《Computers and Electronics in Agriculture》：RNT_Wheat: A near-real-time UAV framework based on optimized sampling and improved SI for nitrogen topdressing
编辑推荐：
氮素精准管理；无人机遥感；空间变率；智能采样；近实时处理
唐傲华|杨贵军|陈维南|文宏伟|张静|徐波|冯海光|孟阳|李海丽|李振宏
中国西安长安大学地质工程与地理信息学院黄土科学国家重点实验室，邮编710064
摘要
氮（N）是冬小麦生长的重要营养元素，直接影响植物的活力、产量和籽粒质量。优化氮管理对于提高氮利用效率和作物产量同时减少环境影响至关重要。高分辨率、非破坏性的无人机（UAV）遥感技术已成为田间氮肥推荐的有力工具。然而，现有的基于UAV的变量施肥推荐（VRNR）方法受到耗时图像拼接和复杂算法参数化的限制，无法实现近乎实时的自动化施肥。为了解决这些问题，我们提出了RNT_Wheat模型，这是一个针对冬小麦拔节期的智能框架，用于近乎实时的变量施肥推荐（此处定义为处理效率小于5分钟/公顷）。该框架包括两个关键组成部分：（1）一种智能采样-插值方法，替代了传统的图像拼接技术，能够快速捕捉作物生长的空间变异性；（2）一种改进的充足度指数（SI）算法，结合了基于目标产量的总氮量估算和基于作物生长的施肥策略。结果表明，与传统方法相比，我们的采样-插值方法能够准确捕捉田间生长变异性（相关系数r=0.75；均方根误差nRMSE=0.26；平均绝对误差MAE=0.05），同时将计算负担降低到287秒/公顷（整个研究过程耗时224秒），从而实现快速决策。改进的SI算法提供了更宽的氮肥推荐范围（Nrec1：50–173.3公斤氮/公顷；Nrec2：50–158.5公斤氮/公顷），并使施肥推荐更加符合作物生长实际情况。根据模型模拟，在氮缺乏条件下，应用RNT_Wheat可使产量潜力分别增加3.02吨/公顷（Nrec1）和2.97吨/公顷，相应的预计净利润分别为6576.85元人民币和6479.43元人民币。在氮供应充足的情况下，RNT_Wheat能够在减少氮肥投入约20%的同时保持产量和经济效益。如果将该算法扩展到卫星尺度，有望使产量与实际值相差不超过0.4%，减少氮肥投入15%，并略微提高预计净利润。这些发现为冬小麦栽培中的自动化和精准氮肥施用提供了理论框架和实际参考。
引言
冬小麦（Triticum aestivum L.）是全球最重要的主粮作物之一，在保障国家粮食安全方面发挥着关键作用（Chen等人，2024；Weiss等人，2020）。氮（N）作为关键大量元素，对小麦的生物量积累和籽粒形成至关重要（Berger，2020；Fu等人，2021；Li等人，2020）。然而，传统的施肥方法通常基于经验，容易导致氮肥过量施用（Guerrero等人，2021；Ye等人，2024），从而降低氮利用效率（NUE），引起土壤退化和环境污染（Chuan等人，2013；Gao等人，2023；Wang和Lu，2020；Zhang等人，2015）。因此，在保持或提高产量的同时减少氮肥投入已成为现代农业面临的主要挑战（Cai等人，2023）。精准施肥为提高氮利用效率、降低投入成本和维持生产力提供了有前景的方法（Ruan等人，2024）。由于田间土壤性质、水分可用性和微气候的差异，作物表现存在显著的空间差异（Guerrero等人，2021）。这突显了针对特定地点和适时施肥策略的重要性，这是精准农业的基本原则（Shanmugavel等人，2023）。变量施肥推荐（VRNR）旨在通过整合田间条件和作物状态来满足作物对氮的不同需求（Silvestri等人，2024）。
