《Smart Agricultural Technology》：Diagnosis of nitrogen nutrition status in spring maize based on multi-source data fusion analysis from unmanned aerial vehicles
编辑推荐：
为解决传统氮素营养指数（NNI）测定方法破坏性大、成本高、难以规模化应用的问题，本文研究人员开展了基于无人机多源（多光谱与激光雷达LiDAR）数据融合分析春玉米氮素营养状况诊断的研究。通过构建基于累积生长度日（GDD）的动态最优归一化植被指数（NDVI）模型，并结合机器学习算法，建立了高精度的NNI预测模型（KNN算法R2=0.76），实现了氮素状况的快速、无损、高通量诊断，为玉米精准氮素管理提供了实用框架。
玉米是全球粮食安全的关键作物，而氮素管理直接影响着玉米的产量形成和环境影响。然而，传统的氮素诊断方法通常依赖于破坏性的田间采样和繁琐的实验室化学分析，既耗时耗力，又难以在大规模的农业生产中推广应用。这就像给一片广阔的玉米地进行“体检”时，只能靠随机抽取几片叶子来化验，不仅效率低下，还无法全面、实时地了解整片田地的“健康状况”。为了克服这一瓶颈，发展快速、无损的氮素评估技术，对于推动精准农业实践至关重要。氮素营养指数（Nitrogen Nutrition Index, NNI）是表征作物氮素状况的生理标准，它能有效克服“氮稀释效应”，但其获取同样受限于传统方法。近年来，无人机（Unmanned Aerial Vehicle, UAV）遥感因其高时空分辨率，成为作物氮素监测的有力工具。其中，归一化植被指数（Normalized Difference Vegetation Index, NDVI）被广泛用于估算氮素状况，但NDVI与NNI的关系受时间因素影响，同一NDVI值在不同生育期可能对应不同的NNI。此外，单一数据源在表征复杂农情时往往存在局限。那么，能否找到一种方法，既能避免破坏性采样，又能综合利用多维信息，实现对大田玉米氮素营养状况的精准、高效诊断呢？发表在《Smart Agricultural Technology》上的一项研究，正是为了回答这个问题。
本研究采用了一项为期两年（2024-2025年）的田间试验，使用了五个不同施氮水平和五个玉米品种。研究核心技术方法包括：利用搭载多光谱和激光雷达（LiDAR）传感器的四模态无人机系统，在关键生育期采集多模态数据；通过构建基于累积生长度日（GDD）的双逻辑曲线（double Logistic curve）动态模型，来预测不同品种在最优氮条件下的NDVI轨迹，以此作为计算NNI的参考；最后，将提取的多光谱植被指数、纹理特征（Texture, TEX）和激光雷达提取的冠层结构参数（如冠层高度模型， Canopy Height Model, CHM）等多源数据融合，采用K-最近邻（K-Nearest Neighbors, KNN）、偏最小二乘回归（Partial Least Squares Regression, PLSR）和随机森林（Random Forest, RF）三种机器学习算法，建立NNI的直接预测模型，并评估其精度。
3.1. 生育期NDVI动态变化分析
基于两年的试验数据，春玉米的NDVI在整个生长周期中呈现特征性的单峰模式，与双逻辑曲线高度吻合。所有品种都表现出“快速增加-峰值维持-稳步下降”的动态过程，但不同品种在峰值出现时间、衰老速率上存在差异。例如，在2025年，品种LY99的NDVI峰值出现时间显著早于DK159。统计分析显示，品种内部对氮素的响应存在显著差异。
3.2. 最优NDVI动态模型的构建与验证
