中分布相对均匀（上层：21.00 kg ha?1；中层：30.64 kg ha?1；下层：28.68 kg ha?1）。在铃期（BSS），氮在中层冠层中显著集中，那里光合作用活跃（中层：121.84 kg ha?1），其积累量远超过上层（61.47 kg ha?1）。直到开放期（BOS），中层仍保持最高的氮积累量（131.94 kg ha?1）以支持棉铃填充，上层积累量也增加到80.24 kg ha?1。这种模式与作物生理学的“功能叶片优先”原则和源汇协调理论高度一致（Yao等人，2015年；Wang等人，2024年）。这一机制层面的发现无法通过基于顶部或整个冠层混合信号的任何反演模型直接提供，因此代表了从“二维表面监测”向更生理学可解释的“三维体内诊断”冠层氮分布的实质性进步（Li等人，2013年）。

本研究的结果表明，整合层次信息以优化整个植株估计的潜在途径。简单地累积每一层的估计值将放大下层估计的不确定性。一种更生理学上有意义的方法是使用本研究中发现的氮积累模式作为先验知识，构建一个“自上而下”的约束模型。例如，未来的模型可以尝试使用高精度的上层（或中层）遥感估计结果，结合不同生长阶段冠层中氮垂直分布的经验模型（Li等人，2013年），间接推导和校准整个植株的氮积累量。这为研究提供了一个新的方向，将机制理解整合进来，有望缓解当前全冠层遥感模型的精度瓶颈，同时为未来的方法发展提供了一条基于生理学的路径。4.4. 模型适应性、比较和应用潜力 本研究构建的最优模型在从缺氮到富氮的各种水氮耦合处理条件下保持了稳定的性能，并展示了良好的环境适应性。尽管水与氮之间的相互作用增加了环境的变异性，但在所有处理条件下，该模型的R2波动小于10%，RMSE变异系数小于0.05 kg m?2。水条件不仅影响作物生理，还改变冠层结构，这可能会干扰氮的光谱诊断。纹理特征对由水分胁迫引起的结构变化的敏感性，如叶片卷曲和冠层覆盖度降低，可能在一定程度上帮助模型区分水和氮胁迫的影响，这是仅依赖光谱的模型所面临的挑战（Li等人，2023年）。与类似研究相比，本研究的层特异性估计性能相当或更强。例如，在棉花上，估计上层氮积累的准确性明显优于传统的全冠层方法；与使用特征融合来估计小麦和水稻等作物中氮参数的研究（Ding等人，2022年；Yang等人，2021年）相比，本研究在提供垂直分辨的氮信息方面处于领先地位，而不仅仅是追求全冠层的准确性。更重要的是，本研究首次提供了棉花氮积累垂直分布的定量数据集和反演示例，为类似研究设定了一个可比较的基准。该框架的应用潜力体现在多个层面：基于最优模型生成的高分辨率上层冠层PNA空间分布图（图8）有助于划分氮状态的相对空间差异，为变量氮管理提供潜在的参考信息。了解上层和中层冠层中氮的聚集模式可能有助于未来设计更符合内部氮分配动态的施肥策略，例如在关键生长期加强对冠层中部的养分供应；此外，监测垂直氮分布模式为评估农艺措施（如品种选择和种植密度优化）提供了额外的视角（Li等人，2022年）。4.5. 局限性和未来展望 本研究有几个局限性。首先，实验是在受控区域进行的，模型在更大规模和更高异质性的商业田地中的泛化能力需要进一步验证。其次，所使用的多光谱传感器的波段设置相对较宽，这可能限制了它们对特定生化成分的敏感性及其在复杂信号解混方面的潜力。第三，当前模型属于静态反演，尚未能够实现氮需求的动态预测。此外，尽管本研究采用的垂直分层策略有效揭示了层特异性氮积累模式，但尚未将上层、中层和下层冠层的信息明确整合到一个统一的全植物估计模型中。这一限制主要是由于冠层内部的辐射和结构异质性造成的。