VRNR方法大致可以分为三类（表S1）：（1）基于土壤养分的；（2）基于作物生长模型的；（3）基于遥感的（Jingcheng Zhang等人，2024）。基于土壤的方法提供了可靠的基线数据，但需要密集采样和实验室分析，限制了其可扩展性和实时应用性。基于生长模型的方法结合了生理过程和环境条件，但往往受到复杂校准要求的限制（Zhang等人，2022）。相比之下，遥感技术可以通过冠层光谱反射率快速、非破坏性地监测作物状况（Miao等人，2009；Samborski等人，2009；Yue等人，2019）。从红光、红边和近红外波段获得的植被指数已被证明能有效诊断小麦的氮素状况（Argento等人，2021；Li等人，2024）。其中，充足度指数（SI）算法通过将田间反射率与施肥良好的参考地块进行比较来估算氮需求（Duan等人，2024；Zhang等人，2024b；Zhao等人，2021）。当SI值较低时，非线性SI算法可以提供更高的氮肥推荐量（Bohman等人，2019；Martins等人，2020）。最近的进展引入了备用函数和分区策略，以减少SI边界附近的异常值（Holland和Schepers，2010；Zhang等人，2024b）。尽管如此，传统的SI算法仍需要详细的输入数据，如土壤氮供应量和作物吸收率（Zhang等人，2022），并且通常依赖最大和最小SI值来计算氮肥推荐量。这往往导致施肥算法复杂化，并低估了推荐的氮肥量。
无人机的出现为实时作物监测和VRNR应用提供了灵活且高分辨率的平台（Li等人，2024；Yang等人，2017）。然而，大多数基于UAV的系统仍然依赖耗时的图像拼接和手动处理流程（Jarahizadeh和Salehi，2024；Shao等人，2020）。空间插值方法通过直接从采样点估算氮需求，提供了更快的替代方案，从而避免了耗时的图像拼接（Li和Heap，2011）。然而，插值质量高度依赖于采样策略（Lv等人，2021；Sherpa等人，2016）。传统的采样方法往往忽略作物的空间分布，限制了其通用性（Sherpa等人，2016）。此外，现有的施肥推荐图通常在像素或田块尺度上生成，忽略了施肥机的实际喷洒宽度，这可能妨碍实际应用（Argento等人，2025）。因此，迫切需要结合作物生长信息的智能采样策略，以及考虑设备限制的基于UAV的VRNR算法。
为了解决这些问题，我们提出了RNT_Wheat，这是一个将优化采样策略与改进的SI算法相结合的框架，用于冬小麦拔节期的近乎实时氮肥施用。在本研究中，“近乎实时”操作定义为处理效率小于5分钟/公顷，涵盖了从无人机降落生成可执行变量施肥图的工作流程。本研究的主要目标是：（i）通过智能、基于生长的采样和插值来增强空间诊断；（ii）通过将目标产量和生长阶段信息整合到SI算法中来提高氮肥推荐的准确性；（iii）从农艺和经济结果两个方面评估其实际效果。
研究区域和实验设计
本研究在中国北京市小汤山镇的国家精准农业研究中心（40.17°N，116.43°E）进行了四个冬小麦田间试验（图1a）。该研究区域属于北温带半湿润大陆性季风气候，土壤为细壤土（根据美国土壤分类法属于Alfisols），年平均降水量为450毫米，年平均气温为13.9℃。实验的主要目的是评估
无人机图像的采样和插值结果
图5展示了基于RECI和NDRE指数的冬小麦生长模式划分结果。如图5b所示，基于RECI的阈值分割能够有效区分作物和非作物区域，整体分类准确率超过88%，表明RECI在二元土地覆盖识别方面的稳健性。此外，基于NDRE的分割能够详细展示作物生长的空间变异性，准确捕捉田间
采样方法的比较分析
如图12所示，不同的采样方法对最终插值结果有显著影响。其中，图像中心采样和五点采样方法的性能最差，插值后的NDRE图与实际NDRE分布之间的皮尔逊相关系数（r）为0.61，nRMSE值分别为0.30和0.27。相比之下，随机采样和分层随机采样在相关性方面有所改进，相关系数r
结论
在这项研究中，我们将智能无人机图像采样算法与优化的变量施肥管理策略相结合，用于指导冬小麦拔节期的施肥。我们的主要发现如下：（1）实现了近乎实时的高精度作物监测。通过智能采样和插值框架处理未拼接的无人机图像，我们获得了近乎实时的田间尺度作物生长估计。这种方法优于传统的采样方案
CRediT作者贡献声明
唐傲华：撰写——原始草稿、软件开发、方法论设计、数据管理、概念构建。杨贵军：撰写——审稿与编辑、资源协调、项目管理、方法论设计、资金获取。陈维南：数据可视化、软件开发、资源协调。文宏伟：数据可视化、软件开发、数据分析。张静：数据可视化、资源协调。徐波：项目监督、数据管理。冯海光：撰写——审稿与编辑、验证、调查。孟阳：
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了中国国家重点研发计划（2023YFD2000100）和河南省重点研发专项计划（251111111000）的资助。我们感谢匿名审稿人的宝贵意见和建议。