首先，根据不同施氮水平下的玉米籽粒产量，确定了N4（360 kg ha-1）为最优施氮量。随后，利用N4和N5（非胁迫条件）下的数据，基于相对累积生长度日（Relative Accumulated Growing Degree Days, RAGDD）和相对NDVI（Relative NDVI, RNDVI），为不同品种构建了双逻辑动态模型。结果表明，该模型对不同品种都表现出优异的拟合性能，R2在0.955至0.988之间，RMSE低至0.142-0.216。采用一年数据建模、另一年数据验证的方法，证实了这些品种特异性模型具有很强的预测能力，验证R2均超过0.820。
3.3. 不同品种、生育期和施氮量下NNI的变化规律
基于最优NDVI动态模型计算的NNI，有效阐明了两年试验中春玉米的氮素营养动态。分析表明，NNI能够准确表征不同生育期作物氮状态的盈余或缺乏变化。例如，在2024年，品种JK968在抽雄期所有施氮水平下的NNI值均持续低于1，表明其在VT期对氮需求更为敏感。而在2025年低氮（N2）条件下，LY99在VT和吐丝期仍能维持NNI > 1，显示出较强的耐低氮性。
3.4. NNI与纹理指数及结构参数的相关性分析
相关性分析显示，NNI与多光谱纹理参数，尤其是近红外波段的纹理特征相关性最强。例如，近红外波段均值与NNI呈强正相关（r = 0.70）。相比之下，NNI与激光雷达提取的冠层结构参数的相关性普遍较弱。
3.5. 基于多源数据融合的NNI估算模型建立
本研究基于两年无人机数据，构建了三种机器学习NNI估算模型。结果表明，KNN和RF模型的估算精度优于PLSR。其中，采用多源数据融合的KNN模型（KNN+TEX+CHM）表现最优，其R2达到0.76。与使用单一来源数据相比，多源数据融合使预测精度提高了1.47%至61.9%。特征重要性分析表明，覆盖率_75（Coverage_75）、NDVI和高度变异系数（H_cv）是影响模型预测结果的关键参数。
3.6. NNI估算结果的时空分布特征图
基于最优的KNN算法和多源数据融合策略，生成了2024和2025年玉米关键生育期NNI的时空分布图。结果显示，反演的NNI空间格局与田间实测动态高度一致，清晰刻画了不同处理下氮盈余和缺乏状态的时空演变。具体而言，低氮处理小区在从抽雄到吐丝的过渡期间显著从“盈余转为缺乏”；而在灌浆期，ZD958比LY99等品种保持了更优的氮水平。
本研究的主要结论是，成功构建了基于双逻辑曲线的品种特异性最优NDVI动态模型，实现了结合无人机测量的NNI实时计算。在此基础上，利用机器学习模型开发了NNI估算模型，实现了对不同生育期玉米氮素营养状况的无损诊断。具体而言：1）所构建的动态模型预测精度高（R2: 0.955–0.988），应用该模型表明，在吐丝期后，N4和N5处理下发生氮盈余，而N1和N2处理下观察到氮缺乏。2）采用多源数据融合显著提高了预测精度，其中KNN模型性能最佳（R2 = 0.76）。
在讨论部分，作者强调了该方法的可行性、优势与局限。通过数据标准化和双逻辑曲线框架，有效减少了品种差异和环境噪声的干扰，所建模型具有高度的生理代表性。多源数据融合结合机器学习（尤其是KNN算法）显著提升了NNI评估的准确性，这得益于融合数据能够捕捉光谱和结构特征的互补信息。特征贡献度分析揭示了覆盖率_75、NDVI等关键参数的作用，与作物生理机制一致。本研究的主要优势在于提供了高通量、无损、田块尺度的精准营养管理方案，并展现了良好的时空可视化能力。然而，该方法目前仅在单一生态区验证，其普适性需进一步研究；此外，在高生物量条件下光学指数信号饱和、传感器视角限制对冠层垂直氮梯度评估的制约，以及未能解耦氮缺乏与其他胁迫（如水分亏缺）的光谱信号，都是当前面临的挑战。LiDAR数据的获取与处理成本也是实际应用的约束之一。
总之，这项研究用基于生长度日的最优NDVI模型替代了传统的临界氮浓度稀释曲线法，无需破坏性田间采样和实验室化学分析，显著降低了人力和时间成本。它结合无人机遥感与机器学习，实现了大空间尺度上玉米氮素营养状况的高通量、无损诊断，最终生成的变量施肥处方图，有助于推动精准农业实践，提高氮肥利用效率。