冠层高度的变化会显著影响光谱响应、结构特征、光照均匀性（例如，阴影大小和分布）以及不同垂直层之间的辐射传输路径，从而导致冠层内部信号贡献的异质性（Verhoef和Bach，2007年；Widlowski等人，2015年）。这种垂直异质性对直接汇总层级估计提出了挑战，因为简单的整合可能会放大不确定性，特别是在遮荫或光学饱和的下层冠层区域。因此，未来的研究应系统地探讨垂直冠层结构如何影响光谱、结构和辐射特性，以及如何通过改进的建模策略（如基于辐射传输的约束、多角度观测或主动传感数据（例如LiDAR）与被动光学测量的整合）来缓解这些效应（Yang等人，2021年）。这些努力将为整合多层信息提供更坚实的物理基础，并进一步提高复杂冠层系统中全植物氮积累的机制理解和估计精度。基于上述局限性，未来的研究可以深入以下方面：1）规模扩展和验证：在多样的生态区域和种植模式下测试和优化模型，以提高其普遍性。2）数据源扩展：整合多模态遥感数据，如高光谱、热红外和LiDAR，以更全面地感知作物结构和生理状态，并探索更敏感的作物胁迫诊断指标（Berger等人，2020年）。3）机制模型耦合：将遥感反演结果与作物生长模型（如APSIM）结合，模拟和预测氮动态，并构建“监测-预测-决策”的闭环。4）智能方法探索：在数据量充足的情况下，探索深度学习和其他算法在特征自动提取和复杂关系建模中的应用（Wang等人，2024年）。5）框架迁移：将本研究提出的垂直分层融合框架应用于其他具有复杂冠层结构的作物，如小麦和玉米，以验证其方法学价值（Hu等人，2025年）。总之，本研究通过整合多源遥感特征和垂直分层验证，建立了一个分层的棉花氮积累估计框架（最优上层模型的R2 = 0.833）。同时，结果揭示了冠层内氮的垂直分布模式，从而帮助将基于UAV的遥感观测与棉花中的生理学有意义的过程联系起来。这项工作为精准农业中的三维作物表型特征提供了可行的概念和方法学参考。5. 结论 本研究建立了一个基于UAV的框架，该框架整合了多源遥感特征和垂直冠层分层，以研究棉花中植物氮积累（PNA）的分布。通过结合植被指数、纹理特征和分层破坏性采样，结果揭示了不同冠层层间的估计性能差异，其中上层冠层与UAV衍生信号的关联最强。重要的是，分层策略使得能够定量描述棉花冠层内的氮分布模式，提供了无法仅通过混合顶部或全冠层观测获得的氮分配的机制洞察。该框架在水氮耦合条件下表现出稳定的性能，表明其适用于田间分析。本研究不仅直接改进了全植物氮积累的估计，还提供了冠层氮分布的三维视角，并有助于澄清当前UAV多光谱数据的有效感测限制。这些发现为未来旨在开发更基于生理学和综合方法的棉花及其他具有复杂冠层结构作物氮监测的研究提供了概念和方法学参考。未来的工作将探索整合其他数据源，如热红外和叶绿素荧光，以进一步研究胁迫响应和动态氮过程。CRediT作者贡献声明 Guldana Sarsen：撰写——原始草稿、方法论、调查、正式分析、数据管理、概念化。Qiu-xiang Tang：监督、数据管理。Ya-bin Li：数据管理。Long-long Bao：数据管理。Yu-hang Xu：数据管理。Guang-yun Sun：调查、数据管理。Jian-wen Wu：调查、数据管理。Yierxiati Abulaiti：调查、数据管理。Qing-qing Lv：数据管理。Fubin Liang：调查、数据管理。Na Zhang：调查、数据管理。Ren-song Guo：调查、数据管理。Liang Wang：调查、数据管理。Jian-ping Cui：监督、方法论、数据管理。Peng-zhong Zhang：监督、数据管理。Tao Lin：撰写——审阅与编辑、监督、项目管理、方法论、概念化。